匹配正文：…n-proof；scale_unverified → production-proof。下一步：extension。配套学习：RAG 文档怎么存储和向量化?。 10. production · production-proof 请给出一次解析版本灰度或重解析记录，说明覆盖文档量、队列水位、失败阈值与回退动作；没有生产记录就标为设计方案。考察重点：核验生产事实与设计知识的边界；没有线上材料时，只按设计能力记录，不视为上线经历。解析失败率、队列积压、人工复核率和版本分布 …

#模拟面试#简历项目#连续追问

求职指南·RAG

多轮对话、引用与权限隔离项目模拟面试

匹配正文：…致性怎么保证？、大模型输出怎么做真实性验证?。 4. tradeoff · tradeoff 状态放窗口、摘要、结构化槽位还是外部存储？权限过滤在召回前还是召回后？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：多轮对话上下文状态管理机制、RAG多轮对话怎么防知识遗忘?。 5. metrics · metrics 多轮一致性、引用正确率、权限泄漏率和延迟如何定义…

#模拟面试#简历项目#连续追问

项目实战·Agent

第 1 章:为什么需要 Deep Research

匹配正文：📊 学习时长:60-75 分钟 🎯 完成后能力:能讲清 Deep Research 和普通 RAG / Agentic RAG 的本质区别,判断一个问题该不该上 Deep Research,并用可运行代码搭出一个会「自己多步搜索、边想边查」的研究型 Agent 雏形 🔗 关联面试题:5 道(覆盖 5 个角度,见 Part 3) 这一章你会学到什么 ✓ 零基础也能跟着做:用几十行代码跑通一个会「边想边查」的研究型 Agent,并一步步给它加上工具、思维链、失败重试 ✓ 彻…

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

#Agent#Deep Research#项目实战

面试题·RAG

复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？

匹配正文：…标题和数据分离现象是检索命中“实验结果”或“处理时限”，却找不到对应表格数据。先看表格区域、标题和图注是否建立关联，再看结构化存储是否保留表头与行列。最后检查切分时是否把表格标题留在上一块，数据放进下一块。第三类，多级标题被压成一行可以设想“第一章、第一节、第二节”层级消失的示例。解析后，章节标题与正文被拼在一起，后续片段不再知道自己属于哪个主题。排查时看标题类型是否被识别，标题路径是否写进内容单元，以及正文块是否继承上级标题。只在最终文本前加一个文件名，不能替代完…

#RAG#解析与入库#复杂 PDF 阅读顺序

项目实战·RAG

第 4 章:Embedding 选型与向量化

匹配正文：…觉得"维度越高越准",其实是个典型的取舍: 向量维度不是越高越好精度:维度高确实能装下更细的语义,但过了一定点,精度只是微涨; 存储/成本:维度翻倍,向量库占用和内存几乎线性翻倍:上百万条 chunk 时这是真金白银; 检索速度:每条向量更长,算距离更慢,索引也更占内存。业内行话:向量维度没有通用的"性价比甜点"。应把模型质量、向量维度、存储、构建时间和查询延迟放在同一评估里比较;部分支持 MRL(可截断表示) 的模型允许尝试较短向量,但截断后的质量损失与资源收益仍需在自…

#RAG#检索#项目实战

面试题·RAG

Chunk Size 和 Overlap 怎么选？不要背 512 和 100

匹配正文：…拆开？召回结果重复后，会占掉多少候选位和模型上下文？参数改变后，怎样证明收益来自切分，而不是其他模块同时变化？从工程链路看，RAG 可以拆为离线解析、在线召回、上下文生成和查询理解。切分位于离线阶段，但它会沿着整条链路向后影响：块太大，向量里同时包含多个主题，检索得分可能被噪声稀释；块太小，问题所需的前提、条件和结论可能落在不同块里；重叠太小，边界信息可能断开；重叠太大，多个近似块会挤进同一个 Top K。所以，这不是一个“字符串应该截多长”的问题，而是“证据怎样进入…

