匹配正文：…（如API可用性 vs 自研成本）提及失败回退策略和边界情况处理四种方法对比方法核心机制适用场景主要局限直接提示在prompt中列出类别，让模型直接选择类别少、简单场景格式不稳定，可能输出不在列表中思维链 (CoT) 先让模型推理分析，再给出结论需要可解释性的复杂分类延迟高、成本高，小模型效果差 Logit Bias 对指定token ID加减偏置具体模型/API暴露该参数时作为辅助 token偏置不等于完整标签序列白名单，多token类别与共享前…

#Logit Bias#约束解码#封闭集合标签分类

面试题·Prompt· 百度

AI Agent 三大组件原理

匹配正文：…子步骤 ReAct：推理（Reasoning）+ 行动（Acting）交替进行，形成"思考→行动→观察→再思考"的循环实现要点：Prompt中嵌入示例，约束输出格式为结构化JSON（thought/action/observation） 2. 工具调用（Tool Use）标准化协议：采用OpenAI Function Calling或LangChain的Tool接口工具描述：每个工具需定义名称、功能描述、参数Schema（JSON Schema）执行流程：模型生成调用…

#百度#Agent#AI Agent 设计

面试题·Prompt· 阶跃星辰

ReAct 各模块输入输出是什么？

匹配正文：… 准确描述Plan的本质（动态规划而非静态计划）说明Observation的来源和作用（工具返回结果作为下一轮推理的输入）给出提示词的结构模板（Thought/Action/Observation的格式规范）举例展示完整的循环交互流程（至少包含2轮Reasoning-Action-Observation循环） ReAct核心思想 ReAct = Reasoning（推理） + Acting（行动），让LLM交替进行"思考"和"执行"，通过工具与环境交互解决复杂问题。三…

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

#介跃星辰#Agent#ReAct 工作流程

面试题·Prompt· 美团

Agent 工具调用链路怎么搭?

匹配正文：答案要点工具描述Schema设计（OpenAI格式）意图识别与工具选择的Prompt工程参数提取的约束与校验机制 API执行的安全隔离与超时控制结果回传与对话上下文的维护错误分级处理与优雅降级策略完整工具调用链路设计 1. 工具注册与描述（前置层）每个工具按 OpenAI Function Calling Schema 注册：name/description/parameters(required字段) 关键：description要清晰说明工具能力边界，避免模…

#美团#Agent#LLM Agent 工具调用

面试题·Prompt· 字节

判别式转生成式模板怎么选?

匹配标题与标签：判别式转生成式模板怎么选? 前缀引导、指令、CoT 三种 Prompt 策略优劣对比 Prompt 字节生成式建模判别式转生成式 Prompt 模板设计 CoT 提示前缀引导自然语言指令字节

#字节#生成式建模#判别式转生成式

面试题·Prompt· 美团

Agent 四大基础能力详解

匹配标题与标签：Agent 四大基础能力详解感知、规划、记忆、工具调用等核心能力的作用与重要性 Prompt 美团评估与监控 Agent Agent 基础能力 Agent 系统设计 Agent 感知规划记忆美团

#美团#评估与监控#Agent

面试题·Prompt· 字节

Policy 模型错误决策怎么防?

匹配正文：…试多维度验证约束阶段：硬规则围栏+输出格式校验+工具调用沙箱监控阶段：实时指标告警+人工审核闭环+快速回滚机制核心思路动态Prompt生成系统的Policy模型本质是Agent的"大脑"，需从训练-验证-约束-监控四层构建安全防线。一、训练阶段：行为对齐 RLHF/Constitutional AI：用人类反馈或宪法原则约束策略，避免有害输出对抗训练：注入噪声输入、边缘案例，提升Policy对异常请求的鲁棒性课程学习：从简单场景逐步过渡到复杂动态生成，稳定收敛 …

#字节#Agent#Policy 模型

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配标题与标签：Agent 性能优化：架构与推理陷阱架构设计、推理策略、工具调用三大维度优化 Prompt 百度 Agent Agent 性能优化 AI Agent 架构 Agent 推理策略 Agent 工具调用百度

#百度#Agent#Agent 性能优化

面试题·RAG· 字节

RAG 查不到文档怎么降级?

匹配标题与标签：RAG 查不到文档怎么降级? 常见 fallback 策略优缺点对比,如生成式回答与提示工程 RAG 抖音 RAG降级策略 RAG fallback RAG 降级策略 RAG 无相关文档字节

#抖音#RAG降级策略#RAG fallback

面试题·RAG

RAG 检索准但回答差怎么调?

