匹配正文：…rature减少发散，或改用CoT激发推理能力 3. 反馈闭环机制收集"检索准但生成错"的样本，构建针对性训练集引入Self-RAG或迭代生成：让模型先生成、再自检、后修正三、快速决策口诀现象诊断结论优先动作换人工文档后变好检索问题优化Embedding、调整分块策略人工文档仍差生成问题优化Prompt、微调模型、改进上下文格式长文档效果好、短文档差信息整合不足加CoT、多文档融合Prompt 部分问题好、部分差领域适配不足针对性SFT、RA…

#上下文压缩#生成调优#RAG 效果诊断

面试题·评估· 字节

知识库更新策略怎么选?

匹配正文：…量切换索引双版本：同时维护新旧索引，AB测试对比召回率更新窗口期：低峰期执行，避免查询抖动 embedding模型热更新：模型迭代时，评估向量空间漂移影响关键权衡：实时性 vs 成本 vs 准确性，需按业务场景选择（如客服FAQ可接受分钟级延迟，股票数据需秒级）。

#字节#评估与监控#RAG 知识库更新

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配正文：五大技术范式对比范式核心原理适用场景优缺点典型案例提示工程通过指令设计激活模型能力通用问答、格式转换零成本、易迭代；受模型能力上限约束客服话术生成上下文学习(ICL) 示例驱动，无需参数更新小样本分类、风格迁移灵活快速；受上下文长度限制工单分类、情感分析微调(SFT/PEFT) 领域数据适配模型参数垂直领域、稳定需求效果深度定制；数据/算力成本高滴滴司机调度策略模型 RAG 检索+生成，外挂知识库知识密集型、需可解释解决幻觉、实时更新；…

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

#滴滴#模型微调#Agent

面试题·模型微调· 科大讯飞

Prompt 怎么设计和优化?

匹配正文：… 任务与失败定义：输入、输出、错误类型、主指标和线上约束。初始基线：模型及版本、原 Prompt、解码参数、评测集和基线结果。迭代过程：每轮只改变有限变量，例如指令分层、上下文、示例选择、结构化输出或校验。因果验证：固定模型与数据做单变量对照，按切片报告质量、格式成功率、延迟和成本。上线治理：版本化、灰度、回归集、监控、回滚和敏感输入处理。事实填空任务是【真实任务】，模型版本【】，基线 Prompt【】，评测集【来源/规模/切分】，主要错误【】。我负责【】；第一个…

#科大讯飞#阿里#模型微调

面试题·模型微调

生成质量差怎么调优?

匹配口述回答：…型检查答案是否覆盖了文档里的关键点，漏了就重试或提示。其实还有一个方向值得关注，就是让模型自己反思生成质量，比如 [[Self-RAG]] 的思路。它不是在生成后校验，而是在生成过程中就判断要不要检索、要不要引用，动态调整。我觉得这可能是下一代[[RAG]]的方向，比静态调参更灵活。所以整体上，我会把这个问题看成一条迭代链路：先诊断根因，再按成本从低到高尝试，每一步都要有评估指标，比如忠实度、连贯性。我更倾向于先用Prompt和上下文处理解决80%的问题，剩下20%再考虑…

#RAG 生成质量#指令遵循#生成模块调优

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配正文：…高；电商领域商品属性繁杂，schema设计困难解法：采用弱监督+主动学习循环：先用LLM生成候选三元组，人工审核高置信度样本，再迭代优化；schema采用自底向上演化，而非一次性完美设计 2. 多跳推理：准确性与效率的权衡难点：2跳以上推理错误率指数上升；图遍历的延迟难以满足在线要求解法：预计算+剪枝策略：离线计算高频查询路径的子图索引；在线用GNN做路径排序，优先扩展高相关性邻居；复杂查询降级到子图+向量混合检索 3. 图检索与向量检索的融合难点：纯图检索召回不足，…

#淘天#知识图谱#评估与监控

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…（Sparse）混合，召回率与精确率平衡实时索引更新机制，解决知识时效性问题关键权衡：架构与训练改动成本较高，也需要持续评估；RAG 与 Agent 更易按模块迭代，但检索、工具调用和多轮生成会增加延迟。应固定任务、评测集和预算，再比较事实正确率、引用支持率、延迟与成本。延伸阅读 DPO 原论文 DeepSeekMath：GRPO 的 critic 与奖励定义 Self-RAG 原论文

#百度#对话模型准确性#模型架构优化

面试题·RAG· 小红书

用户兴趣模型：数据与特征取舍

匹配正文：…析做增减稳定性保障影子流量验证新模型，KS检验分布漂移设置兴趣衰减因子（如7天无交互权重×0.5），防止僵尸兴趣五、评估与迭代离线：AUC、GAUC、多样性指标（ILS）线上：人均消费时长、互动率、留存 badcase分析：定期抽样"不感兴趣"反馈，反向优化学习建议建议系统学习该知识点

#小红书#用户兴趣建模#用户兴趣模型

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：…y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：正则/关键词匹配高风险内容模型审核：用独立的安全模型做二分…

#快手#人工反馈控制#人工干预 LLM 生成

面试题·RAG· OPPO

排序模型初始权重怎么设?

