匹配正文：…将错误JSON+错误信息再次输入，请求修正（1次重试上限）成本意识：L3重试触发率应控制在<2%，否则回退到提示词优化实际场景选型场景推荐组合原因实时Agent工具调用 Schema约束 + 轻量后处理延迟敏感，容忍偶发重试批量数据生成 Grammar-based + 完整后处理准确率优先，可并行多租户SaaS 动态Schema + 沙箱校验隔离用户自定义结构避坑：不要同时叠加多层强约束（如Grammar+Schema），状态空间爆炸会导致解码极慢。 …

#阿里云#Prompt工程#Agent

面试题·Prompt· 商汤科技

ReAct 之外还有哪些规划方法?

匹配正文：…ToT、Plan-and-Execute、Reflexion等）准确描述每种方法的核心机制清晰对比与ReAct的异同（单步vs多步、是否显式规划、是否带反思等）能根据场景特点给出选型建议主流规划方法对比 1. Chain-of-Thought (CoT) 核心：显式生成中间推理步骤，"Let's think step by step" vs ReAct：纯推理无行动，无外部工具调用；适合纯文本推理任务适用：数学计算、逻辑推理、代码生成 2. Tree-of-Thou…

#商汤科技#Agent#ReAct 替代方案

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：…引结构检索优化：自动路由、重排序、递归检索、子问题分解数据连接器：150+种数据源开箱即用（PDF、SQL、Notion等）选型建议场景推荐框架原因多步骤Agent（数据分析→生成报告→邮件发送） LangChain 需要复杂的状态管理和工具编排百万级文档知识库问答 LlamaIndex 索引分层、查询优化、响应速度更优快速原型验证两者皆可 LlamaIndex上手更快，LangChain更灵活生产级混合系统组合使用 LlamaIndex管检索，Lan…

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

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：…entSummaryIndex等检索优化：自动检索器选择、混合搜索、重排序（rerank）、递归检索查询引擎：支持子问题分解、多文档对比、结构化数据查询选型决策优先选LangChain 需要调用多个外部工具/API的复杂Agent 工作流涉及条件判断、循环、人工介入审批多模态任务编排（LLM+图像生成+代码执行）优先选LlamaIndex 企业知识库场景：海量文档（10万+）的高效检索需要精细控制检索策略（分层摘要、知识图谱增强）数据源多样且需要自动化解析（非…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：…缩/摘要）→ 生成核心改进：查询优化：HyDE（假设文档嵌入）、Query2Doc 精排策略：Cross-encoder重排、多路召回融合上下文处理：Recomp压缩、选择性上下文适用：企业知识库、产品手册等噪声多、需精排的场景 3. Modular RAG（模块化/Agent化）架构：检索与生成解耦，支持多轮迭代、主动决策关键能力：模块功能检索器可切换（向量/图谱/搜索引擎）调度器判断是否需要检索、何时停止生成器支持Self-RAG（反思toke…

#淘天#RAG架构分类#RAG 分类

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：…ff · tradeoff 为什么采用这套 RAG 架构，而不是关键词搜索、直接长上下文、微调或更简单的问答流程？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：垂直领域 RAG 完整架构、Agent 中 RAG 瓶颈怎么破?。 5. metrics · metrics 你所说的效果改善具体是哪一个指标？基线、评测集、样本量、统计窗口和单变量实验分别是什么？考…

#模拟面试#简历项目#连续追问

求职指南·RAG

RAG 评测集与 bad case项目模拟面试

匹配正文：…步：extension。配套学习：大模型应用怎么保障可靠性?。 11. extension · extension 如果业务新增多语言和多租户，怎样保持不同切片可比，同时避免客户数据进入错误评测集？考察重点：测试约束变化后的迁移、容量和风险判断能力。容量、数据量或租户增长的量化模型新约束下的方案调整与代价配套学习：Agent 如何防越权与隐私泄露?。评分与复盘 dimension：ownership 0：只会复述团队目标，无法说明本人职责。 1：能说出参与模块，但…

