匹配正文：…控）与典型局限（检索噪声、上下文窗口限制、多跳推理弱）提出至少3个具体优化方向（如混合检索、重排序、查询改写）结合实际场景说明优化方案的可行性体现对RAG与微调、Agent等技术边界的理解 RAG的核心价值与深度优势层面知识动态化：无需重训模型即可更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变更的业务知识技术深度体现不仅是"向量检索+Prompt拼…

#美团#RAG 局限性#RAG 优化方向

面试题·Prompt· 网易

无标注时怎么训练 CoT?

匹配标题与标签：无标注时怎么训练 CoT? 仅用分类标签设计提示策略,生成简洁有效思维链 Prompt 网易 Agent Chain-of-Thought 训练无标注 CoT 思维链提示策略网易

#网易#Agent#Chain-of-Thought 训练

面试题·Prompt· 高德

CoT vs ToT vs GoT 怎么选?

匹配正文：…：ToT的多次采样+评估在实时场景（如高德导航的实时路径重规划）难以承受任务适配成本：从24点游戏迁移到真实业务，状态定义、评估prompt需大量人工设计四、选型建议追求速度+成本：CoT + Self-Consistency（多次采样选多数答案）需要探索+可承受延迟：ToT with 限定深度+启发式剪枝复杂迭代优化：GoT，但建议先验证评估器质量，或引入外部验证（如代码执行反馈）高德场景举例：实时路径规划更适合CoT+规则后处理或轻量ToT（限定2-3层分支）…

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

#高德#CoT ToT GoT 对比#大模型规划能力

求职指南·求职

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

匹配正文：…节奏预期题库不需要从第 1 道刷到第 851 道。更有效的是按岗位画像选模块:想做 RAG,先刷 RAG 基础、向量检索、重排与优化、评估与监控;想做 Agent,先刷 Agent、Prompt 工程、Function Calling 相关题;想讲微调,补模型微调、RLHF 与对齐、模型训练。这条路线的三个止损点第一,如果你概念学了 2 周仍然讲不清 RAG 和微调怎么选,先别开复杂项目,回到题库口语版讲法。第二,如果项目做了 4 周只有 demo,没有评估和错误样例,…

#求职#职业转型

求职指南·求职

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选

匹配正文：…时候值得碰。面试准备差异:刷题也不能刷错方向目标岗位重点题库模块项目准备 RAG 应用开发 RAG 基础、向量检索、重排与优化、评估与监控 RAG 智能问答系统做深 Agent 开发 Agent、Prompt 工程、工具调用相关题 Deep Research Agent做深应用算法/微调模型微调、RLHF 与对齐、模型训练轻量微调项目 + RAG/Agent 应用场景推理部署/LLMOps 推理优化、模型架构、评估监控高并发推理、成本和稳定性案例如果你还在…

#求职#职业转型

求职指南·求职

2026 大模型岗就业市场:招聘量、城市、薪资档位、哪些公司在招

匹配正文：…验经验更接近高薪样本,但门槛也明显提高如果你是研究生,第一份实习的含金量通常比短期薪资更重要。能进真实 AI 团队做 RAG、Agent、评估或数据闭环,对后面秋招帮助很大。如果你是 3 年 Java/后端,不要为了“AI 岗薪资更高”仓促跳槽,先把项目和简历打到能解释“为什么你不是传统后端改个标题”。 2026 年市场更偏好哪类能力从站内题库模块分布看,题量最高的几个模块分别是 Agent 154 题、评估与监控 121 题、Prompt 工程 77 题、重排与优化 …

#求职#职业转型

求职指南·求职

大模型应用开发岗一天在做什么?细分岗位画像

匹配正文：… 文档处理、切块、Embedding、检索、重排、引用、评估后端、数据、企业系统、知识库项目背景 RAG 基础、向量检索、重排与优化 Agent 开发让模型调用工具完成多步任务工具 schema、任务规划、状态机、记忆、异常兜底后端、全栈、自动化、研发工具背景 Agent、Prompt 工程推理部署/LLMOps 让模型服务稳定、便宜、跑得快模型服务、并发、显存、KV Cache、监控、灰度后端、SRE、平台工程、基础架构背景推理优化、模型架构应用算法/微调…

#求职#职业转型

求职指南·求职

研一/研二转大模型应用开发:三年怎么规划、来得及吗

匹配正文：…链路小系统有前后端和问答功能看起来能用,但没质量证明加评估集、badcase、引用溯源可面试项目有真实文档、错误分析、优化对比能支撑 20 分钟追问准备方案对比和取舍强项目有业务背景、上线约束、指标闭环能和实习/JD 对齐加权限、监控、成本、部署说明研一/研二不需要一开始做巨大的平台。先把一个 RAG 做深,比同时做 RAG、Agent、多模态、微调四个浅 demo 更有效。等 RAG 能讲透后,再用 Agent 项目补“工具调用和长程任务”能力。 …