匹配正文：核心思路搜索排序的初始权重设定本质是多目标权衡的冷启动问题，需要在数据不足时给出合理先验，再逐步迭代优化。常用方法 1. 人工先验法（最常用）业务专家根据场景设定：如新闻搜索时效性权重 > 通用搜索规则化公式：如 score = 0.6*rel + 0.3*hot + 0.1*time 优点：快速上线、可解释；缺点：主观性强 2. 统计启发法分析历史点击数据，计算各特征与CTR的相关系数作为初始权重参考对特征做min-max或z-score归一化，消除量纲影响 3…

#OPPO#排序初始权重#排序模型权重设定

面试题·RAG· 字节

上下文错误时怎么保证输出准确?

匹配口述回答：…，同一个问题多次采样，取高频答案；如果结果很离散，就标记不确定。这有点像 [[Self-Consistency]] 的思路，但用在RAG里要控制采样次数，不然延迟太高。最后是系统层的持续迭代。用户反馈闭环肯定要做，点赞点踩数据回流到知识库修正队列。另外我会用 A/B 测试监控事实性错误率，对比不同检索策略的效果。但说句实话，这些策略都有代价，严格校验会增加延迟和成本，所以一定要按场景分级。比如客服闲聊可以宽松点，但医疗诊断、法律文书就必须多重校验。这里有个我特别想展开的点…

#字节#错误上下文处理#RAG 上下文错误

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配正文：…时需把query和document两端单位化。度量应匹配模型训练方式。学习建议建议先掌握向量嵌入和余弦相似度的基本概念，再结合RAG架构理解检索流程，通过动手实践使用Sentence-BERT等模型进行文本编码和相似度计算来加深理解。参考资料 Faiss官方度量与归一化 Faiss官方索引、增量与存储 Sentence Transformers官方向量量化 IRCoT原论文:多步推理与迭代检索

#字节#向量语义召回#Embedding 语义召回

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：…把 Java 经验丢掉。大模型应用里的服务化、接口设计、数据处理、稳定性、排障,都是后端优势;Python 主要用于模型生态和实验迭代。先做 RAG 还是先做 Agent? 大多数人先做 RAG。RAG 更接近企业知识库和问答场景,面试追问也更稳定;Agent 可以作为第二项目或加分项,用来展示工具调用、任务规划和长程执行能力。只靠自学能走完这条路线吗? 能走完主线,前提是你能持续写代码、复盘错误、找人做面试校准。需要陪跑时,再看大模型训练营,它更适合已经想清楚方向、需要…

#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：…要什么,先读大模型应用开发岗一天在做什么?细分岗位画像,再按岗位画像去看题库模块。不要只看岗位名,同样叫“大模型工程师”,有的偏 RAG,有的偏推理部署,有的偏训练数据。 “边界模糊”到底是什么意思边界模糊不是说所有人都要变成全能选手,而是应用和算法开始在几个地方交汇: RAG 与微调的取舍:以前应用岗只问怎么检索,现在会问什么时候需要 LoRA/SFT。 Agent 与训练数据:复杂 Agent 需要高质量轨迹数据,应用工程师要能理解数据怎么来。评估驱动迭代:算法岗关心…

#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：…62 题。这和应用落地趋势一致:企业不是只问“你知不知道大模型”,而是追问“你能不能让它稳定工作”。能力为什么重要对应准备 RAG 工程企业知识库、客服、文档问答最常见 RAG 智能问答系统 + RAG 基础题 Agent 工程工具调用、自动化流程、研发助手需求增加 Deep Research Agent + Agent 题库评估与监控没评估就无法上线迭代评估与监控题库 Prompt 与工具调用仍是应用开发的高频入口 Prompt 工程题库重排与检索优化 …

#求职#职业转型

项目实战·Agent

第 5 章:训练数据构造,种子 → 轨迹 → 增强

匹配正文：…迹数据数据构造分两层,先有「问题」,再有「做这些问题的完整过程」: 种子数据(seed):一批高质量的调研问题。比如「中小规模 RAG 项目,向量库选 Milvus、Qdrant 还是 pgvector」。它是整个数据的源头。轨迹数据(trajectory):针对每个种子问题,一条完整的「怎么一步步做出来」的过程:Thought → Action → Observation → … → Final。这才是模型真正要学的东西。概念 2:一条「轨迹」长什么样轨迹就是把第 …

