匹配口述回答：…化任务，思维链解决复杂推理，角色设定激活特定知识真实场景：客服退款政策问答，用角色+少样本+CoT组合局限：不能突破知识边界，上下文窗口是硬约束，稳定性靠工程兜底约4分钟 Prompt Engineering与RAG结合是处理实时知识的更优方案面试官可能会追问：Prompt Engineering和RAG的边界在哪里？什么时候该用RAG而不是纯Prompt？

#百度#模型微调#Prompt工程

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配口述回答：…地最常见失败场景是检索召回不足或上下文被撑爆，需要检索和生成一起调优面试官可能追问RAG的系统设计难点，比如分块策略、检索精度与上下文窗口的平衡

#入门#基础概念#什么是RAG

面试题·知识图谱· 淘天

匹配口述回答：…定要压测P99。还有，如果业务文档本身质量差，比如全是[[OCR]]错字，那重排也救不了，得先清洗数据。再一个，上下文稀释。模型上下文窗口再大，有效信息被一堆无关段落淹没，注意力就散了，典型的就是Lost in the Middle现象。我的做法是动态上下文压缩，用个小模型先过滤一遍，只把高置信度的片段送进生成。另外文档排序也有讲究，把最相关的放首尾，中间放次相关的。这里和固定切分划个边界：如果文档结构清晰，比如技术文档有标题层级，用语义切分比固定Chunk好；但要是日志、…

← 上一页第 5 / 5 页

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

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 字节

向量库 vs 知识库 vs 符号记忆？

匹配追问：…衣服不合适'，'上次'是三天前。Agent要怎么记住那次对话和订单信息？你考虑过长期记忆用什么方案来存吗？层层追问 Agent的上下文窗口有限，更早的历史怎么处理？……用户问'去年双十一订单总金额'，这个精确数字怎么查？……如果还要记住用户说过的偏好，但又不能每次全量加载，你会怎么设计存储？直球架构在大模型Agent系统里，长期记忆通常有哪些存储方案？比较向量数据库、结构化知识库和外部符号记忆的优缺点，以及各自适合什么场景？

#字节#Agent#Agent 长期记忆

面试题·Prompt· 百度

Agent系统架构怎么选？

匹配口述回答：…箱，敏感操作比如写数据库或发消息，要额外鉴权。网络请求也要限流，防止工具被恶意调用。记忆这块，我分了三级。工作记忆就是当前对话的上下文窗口，用[[Sliding Window]]加摘要压缩，保证不超长。短期记忆用Redis存最近N轮对话和提取的实体，支持会话内的状态恢复。长期记忆用[[向量库]]存用户画像，但不是简单存对话历史，而是定期让LLM反思生成摘要，比如“用户喜欢晚上购物，常买母婴类商品”，然后[[embedding]]存起来。这样下次对话可以直接检索相关画像，不用…

#百度#评估与监控#Agent

面试题·Prompt· 字节

Agent架构设计原则？

匹配口述回答：…能理解的形式。这里有个关键点：不是所有输入都要完整塞给模型，我会先做意图识别，粗粒度分类加槽位抽取，然后对历史对话做摘要压缩，控制上下文窗口长度。这个压缩很关键，不然对话一长，模型就分不清重点了。然后是规划层，这是Agent的大脑。我会用 [[ReAct]] 或者 [[Chain-of-Thought]] 模式让模型一步步推理，把复杂任务拆成子任务。比如客服退款场景，用户说“我买的东西没收到，我要退款”，规划层会把任务拆成：先查订单状态，再确认物流信息，然后判断是否满足退款…

#字节#Prompt工程#Agent

面试题·Prompt· 字节

RAG生成阶段Prompt整合策略

匹配口述回答：…，比如先给答案，再标注引用编号，不确定就说信息不足。这样模型就知道该按什么顺序干活。第三层是长度优化。检索回来的文档可能很长，但上下文窗口有限。我一般会按句子边界截断，保留前N个token，或者用轻量模型对长文档做摘要压缩后再注入。这里有个动态选择策略，如果问题问得很细，比如「具体条款是什么」，那就用片段级，只取相关句子；如果问题比较泛，比如「这个政策的整体思路是什么」，那就用文档级，保留整篇。第四层是可追溯性保障。我会强制模型输出引用标记，比如[1]、[2]，生成后再做…

#字节#Prompt工程#RAG Prompt 设计

面试题·Prompt· 百度

Agent 核心组件怎么协作?