#求职#职业转型

求职指南·求职

大模型应用开发要懂哪些概念、懂到什么程度

匹配正文：…odule=向量检索 RAG 先检索相关资料再让模型基于资料回答能画出"切块-向量化-检索-重排-生成"整条链路 RAG 架构 Agent 与工具调用让模型自己决定调哪个工具、按结果再决策能说清一次工具调用的请求-执行-回填闭环 /ai-coding 第 3 章 Prompt 与结构化输出用提示词约束任务,并要求返回 JSON 等固定格式能写出让下游能解析的稳定输出,知道怎么处理格式跑偏系统提示词微调 vs 提示工程改模型权重 vs 只改输入,两条改行为的路径…

#求职#职业转型

求职指南·求职

转大模型应用开发,数学和深度学习理论要补多少

匹配正文：…应用先给结论:能,应用开发岗对数学的要求被严重高估了。原因是很多人把"训练模型"和"用模型做系统"混为一谈。训练一个模型确实要懂优化、概率、线性代数;而应用开发岗做的是检索、评估、编排、工程和取舍,这些活儿靠的是工程能力和产品判断,不是数学推导能力。一个更实际的检验:你去读大模型应用岗的 JD 和面经,会发现追问集中在文档切块策略、召回和重排、评估集怎么构造、badcase 怎么修、Agent 步骤怎么控制,几乎没有人让你现场推导梯度或证明一个定理。数学在这里是"看得懂别…

#求职#职业转型

求职指南·求职

只会 Java,怎么快速上手 Python 和大模型工程栈

匹配正文：…;faiss 快、chroma 简单、pgvector 复用 Postgres 笔记与实验 Jupyter 边写边看中间结果,调 prompt、看 embedding 时很顺手环境与包 uv / pip / venv uv 一个工具管虚拟环境 + 装包,速度最快可选编排 LangChain / LlamaIndex 现成的 RAG/Agent 抽象,但别过度依赖 (见下) 关于编排框架多说一句:LangChain、LlamaIndex 能省样板代码,但它们把控制流藏进了一…

#求职#职业转型

求职指南·求职

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：…处理(batching)、协程与队列文档解析与数据管道 ETL、消息队列、批处理、增量更新向量数据库选型与调优存储选型、索引优化(HNSW/IVF 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 …

#求职#职业转型

求职指南·求职

大模型简历怎么写:项目怎么描述、怎么量化、怎么防追问

匹配正文：…"那一档。作者:吴师兄 | 适合:准备投大模型岗、卡在项目怎么写的在校生和转行后端 | 前置:手上已有或正在做一个 RAG / Agent 项目为什么大模型简历一写就穿:名词堆得越多越像假的结论先行:面试官不看你会几个名词,只看你能不能围绕一个项目讲清"做了什么、为谁做、效果如何"。名词是公开的、谁都能抄的,项目里的技术决策和数字是抄不走的,那才是你的证据。很多人把简历项目栏写成技能清单:"熟悉 RAG、Agent、Prompt 工程、向量数据库、LangChain"…

#求职#职业转型

求职指南·求职

要不要做微调 / Post-Train 项目,轻量版怎么做

匹配正文：… 工程) 低知道何时该微调、和 RAG/Prompt 怎么取舍;有余力做一个轻量 LoRA/SFT 加分,但别为它挤掉 RAG/Agent 主线应用算法 / 偏模型的算法岗高值得做深:自己构造数据、跑 SFT/LoRA、设计评估、能拿出实验证据说明收益和代价研究生算法向(想进模型团队) 高在应用算法基础上再往 Post-Train 深水区走一点:DPO/GRPO、对齐、训练数据设计,最好有一段相关实习或课题平台 / 推理工程岗低重点在服务化、推理优化,微调只…

#求职#职业转型

求职指南·求职

大模型岗位 JD 怎么读:招聘要求逐条拆解

匹配正文：…中间是它实际在考察什么,右边是对应怎么准备。 JD 原文实际在考察怎么准备「熟悉 LLM 应用开发链路」调过 API、懂 prompt、做过一个完整应用 AI 编程最小实现系列「熟悉大模型训练原理」应用岗只需懂大方向:预训练/SFT/RLHF 各解决什么,不用会训基础概念扫盲,会讲即可「有 RAG 系统实践经验」能讲清检索链路每个环节的选型与权衡 RAG 完整教程 + 题库 RAG 模块「有 Agent 落地经验」做过多步工具调用的东西,能说清编排与失败…

#求职#职业转型

求职指南·求职

大模型系统设计和编码环节怎么准备

匹配正文：…站内承接设计一个企业知识库问答系统(RAG) 切块/检索/重排、防幻觉、引用、评估闭环 RAG 系统怎么从零搭起设计一个多步 Agent / 工作流(如深度调研助手) 任务拆解、工具调用、记忆、循环终止、失败重试 Deep Research 这类 Agent 怎么设计设计一个高并发大模型推理服务批处理、KV Cache、并发调度、显存、限流降级服务化章和推理优化题库设计一个带评估的内容审核/分类系统 Prompt 分类 vs 微调、评估指标、误报漏报权衡模型…