匹配正文：…分析 1. 上下文组织问题文档拼接顺序混乱，关键信息被淹没冗余内容过多，超出模型有效上下文窗口多文档间信息冲突未消解 2. 提示工程缺陷缺乏明确的指令引导模型如何利用检索内容未约束模型"优先基于文档回答，不确定则拒绝" 3. 生成阶段问题模型本身指令遵循能力不足温度参数过高导致幻觉未针对RAG场景做SFT对齐系统性调优策略层级具体措施检索后处理重排序（Rerank）优化文档顺序；冲突检测与摘要融合；上下文压缩（如LLMLingua）提示优化添加"…

#上下文组织#生成质量调优#RAG 生成质量差

面试题·RAG

LLM 封闭标签方法对比

匹配正文：…清晰，能讲清"如何限制输出" 优劣对比有实际考量（如延迟、准确率、灵活性）提及工程落地细节（如缓存、并发）核心方法对比 1. 提示工程 + 输出解析（最简单）做法：Prompt里明确列出可选标签，要求模型单选；用正则/规则过滤非法输出优点：零改造成本，快速验证缺点：不可靠，模型可能幻觉、格式不统一；需兜底逻辑 2. Function Calling / Tool Use（推荐）做法：在所用模型/API支持时启用strict工具schema，把label声明为enu…

#封闭集合分类#约束解码#LLM 封闭标签方法对比

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：…到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. 生成阶段上下文拼接（Prompt构造） LLM生成回答各环节优化手段环节优化手段关键收益文档解析布局识别（如PDF转Markdown保留结构）、表格/图片OCR提取保留语义结构，减少噪声文本分块语义分块（按主题边界）、滑动窗口重叠、递归分块、特定格式（Markdown/代码）保留结构避免语义截断，提升召回完整度 Embedding 领域微调Embe…

#AIlab#RAG链路优化#RAG 优化

面试题·检索· 百度

RAG Query 改写方法

匹配正文：答案要点查询改写的常见策略（HyDE、多查询扩展、子问题分解）提示词构建的核心要素（角色定义、上下文组织、引用标注）检索后处理的技巧（重排序、上下文截断）实际落地中的权衡取舍查询改写策略核心目标：弥合用户问题与文档索引之间的语义鸿沟策略适用场景实现要点 HyDE 领域知识密集、术语专业让模型先生成假设答案，用答案 embedding 检索多查询扩展问题表述模糊、同义词多生成3-5个语义等价变体，并行检索后去重聚合子问题分解复杂多跳问题拆解为原子…

#百度#小鹏#美团

面经·项目面试

评分端知道的答案，别顺手放进 Agent 的题面

匹配正文：…务，希望 Agent 先查客户的订单，再判断这次诉求对应哪一次购买。离线评分要认定它是否选对对象，数据里因此保存了目标订单号。组装提示词时，如果顺手把整份任务对象转成 JSON，模型可能还没查工具，就已经看到了这个编号。调用过程随后可以很完整：查订单、查政策、给出回复。可这条轨迹回答的问题已经变了。原本想观察它怎样发现候选、核对对象，现在给它的是一个已经指定目标的任务。最后答案正确，也不足以说明前一项能力经过了检验。这类问题发生在单次任务的输入边界上。评分端为了判断结果，…

#Agent训练#输入边界#提示词

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…阶段归因：正确资料是否入库，是否进入候选，重排后是否保留，送给模型的上下文是否完整，生成是否忠于证据。不同原因对应不同修复。只改 Prompt，可能掩盖解析或检索问题。面试官：你怎样证明优化有效？先定义评测集的来源、证据标注和切分方式，再说明检索指标、生成指标以及端到端指标。每个结果都要带基线、样本量、配置和测量方法；如果还没有实测，就把表格留空。还要准备一条变差的 bad case，解释为什么整体均值上升仍不等于所有问题都更好。面试官：权限为什么不能在检索之后再过滤？…

#RAG#项目深挖#教学复原

求职指南·Agent

Trace、线上监控与问题复盘项目模拟面试

匹配正文：…bility 只有日志截图，没有指标基线和版本信息。 dimension：production-engineering 记录完整 Prompt 和用户数据却无脱敏权限。 dimension：failure-review 复盘只归因于模型不稳定，没有证据排除链路问题。

#模拟面试#简历项目#连续追问

系统教程·Agent

Agent 面试题大全与开发指南

匹配正文：…。配套教程 Deep Research Agent 实战：8 章系统拆解知识模块 Agent 架构·工具调用·记忆·多智能体 Prompt 工程(Agent 的地基) 常见问题 Agent 面试和 RAG 面试考察重点有什么不同？ RAG 考检索质量与评估，Agent 考系统设计与鲁棒性：规划怎么做、工具调用失败怎么重试、记忆怎么分层、多 Agent 怎么协作。两者经常组合出现——Agent 把 RAG 当工具之一。没有 Agent 项目经验，从哪里开始最快？先实现一…