#RAG#切分与索引#Chunk Size

项目实战·RAG

第 8 章:多轮对话与记忆管理

匹配正文：…重复或无关记忆污染当前回答。面试讨论长期记忆时,应结合场景说明去重、衰减、权限、生命周期和重要度等管理策略。长期记忆检索可以借鉴 RAG,但还要处理用户隔离、一致性、更新与删除等问题,不能简单等同于一次普通 RAG。 2.4 记忆存哪:三种存储组合使用记忆的存储要按"时效性 + 检索方式"分层选型,主流是三种组合: 记忆存哪:三种存储各管一段 Redis / 内存(短期):低延迟、高吞吐,按会话 ID 存最近几轮,配 TTL 超时失效。缺点:不能做语义模糊查。向量库(语义…

#RAG#检索#项目实战

面试题·RAG

跨页表格、代码块和图片怎么切，才不丢结构？

匹配正文：…列代表什么。代码可能从函数中间断开，缩进和上下文一起丢失。流程图虽然识别出所有文字，却看不出箭头关系。这就引出一道很有区分度的 RAG 面试题：表格、代码和图片应该怎样切成 Chunk，既能被检索，又不破坏原来的结构？常见回答是：“表格单独成块，代码按函数切，图片先做 OCR。” 这句话只讲了入口。面试官接下来通常会问：表格太长怎么办，跨页表头怎么继承，PDF 里的代码无法做语法解析怎么办，图片描述如果编错了又怎么核验？为什么普通文本能切，特殊内容却容易切坏？普通段…

#RAG#切分与索引#RAG 表格切分

面试题·RAG

Chunk 为什么要带标题、页码和前后片段 ID？

匹配正文：…已经被新版本替换？当前用户又是否有权查看？如果 Chunk 里只有正文和向量，这些问题都无法可靠回答。于是，面试官会继续问： RAG 的 Chunk 除了正文，还应该保存哪些 metadata？这些字段分别解决什么问题？常见回答是列出一串字段：doc_id、page、title、created_at、prev_id、next_id。字段名背得再多，也不等于设计合理。真正需要回答的是：哪个字段参与搜索前过滤，哪个字段补足语义，哪个字段帮助取回上下文，哪个字段让用户回到原…

#RAG#切分与索引#RAG Metadata

面试题·RAG

Embedding 和 Rerank 模型怎么选？什么时候值得领域微调？

匹配正文：先分清：Embedding 和 Rerank 各自对什么结果负责 RAG 的检索链路可以先想成一场两阶段筛选。第一阶段面对的是整座知识库。系统把用户问题编码成向量，再从大量文档片段里快速找出一小批候选。Embedding 模型的任务不是直接判断最终答案，而是把可能包含答案的片段尽量送进候选集。它如果漏掉了正确证据，后面的模型再聪明也无从补救。第二阶段只看这批候选。Rerank 模型把问题和每个候选片段放在一起判断相关性，然后重新排列顺序。它更擅长处理“关键词很像，但并没有…

#RAG#检索与重排#Embedding 模型选型

面试题·Agent

Agent 从海量记忆里怎么找对内容？相关性、时间性和重要性怎样组合

匹配正文：…ent 有没有权限、信息是否还有效、来源是否可信、是不是被新版本替代，以及它对当前任务到底有多重要。用户今天问“帮我继续上次的 RAG 评测”，向量库可能召回一个月前的项目目标，也可能召回另一个项目里措辞相似的评测记录。旧目标语义很像，但当前阶段已经变化；另一个项目更像，却属于错误作用域。若系统只取相似度最高的几条，记忆越多，污染当前决策的机会反而越大。这道题要回答的是一条检索与排序链路：先识别查询意图和主体，做权限、租户、类型、状态、时间与项目范围过滤，再生成语义候选，…

#Agent#记忆与存储#Agent 记忆检索排序

面试题·Agent· 得物

大模型记忆机制怎么改进?

