匹配正文：…数据结构/算法加一小段工程实现,不必刷到竞赛难度。这一页给你系统设计的答题框架和编码环节的准备重点。作者:吴师兄 | 适合:准备大模型岗系统设计与编码环节的转行者 | 前置:知道 RAG/Agent 是什么,最好做过一个项目大模型系统设计到底考什么先给结论:考的是"把模糊需求拆成能落地、能评估、能控成本的系统"的能力,不是让你把组件画满一张图。大模型系统设计题和传统后端系统设计的最大不同,在于多了三条你必须主动说清的链路:检索/召回怎么设计、效果怎么评估、成本和延迟怎…

#求职#职业转型

求职指南·求职

大模型岗的总监面、行为面、HR 面与谈薪怎么应对

匹配正文：…问、前后一致、不心虚。下面这张表把高频问题、面试官真正想听的、以及怎么答拆开。常见问题面试官想听什么怎么答(要点) 为什么转大模型是顺势迁移不是跟风,有真实投入用"已有工程能力 + 真实做过的项目"证明:我原来做 X,发现 X 场景正需要 RAG/Agent,于是我做了 Y 项目、踩了哪些坑。落到具体,不喊"看好前景" 为什么离职 / 为什么换方向动机正向,不是逃离和抱怨讲"想去做什么"而不是"受不了什么";把旧工作说成能力积累,把新方向说成主动选择。绝不吐槽前…

#求职#职业转型

面试题·RAG

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

匹配正文：…后，另一类问题又答错了。团队想复现之前的结果，却发现当时问了什么、正确证据在哪里、改了哪些参数，都没有完整记录。没有固定评测集，RAG 优化的效果就很难复核，容易停留在演示层面。这就是面试里经常被追问的一道题： RAG 评测集应该怎么构建？为什么只准备问题和参考答案仍然不够？Recall@K、MRR 和 Faithfulness 又分别在评估哪一层？只回答“让大模型生成一批 QA，再算准确率”，通常会暴露更多问题：自动生成的问题是不是只会复述原文？没有正确证据位置，…

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

#RAG#评测与上线#RAG 评测集

求职指南·求职

转行大模型最常见的 12 个坑

匹配正文：…率、逐篇读 Transformer 原论文,迟迟不进项目应用岗几乎不考公式推导,前置补太重会消磨掉全部启动期数学按需补,看转大模型数学要补多少划清边界 3 项目贪大、同时铺三个同时开 RAG、Agent、微调三个坑,每个都停在半路三个半成品讲不出深度,不如一个从头做完、能讲评估的项目先聚焦一条主线做透,方向选取看大模型技术栈全景 4 盲刷题背答案、不结合项目把模块题一道道背熟,却从没在自己项目里处理过那些场景面试官换个场景挂到你项目上追问,只背通用答案一换…

#求职#职业转型

面试题·RAG

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

匹配正文：很多人做 RAG 评测时，会先算一个“答案准确率”。如果分数上涨，就认为系统变好了；如果分数下降，就继续换 Embedding、调 TopK 或改 Prompt。问题是，RAG 不是一次模型调用。用户问题要经过 Query 处理、检索、排序、上下文组装、答案生成和引用回跳。最终回答错了，可能是正确证据根本没有被找回，也可能是证据已经排在前面，生成模型却漏掉了限制条件。只看一个端到端分数，团队仍然不知道应该修哪一段。这也是项目面试里很容易被追问的一道题： Recall@K、…

#RAG#评测与上线#RAG 评估指标

求职指南·求职

大模型转行:自学能走完全程吗,什么情况值得报班

匹配正文：…这几个环节再考虑报班,而不是一决定转行就先报班图安心。作者:吴师兄 | 适合:在自学和报班之间摇摆的转行者 | 前置:已经决定转大模型应用开发,但不确定要不要花钱先把话说清楚:哪些环节自学够,哪些环节容易卡自学能不能走完全程,取决于你把"全程"拆成哪些环节。把它拆开看,大部分环节靠公开资料和刻意练习就能过,真正容易卡住的是那几个"需要外部反馈"的环节。维度自学够不够说明概念入门够 Transformer、RAG、Agent、微调这些概念,站内教程和题库讲得比多…