匹配口述回答：…、用户画像、领域知识存到 [[Vector Database]] 里，通过 [[RAG]] 检索出来。这里有个取舍：短期记忆受限于上下文窗口，太长会稀释注意力；长期记忆依赖检索质量，如果检索不准，反而会引入噪声。所以我会把关键信息放在短期记忆里，辅助信息走长期记忆。举个例子，用户问“深圳明天天气怎么样，适合穿什么”。Agent 先思考，然后调用天气 API，拿到结果 25 度、多云有雨。接着它根据这个观察再思考，有雨要带伞，温度适中穿薄外套。最后回答。整个过程就是 ReAc…

#百度#Agent#Agent 核心组件

面试题·Prompt· 字节

Agent 系统架构与 Prompt 设计原则

匹配口述回答：…s、required。输出强制JSON格式，预留thought字段暴露推理过程，这样出了问题能回溯。一个常见的坑是工具列表太长，上下文窗口被无关工具占满，LLM决策质量下降。所以我上线前会做工具按需加载，根据当前任务只加载可能用到的工具。举个例子，在客服退款场景里，[[Agent]]需要查订单、查退款规则、执行退款。规划层会先分解：先查订单状态，再匹配退款政策，然后判断是自动退还是转人工。执行层分别调订单系统、规则引擎。如果中间某个步骤失败，比如订单查不到，规划层要能触发…

#字节#Agent#Agent 系统设计

面试题·Prompt· 商汤科技

ReAct 之外还有哪些规划方法?

匹配口述回答：… 做离线优化。我最近在关注一个方向：当任务依赖多个外部系统时，比如既要查数据库又要调API，ReAct 的规划能力会受限于模型的上下文窗口，这时候怎么分治？我倾向于引入 [[Multi-Agent]] 架构，每个[[Agent]]负责一个子任务，通过消息传递协作。这个方案目前还在探索，但我觉得是未来处理复杂工作流的关键。所以整体上，我不会把任何一种方法当成银弹。我更倾向先分析任务的特性：工具调用频率、步骤确定性、是否需要长期记忆，然后组合一个最轻量的方案。定位问题本质：…

#商汤科技#Agent#ReAct 替代方案

面试题·Prompt· 字节

AI Agent 核心特点与局限

匹配口述回答：…应工具，最后综合判断根因。这听着很美好，但落地前提是工具接口稳定、权限严格控制。常见失败场景是Agent查日志时返回数据太大，模型上下文窗口撑爆，或者幻觉导致误判，把正常变更当成故障原因。上线我会特别关注错误累积，给每个中间结果加置信度阈值，分太低的不往下走，或者让人工介入确认。说到可靠性，我觉得现在最关键的瓶颈是从80%可用到99.9%可信。比如能不能让Agent自己验证自己的推理，像[[Self-RAG]]或[[Chain-of-Verification]]那样，需要系…

#字节#评估与监控#Agent

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配口述回答：…召回率和精确率，用[[混合检索]]，比如[[BM25]]加向量搜索，来提高覆盖率，再配合查询重写、重排来优化。另外，多文档可能超出上下文窗口，这时需要做摘要压缩或分层检索。还有一个坑是模型过度依赖检索内容，或者干脆忽略它，我一般会在训练时加入'无相关信息'的样本，或者调整prompt里检索文档的权重。说到多跳推理，比如需要跨文档关联信息的问题，RAG很容易断链。我最近在看[[Self-RAG]]，让模型自己判断是否需要检索、检索什么，然后反思生成结果，这样能缓解这个问题，但…