匹配正文：答案要点区分短期记忆（上下文窗口）与长期记忆（外部存储）的技术路径至少提及2-3种具体架构方案（如Memory Bank、MemGPT、RAG-based Memory）说明记忆检索的关键设计（索引策略、相关性计算、遗忘机制）体现对Agent任务持续性的理解（多轮状态保持、目标追踪）有实际落地考量（延迟、存储成本、一致性）核心思路大模型记忆机制的本质是突破固定上下文窗口的限制，实现信息的跨会话持久化与高效检索。我从三个层面展开：一、架构层：原生上下文扩展长上…

#得物#Agent#大模型记忆机制

面试题·Agent· 蚂蚁

多轮对话上下文状态管理机制

匹配题目：在构建多轮对话系统（如聊天机器人、Agent或RAG系统）时，请详细说明你如何设计和实现对话上下文的状态管理机制，包括上下文的存储策略、动态更新机制、长度截断与信息保留方法、会话生命周期管理，以及在分布式或高并发场景下如何保障上下文的一致性与系统性能。

#蚂蚁#Agent#多轮对话上下文管理

面试题·Agent· 高德

Agent记忆分层：摘要与检索协同

匹配正文：…量导航/出行Agent的典型场景：跨天行程：用户周一规划周末路线，周三继续询问——需保留"规划中"状态地点偏好：长期记忆重点存储"家/公司/常去地点"的POI关联实时性权衡：交通状况不存长期记忆，只存"用户偏好避开高速"这类规则成本权衡：摘要用7B模型，主推理用70B；向量检索用HNSW索引，召回 latency <50ms 学习建议建议从RAG和Agent架构基础入手，理解向量检索、摘要模型和分层记忆设计模式，结合论文与开源项目（如MemGPT）实践核心流程。

#高德#Agent#Agent 记忆管理

面试题·Agent· 百度

Agent 规划记忆工具调用机制

匹配正文：…、中间结果上下文窗口直接承载短期记忆近期多轮会话摘要滑动窗口+LLM压缩长期记忆用户画像、领域知识向量数据库+结构化存储 3. 工具调用（Tool Use）统一接口：{name, description, parameters}标准化Schema 动态发现：MCP协议或类似机制，支持运行时工具注册容错设计：超时重试、降级策略、人工确认兜底 4. 执行与反馈（Execution）原子动作执行器，支持同步/异步模式执行结果结构化解析（成功/失败/需澄清）异…

#百度#Agent#Agent 系统设计

面试题·Agent· 蚂蚁

模糊意图怎么补全?

匹配正文：…了" 维护槽位状态表：记录已确认、待确认、缺失的字段每轮更新对话信念状态（belief state），用结构化表示（如JSON）存储用户目标、约束条件、未完成项关键：区分用户明确陈述 vs 系统推断假设，后者需标记置信度 2. 意图推断策略——"猜用户要什么" 模糊类型处理手段信息缺失（如"转账"没提金额）槽位驱动追问：基于必填槽位优先级排序指代消解（如"那个账单"）上下文实体链接 + 对话历史编码语义漂移（话题跳跃）检测意图切换信号，重置或保留子状态 RA…

#蚂蚁#Agent#Agent意图补全

面试题·Agent· 字节

Agent 长期记忆架构与更新策略

匹配正文：…口的原始上下文直接送入大模型的标准输入 2. 短期记忆（Short-term Memory）最近N轮对话的完整记录按时间序列存储，支持快速回溯 3. 长期记忆（Long-term Memory）用户画像：偏好、习惯、人口属性（结构化存储）事件记忆：重要交互片段（向量化存储）知识记忆：用户专属知识（可结合RAG）存储与检索设计存储层类型存储方式示例用户画像关系型/文档数据库 JSON格式，支持原子更新事件记忆向量数据库 + 元数据摘要向量 + 时…

