搜索大模型内容

跨页表格、代码块和图片怎么切，才不丢结构？

匹配正文：…ata 则保存父表、页码、区域、单位和脚注关系。三者不能相互替代：增强文本便于检索，不代表它就是原文；原始表格可核验，不代表直接向量化后一定容易命中。跨页表格从识别到切分的处理顺序先恢复同一张逻辑表，再按完整行组拆分。切完的每一块都要带回表头、来源和父表关系。这里有一个常见误区：先把表格转成 Markdown，就认为结构问题已经解决。 Markdown 只是表达形式。跨页关系判断错了、合并单元格丢了、表头与数据错位，换成 Markdown 仍然是在更整齐地保存错误内容。…

#RAG#切分与索引#RAG 表格切分

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：…换个名字的 B+ 树直觉) 缓存设计向量检索结果缓存、语义缓存、Prompt 命中复用推理延迟与成本优化性能调优、连接池、批量化、异步降级可观测性 / 线上质量监控评估指标埋点、离线评测集、线上 badcase 采样与回归 Agent 工作流编排状态机、任务调度、重试与幂等、DAG 编排工具 / 函数调用集成接口设计、RPC、参数校验、错误处理这张表的用法不是让你自我安慰,而是面试和简历时的翻译词典:对方用大模型的黑话问,你用工程语言接住,再补一句「本质上和…

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#求职#职业转型

项目实战·RAG

第 10 章:系统评估与上线优化

匹配正文：…是"找到了,但排得够不够靠前"。 Recall@k 和 MRR 怎么算一个看"全不全",一个看"靠不靠前",两个一起,检索质量就量化了。概念 3:离线评估 vs 线上指标离线评估:用评估集在本地跑,算 Recall/MRR/准确率:上线前反复优化用。线上指标:系统真跑起来后看的:响应延迟(P95/P99)、QPS 吞吐、用户满意度:上线后盯着不出事。离线评估与线上指标解决不同问题。通常先用离线数据筛掉明显不合格的方案,再通过灰度、监控和人工复核观察真实流量表现;高风…

#RAG#检索#项目实战

RAG 知识库如何动态更新？重复上传怎么做到不重复、不漏写？

匹配正文：…第二次执行不应产生新 Chunk，也不应重复调用 Embedding。只有一个段落发生变化时，未变化块可以复用，变化块需要重新向量化，同时还要处理旧块何时退出当前检索范围。任务执行到一半超时时，再次执行要补齐失败部分，而不是重放整批并制造重复。重复上传与内容更新不是同一件事重复上传希望最终不增加内容，文档更新希望只替换发生变化的部分。两者都依赖稳定身份，但版本处理不同。所以，幂等通常不是一个布尔开关，而是一组围绕身份、版本和状态的约束。稳定 Chunk ID 应该…

#RAG#切分与索引#RAG 增量入库

没有大模型项目经验,怎么攒出能写进简历的项目

匹配正文：…术决策和权衡「用了 LangChain 和向量库」「按语义切块,因为固定长度切会切断条款;向量库选 X 是因为要本地部署」有量化结果「效果不错,能回答问题」「自建 50 题评估集,召回率从 62% 调到 81%,P95 延迟 1.4s」扛得住三层追问问「为什么不用别的方案」就答不上每个技术点预设「为什么→为什么不用别的→出问题怎么办」逐条说透: 真实业务问题是转行者的独特优势。领域可以直接来自你的上一份工作——做过金融后端就拿合规文档,做过电商就拿商品客服语…

做一个 Agent 项目怎么做:从最小 Agent 到 Deep Research

匹配正文：…忆、数据、训练、服务化、评估。建议不要跳过最小 Agent 直接上完整项目,否则你会看不清每一层在解决什么。 Agent 项目怎么量化结果写进简历用评估集算通过率是最硬的量化:一批带标准答案的任务,基线通过多少、改进后通过多少。再补上单次任务的平均调用次数和 token 成本、失败恢复后的成功率提升。有数字的叙事永远赢过"实现了一个智能体"。具体写法见大模型简历怎么写。面试官最爱从 Agent 项目哪里追问三个高频入口:失败恢复("工具调用失败怎么办、会不会死循环")、…