#求职#职业转型

面试题·RLHF与对齐· 美团

稀疏与延迟奖励的塑形与权衡

匹配正文：…的 off-policy RL，不是所有长序列或 RLHF 的通用解法。延迟奖励要区分信号来源。典型 RLHF 奖励模型对完整 prompt-response 给一个序列级标量，训练中再叠加逐 token KL，并由 value function、return 或 GAE 把终局信号用于各时间步更新；这不等于奖励模型把偏好自动蒸馏成每步即时正确奖励。若有可验证中间状态，可以设计过程奖励，但需单独标注或校验其因果有效性。多目标可用归一化加权、约束优化、词典序优先级或 Par…

#奖励塑形#稀疏奖励#多目标优化

面试题·Agent· 百度

工具调用方法怎么选?

匹配正文：…5, "condition": "晴"} Thought: 已获得数据，可以生成回答适用：多步推理、工具组合、需要解释决策过程的Agent 优点：透明可解释、容错性强（失败可重试）、无需特殊训练缺点：延迟高（多轮交互）、token消耗大、需精心设计prompt边界 3. 通用Tool Use（Toolformer/开源方案）原理：模型在生成文本中内嵌特殊标记（如[TOOL: calculator] 2+2 [/TOOL]），后处理提取执行。适用：开源模型无原生Func…

#百度#Agent#大模型工具调用

面试题·评估· 蚂蚁

大模型客服评估：伪代码与指标

匹配正文：…k_flags=rule_results.violations ) class EvaluationAgent: """大模型评估Agent，带自检机制""" PROMPT_TEMPLATE = """ 你是客服质检专家。请对以下对话进行{dimension}维度评估。对话摘要：{summary} 关键片段：{evidence_quotes} 要求： 1. 给出1-5分评分，并说明3条具体依据（引用原文） 2. 检查是否有幻觉：判断依据是否真实存在于对话中 3. 若置信度<…

#蚂蚁#客服质量评估#大模型评估系统

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…ry改写或HyDE缓解上下文窗口：多文档拼接超限→Rerank精筛+递归摘要知识冲突：检索内容与模型参数知识矛盾→设计冲突消解Prompt 时效性：知识更新后向量未同步→增量索引+版本管理多跳推理：单轮检索无法回答→ReAct循环检索或构建知识图谱五、进阶方向 Agentic RAG：检索作为Tool，由Agent决策何时检索、检索什么 GraphRAG：用知识图谱显式建模实体关系，解决多跳问题 RAG+微调：用检索数据构造SFT数据，提升模型对检索内容的利用能力

#字节#RAG 最佳实践#RAG 技术原理

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：…图谱召回（实体链接→子图遍历）精排阶段交叉编码器（领域数据微调）时效性/权威性加权用户画像过滤（科室/执业地域）四、生成优化：领域适配与可控性模型选择：基座模型+领域SFT（如Huatuo/LawGPT），非从零训练 Prompt工程：强制引用格式[来源:指南名称/条款编号]，便于溯源生成后处理：幻觉检测：检索内容与生成的N-gram重叠度校验置信度分级：高置信直接回答/中置信建议复核/低置信拒答五、安全合规体系维度机制权限隔离 RBAC：实习医生/…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：…决策） Index（索引结构）、Retriever（检索器）、QueryEngine（查询引擎）优势领域复杂工作流编排、多工具Agent 大规模文档索引、结构化检索关键功能对比 LangChain强项 Agent系统：ReAct、Plan-and-Execute等推理模式，支持工具调用与多轮决策模块化链：通过LCEL灵活组合Prompt、Model、Parser等组件生态集成：广泛的第三方工具连接器（搜索、数据库、API等） LlamaIndex强项索引策略：Ve…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：RAG 的三代演进架构 1. Naive RAG（基础架构）架构：离线建索引 → 向量检索 → 直接拼接Prompt → LLM生成核心特征：检索与生成硬耦合，一次检索即生成无反馈机制，检索错误直接传导到输出代表：早期DPR+GPT-3方案适用：事实性问答、内部文档查询等单跳、确定性场景 2. Advanced RAG（优化架构）架构：检索前（查询改写/扩展）→ 检索中（重排序/混合检索）→ 检索后（上下文压缩/摘要）→ 生成核心改进：查询优化：HyDE（假…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：人工干预的三层架构 1. 输入层：前置过滤与引导敏感Query识别：基于规则+小模型做意图分类，拦截违规请求 Prompt改写：自动注入安全约束（如"请确保回答符合法律法规"）上下文注入：RAG场景下动态插入合规知识片段 2. 生成层：过程控制解码策略干预：调整temperature、top-p，或对特定token降权动态停止条件：检测到风险模式时触发early stopping 工具调用约束：Agent场景下限制可调用的工具白名单 3. 输出层：审核与修正规则拦截…

#快手#人工反馈控制#人工干预 LLM 生成