匹配正文：…链分析、事件时序推理 3. 需要可解释性的决策场景医疗诊断、法律分析、风险评估用户需要理解"为什么"而不仅是"是什么" 4. Agent规划与工具调用任务分解为子步骤，每步决定调用哪个工具错误时可回溯到具体步骤定位问题作用机制与示例核心机制：将隐式推理显式化，通过"思考→行动→观察"的循环，利用自回归特性逐步生成中间状态。示例对比（数学应用题）：方式输入输出标准Prompt "小明有5个苹果，给了小红2个，又买了3个，现在有几个？" "6个"（可能错） …

#华为#思维链 CoT#Chain-of-Thought 使用场景

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：… → Action → Observation，多轮交互获取精确信息多工具编排：搜索引擎+计算器+代码解释器，按场景路由知识库构建向量检索（Dense）+ 关键词匹配（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 De…

#百度#对话模型准确性#模型架构优化

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：一、整体架构：四层分离设计用户层 → 网关层（权限/审计）→ 编排层（Agent/Router）→ 服务层（检索+生成+知识管理）核心原则：检索与生成解耦、领域知识分层管理、全链路可追溯二、数据源与知识库构建层级内容处理方式更新频率权威库诊疗指南/法典/药品说明书结构化抽取+人工审核月度案例库判例/病例/专家经验向量化+元数据标注实时实时库最新文献/政策/新闻爬虫+轻量审核小时级关键处理：医疗：ICD编码对齐、药品相互作用图谱构建法…

← 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

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：…LlamaIndex上手更快，LangChain更灵活生产级混合系统组合使用 LlamaIndex管检索，LangChain管Agent编排实际项目中常见模式：用LlamaIndex构建高质量检索管道，通过LangChain的create_retriever_tool将其封装为工具，供Agent调用。学习建议建议系统学习该知识点

#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：…应用编排框架数据检索与知识库专用框架抽象层级高，覆盖完整应用生命周期聚焦数据摄入→索引→检索→合成核心优势工具链整合、Agent编排、记忆管理数据连接器、索引策略、检索优化技术侧重点对比 LangChain的核心能力链式编排：通过LCEL构建复杂工作流，支持条件分支、并行执行工具生态：内置大量第三方工具集成（搜索、数据库、API） Agent系统：ReAct、Plan-and-Execute等多模式Agent实现记忆管理：ConversationBuff…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 华为

逻辑引导怎么用？

匹配正文：…多步复杂推理数学计算、逻辑谜题、因果推断等需要严格步骤验证的任务模型容易跳步或中间结果出错，导致最终答案偏差 2. 工具调用与Agent决策 ReAct/Function Calling场景：思考→行动→观察的循环必须按序执行防止模型"幻觉"调用不存在的工具或跳过观察直接结论 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…

#华为#逻辑推理引导#逻辑引导

面试题·检索· 快手

RAG 延迟准确率根因

匹配口述回答：…索和生成的协作，而不是单独优化一个环节。延迟和准确率永远是跷跷板，关键是找到业务能接受的平衡点。说到这，我其实更关注一个延伸点：当Agent需要多跳推理时，单轮检索往往不够，这时候怎么设计检索策略？比如用户问“满200减50的券能和折扣叠加吗”，需要跨文档推理，先查券规则，再查折扣规则，最后判断是否冲突。单轮检索很难覆盖，我会考虑用[[Self-RAG]]让模型自己决定何时检索，或者用[[GraphRAG]]构建[[知识图谱]]，但延迟会更高。这就引出一个问题：能否让Agen…

#快手#RAG延迟与准确率#RAG 延迟准确率根因

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…量、生成整合、知识边界三方面的核心局限能分析检索噪声、语义鸿沟、上下文窗口等具体挑战提出至少3类改进方向（如混合检索、重排序、Agent化RAG）体现对RAG与Fine-tuning、Agent关系的辩证理解 RAG的核心局限可归纳为检索失效、生成割裂、能力边界三类：一、主要局限与挑战维度核心问题具体表现检索质量语义鸿沟 query与文档embedding不对齐，关键词匹配失败检索噪声 Top-K混入无关文档，稀释有效信息覆盖不足多跳推理、跨文档关联难…

#小红书#RAG局限性#RAG 局限性

面试题·RLHF与对齐· 美团

长视野任务的信用分配与 Option

匹配追问：分层RL中高层策略的动作空间如何设计，如何平衡抽象粒度？过程奖励模型与结果奖励模型相比，数据标注成本如何解决，有无自动化构建方法？选项机制与HRL的关系是什么，Option的发现与预定义各有什么优劣？场景切入假设现在训练一个需要经过多阶段交互才能完成任务的环境型 Agent，只有终局成败信号。你会怎样缩短探索路径，并把结果合理归因到早期决策？层层追问平坦策略为什么难学？……分层策略的高层目标与低层动作怎样衔接？……Option 包含哪些组成？……过程奖励来自人工标…

#分层强化学习#选项机制#过程奖励建模

面试题·RLHF与对齐· 美团

稀疏与延迟奖励的塑形与权衡

匹配题目：在构建强化学习系统的奖励机制时，需要综合考虑多个关键因素。请系统性地阐述设计奖励函数时应关注的主要因素，例如稀疏性、延迟性、奖励塑形、多目标权衡等，并说明它们对训练过程的影响。

#奖励塑形#稀疏奖励#多目标优化

面试题·RLHF与对齐· 美团

环境训练 vs 监督学习怎么选?