#模拟面试#简历项目#连续追问

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：…监控、限流、灰度,这些都是大模型应用上线时的硬需求。数据处理能力:文档解析、清洗、索引、数据库、消息队列,正好对应 RAG 和 Agent 的底层管线。排障能力:线上问题定位、性能瓶颈、用户反馈闭环,比“调一个 demo”更接近真实岗位。业务理解:知道需求怎么变、用户怎么提问、系统怎么接入现有流程,这是很多纯算法背景候选人反而缺的。这也是为什么后端工程师转大模型应用开发:已有经验怎么迁移要单独写一篇:后端不是从零转行,而是在原有工程底座上叠一层模型能力。但不要把应用…

#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：…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/微调让模…

#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：…学一遍,真正要吃透的是一小批"每天做工程决策都会碰到"的概念:Token、上下文窗口、温度、Embedding、向量检索、RAG、Agent、评估指标这些。标准不是能背定义,而是能一句话讲清、还能说出它影响哪个工程取舍。这篇给你一张核心概念清单和"懂到什么程度"的可操作标准。作者:吴师兄 | 适合:准备转大模型应用开发、想知道概念地基要打到多深的人 | 前置:知道应用岗和算法岗的区别,不需要机器学习背景到底要懂哪些概念:一张清单表先给结论:应用开发要懂的概念不超过一打,…

#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：… 推理服务吞吐设计、请求批处理(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…

#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：面试官要的不是「你做过多大的项目」,而是「你在项目里做过多少真实的技术决策」。一个自己从零搭、每个环节都讲得清为什么的 RAG 或 Agent 系统,胜过任何跑通就完事的教程 demo。项目经验是可以在 4-8 周内攒出来的,前提是做的方式对——带评估、留 badcase、每个取舍都能讲清。作者:吴师兄 | 适合:想转大模型岗但手里没有「像样项目」的在校生和后端工程师 | 前置:了解应用岗和算法岗的区别,大致知道 RAG / Agent 是什么没在公司做过 ≠ 没有项目经…

#求职#职业转型

求职指南·求职

手把手把 RAG 教程做成"你自己的"项目

匹配正文：…张能手画的架构图 + 每个模块职责 "把你的链路画一下,数据怎么流" 文档预处理与切分 chunk 策略 + 大小的对比数据 "切多大、为什么、试过别的吗" Embedding 选型选了哪个模型、和备选的对比 "为什么这个 embedding,维度/成本怎么权衡" 检索召回·混合检索向量+关键词混合的召回对比 "只用向量行不行、混合提升了多少" 重排与检索优化加 rerank 前后的指标变化 "rerank 解决什么问题、值不值这点延迟" Query 理解与改写改写/…

#求职#职业转型

求职指南·求职

大模型岗面试流程全解:每一轮考什么、怎么准备

匹配正文：…层追问。这是整份准备里投入产出比最高的地方,务必先补。八股部分按岗位方向抽,不会全都问: RAG 方向:检索链路(切块策略、嵌入选型、混合检索、重排)、评估指标。 Agent 方向:工具调用与规划(Function Calling、ReAct、失败恢复、多步编排)。微调方向:LoRA/QLoRA 原理、数据构造、灾难性遗忘。推理方向:KV Cache、量化、批处理与吞吐优化。这些在领域八股速通里按模块整理好了,题库入口在 /questions,每道题有书面答案和口语版…

#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：…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,能说清编排与失败兜底 30 行最小 Agent、Agent 项目实战「熟悉主流开源模型」知道 Qwen/Llama/DeepSeek 等各自特点、会按场景选型在项目里实际换几个模型跑,记住体感差异「熟悉 LangChain / Lla…

#求职#职业转型

求职指南·求职

项目深挖:面试官会怎么一层层追问你的项目

匹配正文：…过"就停,前面讲得再顺也白搭。完整的 RAG 教程 10 章正好覆盖这条链的每一环,建议边学边把每章的产出记成一份项目文档。【Agent 项目追问链·核心】Agent 的链更长、更容易断在工程环节结论先行:Agent 项目的追问链比 RAG 更长,因为它多了 loop、权限、失败恢复这些工程环节,而这些正是最容易只讲功能、答不出细节的地方。追问点面试官想验证什么你该怎么答(带证据) 站内哪里补任务定义你解决的任务边界清不清说清 Agent 要完成什么、输入输…

#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：…估、可控成本的系统。面试官要的是权衡:数据怎么切、检索怎么召回、效果怎么评、成本和延迟能不能扛、模型挂了怎么降级。编码环节反而轻,多是基础数据结构/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…

#求职#职业转型

面试题·Agent· 阿里

主流 LLM 应用产品怎么选?