#Deep Research#数据构造与训练#Deep Research 复杂问答

Rerank 为什么更准，却不能对整个知识库运行？

匹配正文：…利用率。但批量提高的是吞吐，不代表每个请求的等待一定更短。批次需要等待凑齐时，单请求延迟还可能增加。第三种办法是选择更小的模型或量化。这样可能降低资源与推理成本，但必须用同一评测集确认排序质量没有不可接受的退化。第四种办法是按 Query 路由。高置信精确命中可以跳过高成本精排，候选相似、含否定或需要严格排序的问题再启用。路由本身也要记录和评测，不能因为省计算而漏掉难题。第五种办法是控制输入长度。如果 Chunk 超过 Rerank 模型的最大输入，尾部可能被截断…

#RAG#检索与重排#RAG Rerank

面试题·Agent

简单问答怎样升级成真正需要多步研究的问题，又不把题目编坏？

匹配正文：…绝或重新生成答案，不能继承母题标签。这个例子说明，数据错误通常从问题构造阶段开始，轨迹模型只是把它表达得更完整。复杂度应该怎样量化？必要证据单元数量反映要核验多少独立信息。推理跳数反映结论依赖多少前序结果。对象与维度数量反映比较和归一化工作。来源冲突与时效要求增加验证难度。工具类型和必要步骤反映执行复杂度。动态规划程度检查中间结果是否可能改变后续动作。答案开放度与风险决定评分和人工复核要求。这些维度可以组成标签或分层，不必压成一个绝对分数。两个总分相同的问…

Query 重写、扩写和 HyDE，应该在哪些查询上启用？

匹配正文：…”。短 Query 往往只有一个主题词，而知识库里的答案通常是一段陈述。HyDE 先让模型生成一段可能的答案，再把这段假设文档向量化，用来检索真正资料。它借用的是假设文本的语义形状，不是假设文本里的事实。三种 Query 优化方法解决不同缺口重写补全一条问题，扩写覆盖多种说法，HyDE 用假设文档辅助语义检索。三者都只是检索代理。这三种方法可能同时出现，但不应该无条件叠加。多轮指代问题先做重写，已经得到清晰独立问题后，未必还需要 HyDE。明确术语只是文档措辞不…

#RAG#检索与重排#RAG Query 重写

#RAG#检索与重排#Embedding 模型选型

Embedding 和 Rerank 模型怎么选？什么时候值得领域微调？

匹配正文：…回粗召回排序，但必须在日志中标记“未执行重排”，避免把降级结果混入正常模型评测。一套最低限度的发布记录应包括：模型版本、运行时和量化方式、索引版本、测试集版本、离线结果、线上延迟、候选参数、切换时间和回滚入口。这样面试官问“模型升级后出了问题怎么办”，回答才不是一句“切回旧模型”。四类 bad case，能检验你是否真的会选模型第一类：同义表达找不到，但关键词检索能找到先确认 Chunk 中确实包含答案，再对比多个 Embedding 的候选结果。如果问题集中在口语与…

大模型岗面试流程全解:每一轮考什么、怎么准备

匹配正文：…验值) 怎么准备简历筛选技术栈关键词匹配、项目含金量一眼扫淘汰量最大,但不评分技术栈对齐 JD 措辞;项目按「问题→方案→量化结果」写。见JD 怎么读、简历项目追问模板技术一面项目深挖为主 + 基础八股项目 50%、八股 30% 把主项目每个决策的「为什么」想透;八股按方向抽。见面试官怎么一层层追问、领域八股速通技术二面系统设计 + 更深的项目/原理追问系统设计 40%、深挖 40% 把一个完整链路练到能白板复现;坦诚边界不硬编。见系统设计怎么准备编码 …

大模型岗位 JD 怎么读:招聘要求逐条拆解

匹配正文：…岗通常只考 LoRA/SFT 概念与「何时微调 vs 何时 RAG」题库「模型微调」模块的判断类真题「熟悉推理优化(vLLM、量化、KV Cache)」部署方向核心项,其他方向是加分项题库「推理优化」模块「良好的工程能力」代码能读能维护、懂接口/异步/日志/稳定性后端老本行,把它翻译成大模型系统语言「有 0-1 项目经验者优先」加分项,自建完整项目同样算数没有项目经验怎么办「发表过顶会论文者优先」纯加分项,应用岗没有它照样过忽略,别被吓退用法:对着…