匹配追问：…延迟或稀疏时如何设计奖励函数或训练策略基于环境的训练样本效率低，有哪些改进方法（如模型-based RL、离线RL）在LLM Agent场景中，如何构建"环境"进行训练场景切入假设现在优化一个连续决策系统，动作会改变后续状态，反馈还可能延迟。你会怎样判断它应使用监督学习、contextual bandit、offline RL 还是受控 online RL？层层追问监督数据和策略交互数据的来源差在哪？……只有日志时如何处理分布外动作？……bandit 与完整 MD…

#环境交互#在线学习#探索与利用

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配正文：…AG = 检索模块 + 生成模块的协同：检索：将查询向量化，从外部知识库召回Top-K相关文档增强：将检索结果与原始查询拼接，构建增强上下文生成：LLM基于增强上下文生成回答，实现"开卷考试" 三大核心价值的实现机制 1. 减少幻觉（Hallucination Reduction）问题根源 RAG解法参数化知识边界模糊，模型"自信编造" 检索提供显式证据，约束生成空间训练数据截止，知识过时接入实时/私有知识库，动态更新关键：生成时能看到"参考答案"，大幅降低无…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：…非固定长度；医疗场景保留"主诉-检查-诊断"完整上下文元数据标注：标注文档来源、时效性、效力等级（如法律条文效力层级）二、索引构建双轨索引策略：类型用途实现稠密向量索引语义匹配领域微调Embedding（如医疗用PubMedBERT）稀疏关键词索引精准匹配 BM25 + 医学/法律专业词表知识图谱增强：抽取"疾病-症状-药品"或"法条-案例-解释"关系，构建实体链接三、检索策略多路召回 → 精排 → 重排：召回层：向量检索（Top-K）+ 关键词…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配口述回答：…比如一个退款政策被切到两段里，模型只看到半截；太粗了又引入噪声。我会用语义切分，比如按主题边界或者 Markdown 标题来切，再构建层次索引，[[父文档]]存摘要，子文档存细节，召回时先定位到父文档，再拉子文档。这样既保证精度，又不丢信息。生成阶段的核心矛盾是知识冲突和长上下文遗忘。模型有自己预训练的知识，当检索到的内容跟它记忆里矛盾时，它可能固执己见，也可能随机选一个，这就是 [[Hallucination]]。我的做法是让模型显式引用来源，比如在 prompt 里要求…

#小红书#RAG 局限性#RAG 缺陷

面试题·多模态· 淘天

截图组件功能怎么用 RAG 解释?

匹配口述回答：…逻辑也能通过知识库灵活注入，不用每次改个文案就重新微调模型。当然，如果界面非常复杂、组件间交互很多，RAG也扛不住，那就得结合[[Agent]]或者多步推理了。一句话定位：本质是让大模型看懂界面并解释功能视觉理解与组件解析：用检测模型加OCR提取元素多模态知识库构建：把组件截图和功能说明配对跨模态检索：两级检索，先全局再局部生成与落地：注意位置顺序、置信度过滤、知识库维护约4分钟知识库的更新频率和覆盖率是上线后的关键风险，需要自动化流程和置信度阈值兜底面试官可…

#淘天#多模态#多模态 RAG

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：答案要点清晰描述RAG的两大核心阶段（检索+生成）及数据流向说明索引构建的关键步骤（文档切分、向量化、存储）列举至少2种检索策略（如混合检索、重排序）及适用场景提及RAG的典型优化方向（查询改写、上下文压缩、多路召回）能指出实现中的常见陷阱（如切分粒度、语义漂移） RAG核心架构：两阶段流水线索引阶段（离线）文档处理：按语义/固定长度切分chunk，控制256-512 tokens，保留上下文重叠向量化：用Embedding模型（如BGE、M3E、OpenAI…

#字节#RAG系统实现#RAG 实现

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：…、查询改写、多路召回）能对比Naive RAG与Advanced RAG的差异 RAG核心架构：两阶段流水线第一阶段：离线索引构建文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量向量存储：写入Milvus/Faiss/Elasticsearch，构建HNSW索引加速检索第二阶段：在线检索生成模块职责关键技术检索器从知识库召回相关文档稠密检索（向量相似度…

#美团#RAG架构#RAG 系统架构

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…检索结果会稀释注意力演进方向 Advanced RAG：查询重写、HyDE（假设文档嵌入）、递归检索 Modular RAG：与Agent结合，动态决策何时检索、检索什么

#字节#RAG应用场景#RAG 技术实现