匹配口述回答：我觉得这道题其实是在问，技术选型怎么和产品价值对齐。我选两个有代表性的产品，一个是阿里的通义千问，另一个是科大的讯飞星火。通义更偏向C端通用问答，星火更偏向B端办公自动化。它们的核心差异在于，通义走的是 [[RAG]] 路线，强调知识广度，能联网搜、能读长文档；星火走的是 [[Agent]] 路线，强调行动深度，能把一句话需求拆成步骤，调用插件完成闭环。但真正落地的时候，很少只用一种，往往是RAG加Agent混着来。具体说一下场景。比如电商客服退款场景，用户问「我买的东西降…

#阿里#科大讯飞#Agent

面试题·Agent· 小红书

长历史行为怎么处理?

匹配正文：…型总结历史中等长度、需语义连贯摘要质量依赖模型，有信息损失分层记忆工作记忆(短期) + episodic记忆(长期) 复杂Agent、多轮深度交互架构复杂，需设计记忆写入/读取逻辑检索增强历史向量化，按需检索Top-K 超长历史、稀疏访问检索延迟，需维护向量索引小红书场景建议混合架构：近期对话（如50轮）：直接保留原始文本，保证细节中期历史：滑动窗口摘要，每20轮生成一段摘要远期记忆：关键事件（种草商品、决策节点）向量化入库关键设计：记忆写入：识…

#小红书#Agent#长历史行为处理

面试题·Agent· 淘天

LangGraph 状态机与场景

匹配口述回答：…其实引出一个问题：你怎么保证Agent不会在循环里出不来？所以，我更倾向把LangGraph看作一个工程框架，它解决的是“怎么把Agent的闭环落地成代码”的问题，而不是一个魔法工具。选型时我会问自己：这个场景需要环吗？如果不需要，用LCEL就够了。如果需要，LangGraph是首选，但一定要把状态和终止条件设计好。一句话定位：LangGraph以有向状态图编排，支持循环与显式状态更新典型场景：多轮对话、代码调试、审批工作流状态机机制：全局状态+checkpoint+…

#淘天#LangGraph 状态机与场景#LangGraph 适合什么场景？状态机与复杂工作流

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程（索引-检索-生成）的完整理解向量数据库选型与优化要点检索策略（稠密/稀疏/混合）的权衡实际落地中的关键挑战（幻觉、时效性、多跳推理） RAG与微调的结合思路一、技术原理 RAG的核心思想：用外部知识弥补大模型的知识截止和幻觉问题，把LLM从"闭卷考试"变成"开卷考试"。标准流程三步走：索引（Indexing）：文档切分→Embedding编码→向量库存储检索（Retrieval）：Query向量化→相似度搜索→Top-K召回生成（Ge…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：答案要点识别RAG的核心优势（知识时效性、可解释性、成本可控）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…

#美团#RAG 局限性#RAG 优化方向

面试题·Prompt· 高德

CoT vs ToT vs GoT 怎么选?

匹配追问：场景切入假设我们要做一个电商客服Agent，用户问“我想退货，但找不到订单了”，Agent需要先查订单、再校验资格、最后生成退货流程。这种多步任务，你会怎么设计它的推理过程？层层追问现在大模型做复杂任务，你觉得最关键的瓶颈是什么？……那怎么让模型一步步推理呢？……如果一步推理不够，需要探索多条路径呢？……再进一步，如果有些步骤可以合并或循环优化，又该怎么做？直球架构请系统介绍提升大模型规划能力的方法，比如CoT、ToT、GoT，重点讲原理、适用场景、优缺点，以及实际…

#高德#CoT ToT GoT 对比#大模型规划能力

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配正文：…推荐，实时获取用户画像数据 Function Calling / 结构化输出定义工具schema，让模型生成可解析的调用参数是Agent落地的工程基础，保证与后端系统的可靠对接四、高阶优化方向方法核心思想适用阶段 Prompt Tuning 学习软提示向量，冻结模型大量相似任务，需降低推理成本 Auto-CoT 自动聚类生成多样化推理示例缺乏人工标注时提升Few-shot效果选型建议简单任务（分类、摘要）：Zero-shot + 清晰指令复杂推理（数据分…

#小红书#提示工程方法#Prompt 技术