#字节#百度#Agent

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配口述回答：这道题其实问的是，在[[RAG]]系统里怎么切文本才能既保证语义连贯又不让检索跑偏。说白了，[[分块]]就是在上下文完整性和检索精确性之间找平衡。块太大，噪声多，[[embedding]]被稀释，精度掉得厉害；块太小，语义割裂，LLM拿到的上下文不够，答非所问。那具体怎么做呢？先说说几种常见策略的适用边界。固定长度分块，按token或字符数硬切，实现简单，适合快速上线，但对自然语言不友好，容易在句子中间断开。语义分块用embedding相似度判断边界，能保持语义完整，适合高…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配口述回答：这道题其实是在问，[[RAG]]系统里怎么把文本转化成机器能理解并快速检索的向量表示。核心是两个层面：一是怎么选[[Embedding]]模型，二是从原始文档到[[向量库]]的工程流程怎么落地。先说选型。很多人喜欢列一堆模型对比分数，但真正落地的时候，我的原则是任务驱动。通用语义检索场景，比如客服问答，我会优先考虑MTEB高分的[[双塔]]模型，像BGE、E5这些，它们在大规模语料上预训练过，泛化能力不错。但如果是代码或技术文档场景，比如企业内部SOP查询，我会换成Code…

#字节#Embedding 模型选型#RAG 向量化流程

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配正文：…与冗余成本四、元数据与向量化增强元数据保留：来源文档、章节层级、发布时间、版本号，用于检索过滤和重排序多向量表示：长文档同时存储文档级摘要向量 + 细粒度段落向量领域适配：用领域语料微调embedding模型，或训练领域特定的BGE/M3E 五、质量闭环建立清洗效果指标：分块语义完整性评分、术语覆盖率、信息密度通过检索命中率和生成事实性反向驱动清洗规则迭代学习建议建议系统学习该知识点

#字节#RAG 文档清洗#文档预处理

面试题·文档处理· 百度

分块策略怎么影响检索?

匹配口述回答：这道题其实问的是，在[[RAG]]系统里，怎么把文档切成合适的小块，既让检索能精准命中，又不把语义切碎。说白了，就是信息密度和语义完整性之间的取舍。先说几种常见的[[分块]]策略，以及它们各自该在什么场景用。固定长度分块，就是按token数硬切，比如512个token一段。好处是简单，向量索引对齐也方便，但问题很明显，可能一句话被拦腰切断，检索时上下文就丢了。[[滑动窗口]]分块会让相邻块保留一部分重叠，可能减少边界信息丢失，但代价是存储、计算与去重成本上升。窗口大小仍应作…

#百度#文本分块#chunking 策略

面试题·评估· 字节

召回策略怎么选? Recall@k 怎么看?

匹配正文：…路"——多路召回同一批文档 3. 业务约束延迟P99：向量检索<50ms，重排序<100ms 成本：embedding调用次数、存储规模三、端到端验证（最终标准）离线指标高 ≠ RAG效果好，必须回归：答案准确率（人工/模型评估）幻觉率（检索内容是否被正确使用）一句话总结：Recall@k是必要条件，但需结合NDCG保证头部质量，最终用端到端指标验收。学习建议建议系统学习该知识点参考资料 Stanford信息检索教材

#抖音#评估与监控#RAG 召回策略评估

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配正文：…级的场景效率指标 P99延迟：向量检索需关注HNSW索引构建与查询耗时 QPS/内存：BGE-M3需embedding服务和向量存储，BM25轻量权重考量与决策框架业务场景驱动（以抖音为例）：场景策略理由短视频标题搜索 BM25为主 + 向量重排标题短、关键词明确，BM25召回快视频内容理解/问答 BGE-M3为主需理解画面描述、口语化表达直播实时弹幕检索比较BM25、dense、缓存与混合方案依据实际质量、负载与端到端时延预算取舍，不存在由50ms…

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配正文：…排；或训练联合编码器，将结构信息注入向量表示 4. 动态更新与一致性难点：商品信息实时变化，图更新导致推理结果波动解法：版本化存储+增量更新：Neo4j/TuGraph支持时间戳版本；关键路径预计算结果做缓存，非关键变更异步更新 5. 缺乏标准化评测难点：传统RAG的评测指标不适用，图路径的可解释性难以量化解法：自建人工评测集，关注：事实准确性、推理路径可解释性、答案完备性；线上AB测试核心看用户转化率而非离线指标一句话总结：GraphRAG的瓶颈不在技术炫技，而在…

#淘天#知识图谱#评估与监控