匹配正文：…察直接结论 3. 需要可解释输出的业务场景医疗诊断、金融风控等高风险决策，要求输出可追溯的推理链条实现方式举例方式一：结构化CoT Prompt prompt = """请按以下步骤回答： [分析] 提取题目关键条件 [建模] 建立数学关系或逻辑框架 [计算] 逐步执行运算，展示中间结果 [验证] 检查结果合理性 [结论] 给出最终答案题目：{question}""" 方式二：ReAct框架（Agent场景） Thought: 我需要先查询用户账户余额 Action:…

#华为#逻辑推理引导#逻辑引导

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…制：动态生成子问题（Decomposition）基于中间结果决定下一步检索方向多源信息整合与交叉验证典型实现：ReAct/CoT + 浏览器工具 + 长上下文整合应用场景对比 RAG适合 Deep Research适合企业内部知识库问答行业调研、竞品分析客服机器人、文档助手学术研究、投资尽调医疗/法律条文查询需要多源交叉验证的复杂决策优缺点 RAG ✅ 成本低、延迟可控、结果稳定 ❌ 无法处理需要多跳推理的开放问题 Deep Research ✅ 信息…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：…题解决思路检索召回不足/噪声多混合检索、元数据过滤、查询扩展生成幻觉、不遵循上下文引用约束生成、细粒度Prompt、COT提示端到端延迟高检索缓存、流式生成、异步预检索

← 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

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…op-K截断提示工程角色设定：明确"基于提供的参考资料回答，不知道则说不知道" Few-shot示例：展示引用格式和拒答样例思维链：先让模型分析哪些文档相关，再生成答案三、流程层优化自适应RAG 检索判断：LLM先判断是否需要检索（Self-RAG风格）迭代检索：生成中发现信息不足，主动发起二次检索多跳推理：复杂问题拆解子查询，链式检索系统级缓存机制：高频查询结果缓存，embedding结果缓存反馈闭环：用户点赞/点踩数据回流，微调embedding或重排…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配正文：…ext Engineering 依赖外部实时/私有知识，需精准定位相关信息复杂多跳推理两者深度结合既需要高质量上下文，也需要思维链提示一句话总结 Prompt Engineering 是说话的艺术，Context Engineering 是选材的艺术；大模型应用从"调提示词"走向"建上下文系统"，是工程化成熟的标志。

#OPPO#Prompt工程#Context Engineering

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：…. 显式标注来源，方便生成阶段引用和溯源三、生成效果 Prompt设计明确指令："仅基于以下材料回答，不知道就说不知道" 加入CoT引导："先分析材料，再给出结论" 幻觉抑制要求模型生成引用标记，事后校验答案与原文一致性置信度打分：让模型自评答案可靠性，低置信度转人工常见陷阱检索内容多但生成忽略，需监控context utilization 多文档冲突时无仲裁策略，应提示模型说明分歧四、系统层面延迟优化：向量检索<50ms，重排序并行化，流式生成首token …

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·模型架构· 字节

Few-shot 推理为何有效?

匹配追问：ICL与CoT（思维链）结合时，机制上有什么变化？如果demonstration包含错误标签，为什么模型有时仍能表现良好？从训练数据角度，什么样的预训练数据分布更容易产生强ICL能力？场景切入假设你在做一个智能客服，用户给了几个例子说“帮我处理退款”，然后它就能自动识别后续的退款请求。你觉得为什么给几个例子模型就能学会？它内部是怎么做到的，跟它平时训练的那个“猜下一个词”的任务有什么关系？层层追问大模型做few-shot为什么效果还不错？……你觉得它真的在学新任务…

#上下文学习#预训练目标#隐式梯度下降

面试题·多模态· 快手

多模态 vs 纯文本大模型怎么选?

匹配口述回答：…bone的推理能力不够强。如果LLM本身推理能力弱，你给它再多视觉信息也没用。所以我在想，是不是应该先把文本backbone的[[Chain-of-Thought]]|思维链能力做扎实，再考虑多模态扩展？总结一下：我更倾向多模态方向，但会死磕文本能力，不做调包侠。我会把多模态看成业务落地的加速器，而文本是模型能力的底座。两者结合才是真正能用的东西。问题本质是选择技术方向与业务匹配多模态是趋势但文本是根基业务场景：快手的视频理解与电商导购核心挑战在模态对齐我的取舍：…

#多模态大模型#纯文本大模型#技术选型

面试题·Agent· 高德

Tool Calling 参数格式怎么保?