#求职#职业转型

面试题·RAG

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：用户点下发送以后，页面空了很久，随后答案一口气开始出现。遇到这种现象，一种常见判断是大模型太慢，需要换一个更快的模型。但一条 RAG 请求在模型生成第一个字之前，已经经过 Query 处理、Query Embedding、关键词与向量检索、候选融合、Rerank 和上下文构建。真正的等待可能发生在其中任何一段。从调用依赖关系看，模型要等检索证据准备好，才能开始基于证据生成。因此，如果向量检索阶段很慢，流式输出只能改变第一个 Token 之后的展示，不能缩短前面的检索等待…

#RAG#评测与上线#RAG 首字响应

求职指南·求职

转行大模型应用开发常见问题(FAQ)

匹配正文：这一页集中回答转大模型应用开发咨询里被问得最多的高频疑虑:年龄和学历还来不来得及、数学和 Python 是不是门槛、RAG 和 Agent 和微调先学哪个、在校生和在职后端各自的节奏、要不要辞职、要不要发论文考证书、自己做的项目面试认不认、以及大概多久能上岸。每个问题都给硬结论,不和稀泥,判断依据都写在答案里。作者:吴师兄 | 适合:准备转大模型应用开发但还在犹豫的在校生与在职工程师 | 前置:知道自己想投应用岗还是算法岗 30 岁、35 岁转大模型应用开发,晚不晚? 技术…

#求职#职业转型

面试题·RAG

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

匹配正文：…一步。与此同时，在线问答要求尽快返回，不能被后台解析占满资源。入库和问答使用不同资源，面对不同失败，追求的目标也不同。这就是 RAG 系统设计面试最常问的一类题：一个可上线的 RAG 系统应该怎样拆？离线入库、在线问答、数据存储、权限、降级和监控怎样形成闭环？只画“文档、向量库、大模型”三格图，通常接不住后续追问：一份文档只解析了一半，怎样恢复？用户权限应该在哪一层生效？向量服务或 Rerank 超时，系统怎样降级？线上答案错了，怎样定位证据在哪一步丢失？为…

#RAG#评测与上线#RAG 系统设计

面试题·多模态· 小红书

多模态大模型面临哪些挑战?

匹配正文：…度对齐或长链推理必然改善。 CoT可能帮助模型组织步骤，但生成的理由不一定由视觉证据支持；Agent可以调用OCR、检测器或搜索，RAG可以补外部知识，却都不能自动修复输入中未被识别的对象。工具返回还可能冲突或被错误引用，需要显示区域、帧和文本证据，并在不足时拒答。跨模态冲突是另一类风险。图像、字幕和用户文字不一致时，模型可能偏向更强的文本先验。需要专门构造冲突样本，测模型是否指出差异，而不是强行融合。医学、身份和内容审核等高风险场景还要做权限控制、隐私处理和人工确认。系…

#模态对齐#数据构建#推理一致性

项目实战·RAG

附录:把这个 RAG 项目写进简历 & 面试应答

匹配正文：…行话(自我介绍):面试第一题往往是自我介绍。别流水账,套一个"我是谁 + 一句话亮点项目 + 我最能打的一两个技术点 + 为什么对大模型/这个岗位感兴趣"的结构,30-60 秒说完,把面试官的注意力主动引到你最想被追问的那个 RAG 项目上,后面就能顺势讲你最熟的内容。 2.4 量化指标怎么准备(别编) 简历最有杀伤力的是数字,但数字必须是真的: 量化指标怎么来:跑评估集得真数别凭空编:整数、小数、漂亮或不漂亮的数字都可能真实,也都可能虚构。可信度不由数字格式决定,而由指标…