#淘天#阿里#RAG 架构

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配口述回答：…能理解“满减”语义，但BM25能精准匹配活动ID或商品SKU，两条腿走路才稳。检索出来Top-K比如100条，不能全扔给大模型，上下文窗口有限，而且噪声多。所以第二步是[[重排序]]。这里我会用 [[Cross-Encoder]] 做精排，把query和每个文档拼接打分，虽然慢，但精度高。粗排是 [[Bi-Encoder]] 快速筛，精排用Cross-Encoder挑出最相关的5-10条。这里有个坑：重排序分数低的不直接丢掉，要设个置信度阈值，低于阈值的触发兜底逻辑，比如告…

#美团#评估与监控#RAG 工作流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配口述回答：…query改写，扩展同义词或者澄清指代。检索到片段之后，怎么喂给生成模型？先按相关性排序拼成上下文，但得控制长度，一般不超过模型上下文窗口的30%到50%，留空间给指令和回答。Prompt设计上，我会明确说「基于以下参考资料回答，如果资料不足请说明」，同时要求模型标注引用来源，就是让它回答时带上「根据第X段」。这样能有效抑制[[Hallucination]]。如果检索分数低于某个阈值，我宁愿让模型说不知道，也不让它瞎编。举个例子，电商客服场景里，用户问「我退货为什么还要付…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配口述回答：…用 [[Cross-Encoder]] 做一次精排，把真正相关的文档提到前面，同时用 MMR 算法控制多样性，避免一堆相似内容挤占上下文窗口。第三层是压缩，因为大模型上下文窗口有限，不能把所有文档都塞进去，我会用 LLMLingua 或选择性上下文，把冗余信息去掉，只保留最核心的句子。这里有个坑：很多人以为只要检索够好就行，但实际落地时，重排序和压缩往往才是决定最终效果的关键。如果不做重排，模型可能被不相关的噪音误导；如果不做压缩，窗口一满，模型会丢失关键信息。举个例子，…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配追问：…混在一起回答——你觉得这种问题可能出在哪个环节？层层追问 RAG系统里检索回来的内容你怎么喂给模型？……如果一次检索了10段，但上下文窗口只能塞5段，你怎么办？……那你怎么保证选出来的5段是最有用的，而不是重复或者无关的？直球架构实现一个RAG系统，从检索质量、上下文处理、生成效果三方面，你觉得哪些技术细节最关键？常见的坑有哪些？比如分块策略、重排序、幻觉抑制这些，说说你的经验。

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配口述回答：…个是生成阶段的答案完整性，看大模型有没有因为缺少上下文而胡编。如果发现召回率低，就调小chunk size；如果答案不完整，就调大上下文窗口。这里其实还有一个延伸点：chunk size 是不是应该根据query动态调整？比如query很短很明确，小chunk就够了；query很长很模糊，大chunk反而更合适。我现在在做的一个方向就是根据query长度和意图，自适应选择不同粒度的chunk去检索，效果比固定大小要好。所以我的整体判断是：文档分段不是一次性的预处理，而是一…

#小鹏#文本分块优化#RAG 文本分段

Prompt Engineering 关键原则有哪些?

什么是 RAG？一句话讲清检索增强生成

RAG 系统痛点怎么破?

向量库 vs 知识库 vs 符号记忆？

Agent系统架构怎么选？

Agent架构设计原则？

RAG生成阶段Prompt整合策略

Agent 核心组件怎么协作?

Agent 系统架构与 Prompt 设计原则

ReAct 之外还有哪些规划方法?

AI Agent 核心特点与局限

RAG 核心架构与工作流程

RAG 流程各阶段怎么拆?

RAG 文档处理与检索策略怎么搭？

Context vs Prompt Engineering 区别?

RAG 系统有哪些常见陷阱?

RAG文本分段策略与重叠机制