匹配口述回答：…式错误率和修复成功率。如果连续失败，得准备降级预案，比如切到规则引擎或人工兜底。另外，我最近在关注一个方向：怎么把约束解码和[[思维链]]结合起来，让模型在规划步骤时就预判参数合法性，而不是等到生成最后一步才发现格式不对。这个做好的话，能减少很多无效重试。所以总结一下，我更倾向把工具调用的可靠性看成分层防御体系：生成时约束做第一道墙，后处理做第二道，业务校验做第三道。没有银弹，关键是根据场景选对组合，并且把监控和降级做到位。本质是格式与语义双重可靠性约束解码 vs 后…

#高德#Tool Calling 参数格式#约束解码

面试题·Agent· 阿里

Agent 外部工具怎么集成?

匹配口述回答：…具设计也要考虑LLM的上下文窗口和推理深度。比如复杂任务，你可能需要让Agent先规划再执行，这又涉及到[[ReAct]]或者[[Chain-of-Thought]]的模式选择。这块其实值得深入。一句话定位：工具集成本质是给Agent装手接口标准化与参数校验的工程落地调用调度和错误处理的实际权衡真实业务场景：电商订单查询结尾给出可延伸点：工具粒度与LLM能力的关系约4分钟工具粒度需要根据LLM能力和延迟要求动态调整，不是越细越好。面试官可能会追问：具体怎么根据…

#阿里云#Agent#Agent 工具集成

面试题·Agent· 高德

多智能体系统怎么协同?

匹配口述回答：…。它的前提是任务确实能拆解成相对独立的子任务，而且拆解后的协作收益要大于通信和协调的成本。如果任务本身很简单，单Agent加个[[Chain-of-Thought]]就够用了，硬上多Agent反而增加复杂性。上线时我会特别关注通信延迟和冲突频率这两个指标，一旦发现冲突率超过10%或者通信延迟拖慢了整体响应，就得考虑调整调度策略或者合并Agent。总的来说，我更倾向把多Agent看作一种架构模式，在需要高容错、高专业度、高并行的场景下用，但设计时一定要把成本和收益算清楚。一句…

#高德#Agent#多智能体系统

面试题·Agent· 百度

Agent 反思机制原理与实现

匹配口述回答：…。它解决的是推理可靠性的最后一公里问题，前提是模型本身有一定推理能力。如果模型基础差，反思反而放大错误。更倾向的做法是，先用 [[Chain-of-Thought]] 做基础推理，然后按需加反思，再配合记忆做长期优化，这样既控制成本又提升效果。一句话定位：反思是Agent的元认知，本质是自我纠错两种实现方式：内嵌式ReAct和迭代式Refine，落地常结合业务场景：客服退款流程，反思修正工具调用风险与前提：反思本身消耗Token，可能陷入循环工程师取舍：反思是保底机…

#百度#Agent#Agent 反思机制

面试题·Agent· 快手

多Agent协同怎么提升推理正确率?

匹配口述回答：…置信度差异很大。提升正确率的具体手段，我重点讲两个。一个是异构设计，就是让不同Agent用不同的模型或提示策略，比如一个用 [[Chain-of-Thought]]，一个用 [[Self-Consistency]]，这样能降低系统性错误。另一个是回溯机制，比如某个Agent算出来结果明显异常，就触发其他Agent重新分析或者Manager重新分解任务。这里有个坑：如果Agent之间通信太频繁，延迟会爆炸，所以上线前我会特别关注每轮通信的上限和超时处理。不过说实话，多Age…

#快手#Agent#多Agent协同

面试题·Agent· 字节

工具集设计关键因素?