#RAG#检索#项目实战

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配正文：…p-10）→ 重排序（仅对关键查询启用）异步预检索：用户输入时预测意图，提前触发检索流混合路由：FAQ类走规则/缓存，开放域走RAG 上下文优化动态压缩：根据相关性分数剪枝，保留关键段落；使用摘要模型生成"记忆卡片" 结构化注入：检索结果转为Markdown表格/JSON，降低模型解析负担 Agent工程优化检索决策前置：LLM先判断"是否需要检索"，减少无效调用结果缓存分层：Embedding结果缓存（小时级）vs 生成结果缓存（会话级）失败降级链：检索超时→用…

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：… = α·semantic + β·recency + γ·importance 动态更新与遗忘机制记忆写入流程原始对话 → LLM提取结构化记忆（实体-关系-摘要）→ 语义去重 → 分级存储关键策略摘要压缩：每N轮对话由LLM生成摘要，替代原始文本增量更新：相同实体的新信息合并更新，保留时间戳链主动遗忘：低频访问+低重要性记忆进入"冷存储"，可配置彻底删除 RAG深度集成：上下文压缩检索后处理重排序（Rerank）：Cross-Encoder精排Top-K结…

#高德#Agent#向量检索

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配正文：主流Agent框架对比 1. LangChain —— 通用编排框架核心定位：LLM应用的全流程编排与工具集成核心能力：Chain/Agent抽象、工具调用（Tool Calling）、记忆管理、多模型路由技术特点：LCEL（LangChain Expression Language）支持流式、异步、并行执行 Agent场景：ReAct、Plan-and-Execute、Self-Ask等推理模式的标准化实现 RAG角色：提供RetrievalQA、Conversati…

#阿里云#Agent#Agent 框架对比

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配正文：核心问题分析 RAG与Agent结合时，延迟和正确率问题呈乘法放大效应——Agent的多步决策特性使RAG缺陷被反复累积。一、响应延迟的成因与优化延迟来源具体成因优化方案检索层向量库冷启动、跨地域查询、Embedding计算预加载热数据到内存；本地缓存高频Query的Embedding；采用HNSW+量化索引 Agent决策层 ReAct多轮迭代、工具调用链过长、LLM推理本身设置最大迭代阈值；并行化独立工具调用；用小模型做意图路由，大模型仅做最终生成编排开…

#阿里云#Agent#RAG Agent 延迟优化

面试题·Agent· 美团

大模型输出怎么做真实性验证?

匹配正文：大模型后处理的真实性验证，核心思路是**"生成后校验"**——不依赖模型自我约束，而是通过外部信号或交叉验证来确认输出可靠性。主要技术路线： 1. 事实性核查（Fact Verification）检索增强验证将生成内容拆分为原子声明（claim segmentation）对每个声明独立检索权威知识源使用NLI模型判断"检索证据→支持/反驳/无关"生成结论典型工具：RARR、FAC2框架工具调用验证对可验证实体（时间、数值、人物）调用API/Wikipedia查询…

#美团#Agent#大模型真实性验证

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配正文：…下文冗余（Context Redundancy）问题本质：检索块之间存在大量重复信息，有效信号被噪声淹没。电商案例：商品详情页RAG中，多个Chunk重复包含"7天无理由退换"标准话术，而真正关键的"电池容量参数"仅出现一次。LLM注意力被分散，回答抓不住重点。关键影响：Token浪费、推理成本上升、关键信息遗漏。 3. 知识更新延迟（Knowledge Staleness）问题本质：向量库构建周期长，无法感知实时变化。电商案例：大促期间价格/库存秒级变动，但RAG…

#淘天#Agent#RAG 痛点

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…免全量重建，用HNSW的动态插入或定期merge 五、效果验证闭环建立端到端评测：用真实query测试检索Top-K命中率，结合LLM评估生成质量，反向驱动分块策略、Embedding微调、索引参数调优。学习建议建议先掌握RAG整体架构，再分步学习数据清洗、分块策略和嵌入原理，结合开源工具如LangChain和FAISS动手实践，加深理解。参考资料 Pandoc官方输入格式 ColBERT原论文:文本late interaction ColPali原论文:视觉文档检索…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

RAG 长文档怎么切块?