#专题学习#Agent 面试题大全与开发指南

系统教程·模型微调

大模型微调与训练面试题大全

匹配正文：应用岗不一定天天训练模型，但一定会被问到什么时候该微调、和 RAG / Prompt 怎么取舍、LoRA 怎么做、DPO 和 RLHF 有什么区别。这一页把微调、训练、对齐三类题连成一条线。配套教程要不要做微调 / Post-Train 项目，轻量版怎么做 Deep Research 第 6 章：训练数据与多阶段训练知识模块轻量微调、LoRA 与应用场景轻量微调、LoRA 与应用场景训练流程、数据与稳定性训练流程、数据与稳定性 RLHF、DPO 与偏好对齐 RL…

#专题学习#大模型微调与训练面试题大全

系统教程·多模态

多模态大模型面试题大全

匹配正文：…、评估指标，以及 VLM 和纯文本模型协同的工程方案。没有多模态项目经验怎么补？先做一个文档理解或看图问答小项目，把图片输入、提示词、结构化输出、评估和失败 case 讲清。比泛泛背 VLM 架构更有用。多模态 Agent 和普通 Agent 有什么不同？多模态 Agent 多了感知输入、视觉 grounding、OCR / 检测工具和更复杂的评估。核心仍是任务拆解、工具调用和失败恢复。继续学习 Agent 面试题大全与开发指南大模型应用开发学习路线图

#专题学习#多模态大模型面试题大全

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：…面试更关心这些问题: 为什么通用大模型会编答案,RAG 怎么降低幻觉? 上下文窗口装不下时,切块、摘要、检索、记忆各自解决什么? Prompt、Function Calling、Agent、MCP 分别在哪一层? RAG 和微调怎么选,什么时候组合使用? 检索召回率、重排、引用溯源、离线评估为什么决定上线质量? 学习方式建议很朴素:每个概念先写一句人话定义,再写一个工程场景,最后找 2-3 道真题练口述。比如 RAG 不要背“检索增强生成”六个字,要能说出“公司制度经常变,把…

#求职#职业转型

面试题·RAG

RAG 已经能搜 PDF，为什么视频不能直接入库？

匹配正文：…面试官继续追问“怎样防止模型混淆两者”时，就可以回答：先在数据层保存来源类型与冲突状态，再在上下文构建时过滤未核验内容，而不是只靠提示词提醒模型小心。面试官追问：视频重新处理时，怎样避免旧字幕继续被搜到？视频处理规则更新后，不能只把新片段追加进索引。若旧字幕没有删除，用户可能同时搜到新旧两份证据；如果所有片段 ID 都随数组顺序变化，又会把一次局部修正变成整条视频的无差别替换。可以把视频文件版本、时间范围、内容摘要和处理版本作为片段身份的一部分。重新处理前先生成一份待发…

#RAG#解析与入库#视频 RAG

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：…与 Trace，分清已有执行链路、可解释的路由规则和仍停留在设计阶段的部分。你的系统是否真的存在三条不同执行链路，还是只有一条 Prompt？路由依据来自规则、模型还是人工选择？能否输出可解释理由？是否有普通题、研究题和边界题组成的路由评测集？你能拿出真实的工具调用和任务时间记录吗？没有就不要承诺降本比例。哪些能力已经实现，哪些只是架构设计？面试时要明确区分。这道题的专业度，最后落在一句话上：知道什么时候不该用 Deep Research。

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

面试题·Agent

LLM、Workflow 和 Agent 怎么选？什么任务根本不该做成 Agent

匹配正文：…确定性、风险和验收方式才决定。先把三个容易混在一起的概念拆开一次 LLM 调用：模型负责理解或生成最简单的形态是把用户输入和提示词交给模型，模型返回文本或结构化结果，流程结束。例如，教学场景中有一段已经脱敏的会议记录，需要提炼三条行动项。输入、输出和处理步骤都很明确，也不需要模型访问外部系统。你可以要求它按固定 JSON 输出，再由程序校验字段。这里使用 LLM 是因为自然语言理解和生成有价值，但没有必要增加一个循环让模型反复“规划”。一次调用也可以有前后处理：输入…

#Agent#架构与规划#Agent 和 Workflow 区别

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…BM25",第 4、5 章); 你写的 answer 里"把 context 当依据" = 真实系统的上下文拼接 + 生成(换成 Prompt 工程 + 真·大模型,第 9 章)。换句话说:你这 20 行代码演示的是 RAG 的最小逻辑骨架;后面 9 章会逐步补上解析、切分、索引、评估和引用等工程环节。它不是生产系统,但能帮助你理解生产系统为什么需要这些模块。下面 Part 2,我们把这条流水线展开成真实系统的样子,并回答一个关键问题:为什么这套系统里,大模型反而是最省心…

#RAG#检索#项目实战