项目深挖:面试官会怎么一层层追问你的项目

匹配正文：…测、答错了怎么修、上线花多少钱。这些问题没有标准答案,只有"你当时的真实决定"。面试官很清楚:能把一个决定的前因后果、试过的备选、量化的结果讲清楚的人,一定亲手做过;只会重复功能描述的人,大概率是抄的。所以深挖环节的本质是一次"真做过"的验伪,而验伪的方式就是顺链下探。【RAG 项目追问链·核心】面试官会顺这条链一层层问一句话:面试官从业务问题问起,顺着"文档→切分→检索→重排→溯源→评估→badcase→成本"往下走,每一环都在验证一件具体的事。下表逐环拆开,照这个顺序…

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：…方向都讲不实。维度内容面试官在验证什么你有没有评估集、指标、LLM-as-Judge、badcase 闭环这套方法,能不能量化和迭代效果先看哪个 RAG 评估章代表题型 "RAG 召回率/忠实度怎么评""LLM 当裁判靠不靠谱""怎么搭评估集""上线后怎么监控效果" 项目里怎么体现讲你的评估集怎么来、用哪些指标、badcase 怎么回流改进,而不是"感觉不错" 刷题去评估与监控题库。重排与优化(70 题):验证你会不会救召回重排是 RAG 里"召回准不准"…

面试题·推理优化· 京东

vLLM vs TensorRT-LLM 怎么选?

匹配正文：…vLLM GPU/多后端高吞吐服务 PagedAttention、连续批处理、张量/流水线并行、OpenAI 兼容服务支持架构、量化和硬件能力随版本变化 TensorRT-LLM NVIDIA GPU 深度优化 TensorRT engine、in-flight batching、KV 优化、量化与多 GPU 使用自有 checkpoint/engine 工作流，可从 Hugging Face、NeMo 等来源转换，并非必须先经过 ONNX TGI Hugging Face…

#vLLM#TensorRT-LLM#推理引擎

转行大模型最常见的 12 个坑

匹配正文：…结论:这些坑表面各不相同,病根只有一个——花时间做了不产生面试证据的事。面试官最终只认三样东西:你能讲清楚的项目、能答住的追问、能量化的效果。凡是不往这三样上积累的努力,投入再多也换不成 offer。看下面这张表,对号入座,命中哪条点进对应那篇纠正,不要在这一篇里展开细节。 # 坑典型信号(你是不是正在这么做) 为什么没用怎么纠正 1 只看课不动手课程刷了十门、笔记记满本,一行自己的代码没跑过看懂不等于会做,面试问的是你做过什么、遇到什么坑,看课攒不出这些边看边落一…

RAG 首字响应为什么慢？Embedding、检索和生成怎么逐段优化？

匹配正文：…没有重复计算文档向量。文档 Embedding 属于离线入库工作。在线问答通常只需要计算 Query 向量。如果每次问答都重新向量化整份资料，架构边界已经错了。重复 Query 可以缓存 Embedding。这里的缓存只是一种可选工程策略：先规范化文本，再生成缓存键，命中后复用向量。是否值得采用，要看真实 Query 的重复程度和缓存维护成本。但一个生产缓存键不能只有 Query 文本。 Embedding 模型升级后，同一句话对应的向量空间已经变化。缓存键至少要区分模…

#RAG#评测与上线#RAG 首字响应

转行大模型应用开发常见问题(FAQ)

匹配正文：…问深度,不是它是不是公司项目。一个自建项目只要满足四条就和工作项目等价:有真实业务问题、有技术决策(为什么选这个方案不选别的)、有量化结果、每个环节都答得上三层追问。反过来,挂在简历上却只会说调了 API、答不出检索为什么差的项目,是公司项目也照样减分。怎么把项目做到这个标准,见没有大模型项目经验怎么攒。转大模型应用开发对英语要求高吗? 要求不高,但要能读。工作和面试基本不考口语和写作,真正需要的是能读英文文档、论文摘要、GitHub issue,因为一手资料多是英文,等中…