匹配口述回答：…于把常用操作封装成中等粒度的工具，比如search_flights、book_flight，复杂任务再通过[[ReAct]]或[[Chain-of-Thought]]组合调用。再一个关键是工具描述。模型能不能正确调用，百分之八十靠描述。我一般会在description里写清楚触发场景和参数含义，比如“当用户问房贷月供时调用，本金单位是万元，利率是年化百分比”。如果参数有默认值或边界，我也会写进去，比如“贷款年限不超过30年”。这样能减少模型瞎填参数的情况。调用机制上，我会…

#字节#Agent#Agent 工具集设计

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配口述回答：…是知识库覆盖、检索准确、生成可控。它和微调是互补关系，微调管模型的行为和风格，RAG管外部知识。碰到逻辑推理问题，我会优先考虑[[Chain-of-Thought]]或者Self-RAG。一句话定位：事实性幻觉 RAG的核心前提：知识库覆盖度、检索准确性、生成可控性业务例子：客服退款政策边界与风险：RAG不解决忠实性幻觉，落地需混合方案判断收尾：RAG是基础设施，不是银弹约4分钟知识库频繁更新时，GraphRAG比纯向量检索更稳定，但工程复杂度高。面试官可能会追…

#京东#知识型幻觉#RAG 幻觉

面试题·评估· 百度

RAG 架构怎么工作?

匹配口述回答：…是，RAG适合知识更新快、需要溯源的场景，比如客服的退款政策、企业SOP；微调适合让模型学会特定风格或推理模式，比如医疗诊断的[[思维链]]。实际项目里我经常两者一起用，微调让模型更听话，RAG给它最新知识。所以总的来说，RAG不是万能药，但它确实是当前落地大模型最务实的一条路。我会把它看成是"给模型配一个可更新的外部大脑"，核心是把检索的确定性注入到生成的开放性里。一句话定位：RAG本质是给LLM外挂可更新的知识库两阶段架构：离线索引与在线检索+生成核心优势：缓解幻…

#百度#评估与监控#RAG 架构

面试题·模型微调· 同花顺

Agent 规划能力怎么训练?

匹配口述回答：…实还有一个延伸方向，就是怎么让规划过程可解释。比如用[[Self-Consistency]]做多轮采样，选最一致的路径，或者用[[Chain-of-Thought]]把每一步的推理理由暴露出来，这样即使任务失败了，也能定位是哪一步出的问题。所以整体来看，我更倾向于把规划能力训练看作一个系统工程，数据、奖励、搜索策略缺一不可，而且一定要跟业务场景匹配。比如客服退款这种场景，短程多步规划就够用，重点在错误恢复；而企业SOP合规这种长程任务，才需要上MCTS。评估的时候我主要看任…

#同花顺#Agent#Agent 规划能力

面试题·Agent

ReAct 框架是什么?

匹配追问：概念辨析 ReAct 和 Chain-of-Thought 都强调"让模型先思考",两者的本质区别在哪?什么样的问题光有 CoT 不够、必须上 ReAct? 追问边界 ReAct 每走一步都要调一次大模型,延迟和成本都上去了。什么样的任务其实不该用 ReAct?你会怎么设计退出条件防止它死循环?

#入门#基础概念#ReAct 框架

面试题·Prompt· 科大讯飞

Prompt 设计原则有哪些?

匹配口述回答：…教学示例包装成亲历方案。题目本质是问Prompt工程在真实项目中的系统化落地四层结构作为基础模板动态上下文管理与少样本设计思维链触发与迭代优化工程化实践与风险意识约4分钟 RAG引入后需要做Faithfulness校验，确保模型输出与检索文档一致。面试官可能会追问Faithfulness校验的具体实现方法，比如如何判断一致性、是否用额外模型打分、或者如何处理检索噪声。

#科大讯飞#阿里#Prompt工程

面试题·Prompt· 百度

Prompt 工程最佳实践有哪些?

匹配口述回答：…动可消融、结果可复现，能力缺口不靠继续堆 Prompt 掩盖。点题：prompt工程本质是沟通方式模式选择：Few-shot+CoT vs 结构化角色，落地常混用业务案例：客服工单分类，格式不稳与术语偏差设计原则：指令分层、动态示例、A/B测试收尾+可延伸点：ReAct模式下的工具描述粒度约90秒 ReAct模式下工具描述粒度要分层，关键指令前置避免长上下文失效追问会涉及如何设计工具描述、如何处理长上下文、ReAct与Function Calling的区别

#百度#Prompt工程#Prompt 工程实践