匹配口述回答：…否真的补回了跨块证据。这对QA类任务特别重要，因为答案经常跨块边界。不过，我最近在思考一个问题：切块策略到底能不能动态化？比如让LLM自己判断语义完整性，或者用聚类算法发现自然主题边界。但这样成本会上升，而且实时性可能跟不上。所以我会把语义切块、多粒度、固定长度和不同重叠窗口放进同一组候选，再按精度、延迟与成本选择。没有绝对最优的方案，最终还是要通过检索召回率和端到端答案质量来联合评估。总的来说，我会把切块策略看成是RAG系统里一个需要反复调优的环节，而不是一劳永逸的决定…

#字节#文档处理#RAG 文本切块

面试题·文档处理· 字节

RAG 数据清洗与 Chunking 怎么选?

匹配口述回答：这道题问的其实是，[[RAG]]系统里数据从原始文档变成能被检索的向量块，中间这个管道怎么设计才能保证质量，避免垃圾进垃圾出。我一般把数据清洗和文本[[切块]]放在一起考虑，因为这两步是连着的，清洗不好切块也跟着出问题。先说数据清洗，核心就三件事。先说格式标准化，比如PDF转文本的时候，表格、标题这些结构标记要尽量保留，不然切块后语义就断了。再看噪声去除，像页眉页脚、页码、重复内容，还有低质量[[OCR]]出来的乱码，这些要过滤掉。还要看质量过滤，太短的片段，比如少于50个…

#字节#文档处理#RAG 数据清洗

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配正文：…增加（~2倍），检索可能返回重复内容需去重适用：对话历史、代码等强上下文依赖场景 4. 智能分块（进阶） Agentic分块：用LLM判断断点（如"此处是否完成一个完整论点"）结构化分块：针对Markdown、JSON、代码按语法树切分选型建议场景推荐策略快糙猛上线固定长度 + 重叠高精度问答语义边界 + 滑动窗口代码/表格结构化分块 + 元数据标注实际中常组合使用：先用语义边界粗分，再对过长块用滑动窗口细分。学习建议掌握常见chunk策略的原理与…

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 京东

RAG 分块策略选型

匹配追问：…增长的原因是什么”，文档里可能跨好几个段落。你打算怎么切文本，才能既让检索找到相关段落，又不丢失前面讲背景的那些信息？层层追问 RAG系统里文本分块你一般怎么处理？……如果块太小，召回倒是准了，但大模型读起来缺上下文怎么办？……那如果块太大，检索容易漏掉关键信息，这个矛盾你打算怎么平衡？直球架构设计RAG系统的文本分块策略，核心要权衡上下文完整性和检索精确性。你有哪些分块方法？每种方法在什么场景下用？重叠分块和元数据增强具体怎么落地？

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·文档处理· 百度

RAG 分块参数调优

匹配口述回答：…断。还有元数据要保留，比如来源位置、标题，这对后续[[重排序]]和答案溯源很有帮助。最后说落地风险。一个常见失败场景是，块大小和LLM上下文窗口不匹配。比如LLM支持8K上下文，你把块切成2K，然后检索时一次塞4个块，结果超出窗口长度，模型直接截断。所以上线前一定要验证检索召回率和端到端问答效果，不能只看分块本身。我其实更倾向把分块看成整个[[RAG]]系统的一部分，跟检索、重排一起调优。比如分块粒度细了，检索精度会高，但可能漏掉全局信息，这时候可以用 [[Parent …

#百度#RAG 分块参数调优#RAG 分块大小和 overlap 怎么调？指标与实验方法

面试题·评估· 美团

Agent 训练 vs RAG 怎么选?

匹配题目：请设计一个基于大语言模型的智能Agent的完整训练与迭代流程，涵盖任务定义、环境构建、动作空间设计、学习策略（如模仿学习、强化学习）及评估机制。

#美团#Agent#Agent 训练流程