#Agent#Deep Research#项目实战

求职指南·求职

工作三年的 Java 后端转大模型:在职怎么转、什么时候跳槽

匹配正文：…,而是都做了迁移:把旧经历里真正值钱的工程能力,放到大模型应用的场景里重新证明。你现在的第一步,不是删掉过去,而是找到过去经验和 RAG/Agent 项目的连接点。常见问题 Java 后端转大模型要不要裸辞? 大多数情况下不建议。先在职做项目、改简历、小范围投递,等项目和面试反馈达标后再决策。裸辞会放大焦虑,也会压缩试错时间。只会 Java,不会 Python,会不会卡住? 会影响上手速度,但不是硬伤。Python 主要用于模型生态和实验迭代;后端能力仍然有价值。建议用 …

#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：…不上来的地方,就是回去补项目、补评估的信号。微调和提示工程,入门阶段该先学哪个? 先吃透提示工程,它是每天都用的基本功,成本低、迭代快。微调只在提示怎么调都达不到效果、且你有数据时才考虑。入门先把提示和 RAG 做扎实,微调作为进阶概念了解即可。相关阅读数学和理论到底要补多少才够转大模型大模型应用开发的技术栈全景与学习顺序 LLM、Token、Agent 到底是什么 RAG 基础概念题库,用做题检验概念

#求职#职业转型

项目实战·Agent

第 8 章:评估:调研类任务没标准答案,怎么定义「好」

匹配正文：…每个维度打的分;你设的「权重」= 你对「这个任务什么最重要」的判断。把开放质量拆成带权重的维度,这个思路和工业界的评估框架(以及 RAG 的评估)完全一致。 🎯 Part 2 · 面试深度｜ ~45% 这部分把自动化评估的方法和陷阱讲透。这些是 Agent / RAG 评估的高频考点,也是最容易暴露「有没有真做过」的地方。 2.1 LLM-as-a-Judge:用强模型当裁判人工评估准,但贵且慢:几百上千条轨迹靠人一条条看,迭代根本跟不上。两种评估方式各有取舍: 人工 …

#Agent#Deep Research#项目实战

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：…是同一个错误的四种表现:用确定性系统的世界观,去做一个概率系统。避坑的总原则是——凡是涉及模型输出质量的地方,先想「怎么量化、怎么迭代」,而不是「怎么一次写对」。具体反例:把「Spring Boot 微服务」改个标题就投一个很常见、看起来很聪明其实一戳就破的做法:把简历里「基于 Spring Boot 的订单微服务」的标题直接改成「大模型订单智能系统」,技术栈后面加上 LLM、RAG 几个词,项目内容一个字没动就投出去。这为什么没用?因为标题骗得过关键词筛选,骗不过追问…

#求职#职业转型

求职指南·求职

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：…一追问就露馅,这也是面试官最容易识别的「假项目」信号。在职时间太碎,4-8 周真能攒出来吗能,但要聚焦。别拼数量,只做深一个 RAG:换业务语料、建 50 题评估集、留 badcase、做一次完整效果迭代。把你已有的后端工程经验翻译进项目里,这恰恰是应用岗最稀缺的能力。想要有人带着做、带真实付费业务背景的项目,可以看训练营。相关阅读把 RAG 教程做成你的项目具体要产出什么怎么从零做一个能写进简历的 Agent 项目简历三维表达法怎么把项目写到可被追问的粒度按简…

#求职#职业转型

求职指南·求职

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

匹配正文：…arness(agent loop、工具 schema、记忆、权限确认、失败恢复、trace、评估、成本)一层层做扎实,并留下和 RAG 项目一样完整的证据链。正确的做法是从 30 行的最小 Agent 起步,先把"决策—调用—观察—再决策"的循环跑通,再逐步长成 Deep Research 这类多步任务系统,每加一层都留下能被面试官追问的痕迹。作者:吴师兄 | 适合:想主打 Agent 方向、要攒一个能进简历的自建项目的人 | 前置:会用 Python 调一次大模型 AP…

#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：… 结果如何(结果)"。下面用站内两个教程项目做示范,数字均为示意口径(标注为经验值),你要换成自己真实测出来的。三维该写什么 RAG 智能问答系统示例 Deep Research Agent 示例工程维度架构/状态/工具/权限/监控/成本文档解析 → 分块 → bge 向量检索 + 重排两路召回,加检索失败兜底与查询改写,接入调用日志监控单次成本 ReAct 迭代循环 + 工具注册(搜索/抓取/计算),长程记忆做上下文压缩,关键工具调用加权限确认与 trace 回放…

#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：…)数据分阶段喂 → RL 阶段用 DPO/GRPO 等做偏好对齐 → 工具调用轨迹数据训练 Agent 行为 → 再回到评估和数据迭代。它依赖大量高质量标注、稳定的训练基础设施、专门的评估体系,一个人在自己机器上基本复现不了全貌。给你的定位建议:应用开发岗自学到"能做一个有评估的轻量 LoRA/SFT、能讲清 RAG/Prompt/微调取舍"就够了,再往上是应用算法和研究生算法向的战场。想看这套训练闭环在一个真实 Agent 项目里怎么落地,可以读 Deep Researc…

#求职#职业转型