匹配正文：…、效果如何。 Step 2:按事实框架改写按"本人动作 + 技术方案 + 测量与边界"重写;只有实际完成第 3 章相应练习时才能引用其中的方法: 动手改写:空泛 → 有深度 ✅ 针对 <你的真实失败样本>，我实际实现 <你的解析方案>；在 <样本量与标注规则> 下，<指标> 从 <基线实测> 变为 <方案实测>，仍存在 <已知边界>。改写时检查:① 具体问题与本人职责;② 方案和取舍;③ 样本、测量与实测结果;④ 代价和已知边界。 ⚠️ 常见翻车(改写时注意) 只把"优化…

#RAG#检索#项目实战

面试题·模型训练· 字节

SFT 复读机问题怎么解?

匹配正文：…en、短语、句子或整段循环，并且不能在合适位置结束。先要把它与任务本身要求的重复区分，例如代码中的变量复用、歌词结构或用户要求逐字引用都不算故障。评测时可以统计重复片段、连续相同n-gram、异常长度和EOS缺失，再结合人工样本确认。训练数据重复会改变经验分布。同一文档或模板反复出现，相当于在损失中获得更高权重，模型更容易记住这些序列，也会浪费训练预算。近重复还可能跨越训练与评测集合，制造虚高指标。但这并不意味着只要有重复数据，模型就一定在解码时进入循环；是否循环还受到上下…

#监督微调#复读机问题#训练数据

面试题·项目与经历· 美团

Agent 哪项能力最先商业化?

匹配正文：…发。原因是开发者已有IDE、版本控制、编译、测试和评审流程，模型建议可以插入现有工作流，用户也能在合并前检查结果。这个判断不需要引用某家公司的估值或百亿市场预测，因为估值有日期、融资和口径差异，不能证明技术可复制。更有用的证据是目标用户是否持续使用、建议是否被接受、任务时间是否下降，以及缺陷和审查成本是否可控。代码语料也不是天然高质量和低成本。公开仓库包含不同许可证、复制代码、secret、个人信息、漏洞、自动生成文件和过时依赖。构建训练集要做许可与来源记录、近重复去除、…

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#智能体商业化#Coding Agent#技术成熟度评估

面试题·模型训练· 美团

图像数据超参数怎么调?

匹配正文：…加载时间。对CutMix等增强可视化样本并做标签保持人工抽检；对少数类按来源划分验证，防止重复泄漏。最终配置按目标质量和成本选，不引用CLIP或Focal Loss名字替代实验。

#多模态训练#超参数调优#图像数据特性

面试题·模型架构· 商汤科技

幻觉一致性延迟诊断

匹配正文：…后再声称做有效多样化采样。幻觉先区分知识缺失、检索失败、证据误读和生成越界。频繁更新的外部知识优先放入RAG或受控数据源，并要求引用与验证。ROME是对模型权重进行定向低秩更新的知识编辑方法，不是编辑单个神经元；知识频繁变化时也不宜用持续权重编辑替代可追溯检索。延迟先profile prefill、decode、检索、工具和网络阶段，再考虑KV缓存、批处理、量化、蒸馏、speculative decoding或模型路由。每项都在相同质量与硬件下测首token、逐token…

#幻觉问题#输出一致性#推理延迟

面试题·项目与经历· 商汤科技

大模型项目缺陷修复

匹配正文：…。Self-Consistency 是对多条推理路径做答案聚合，适合部分推理任务，不是事实纠错器。事实与安全缺陷需要检索、工具、引用核验、规则或分类器、权限隔离和人工升级。事实任务应回到可信证据，不能因为多次采样得到相同答案就判真。所有改进都要绑定 SLO 与质量门槛，统一测 TTFT、TPOT、吞吐、任务成功率、faithfulness 和失败切片。

#过拟合#推理优化#输出稳定性

面试题·项目与经历· 阿里

LLM 应用场景价值怎么分析?

匹配正文：…则取决于任务量、质量护栏、人工节省、转化或周转改善，以及推理、复核、集成和风险成本，不能把模型能力直接换算成固定收益。代码场景可引用 GitHub 2022 年受控实验：参与者完成指定 HTTP server 编程任务时，使用 Copilot 的组平均完成时间比对照组快 55%。这个结果针对特定任务、样本与实验设计，不能改写成所有开发活动都提升某个固定百分比，也不能证明代码质量、安全或长期维护成本同步改善。客服和内容生产同样要基于本组织基线，不应给无来源的解决率或成本降幅。…

#大模型应用落地#商业价值分析#智能客服

面试题·RLHF与对齐· 阶跃星辰

TRL Agent 组件交互机制

匹配正文：…若单独训练 reward model，它可用自身损失更新，但在线 PPO 阶段通常冻结并只提供分数。工具奖励优先使用可执行正确性、引用支持、格式和成本约束，模型评审只是有偏信号之一，并通过独立评测检查 reward hacking。

#TRL#PPO#Agent

面试题·模型架构· 百度

Flow Matching 原理是什么?

匹配正文：…可能在较少步数获得好质量，但不保证单步或固定十步。确定性 ODE 也不会天然带来视频帧一致性，视频需要联合时序建模和一致条件。只能引用公开论文模型，不能替 Midjourney 等未公开系统补造训练路线。图解 Flow Matching 原理是什么?图解

#生成模型#连续归一化流#扩散模型

面试题·多模态· 得物

多模态大模型怎么理解？

匹配正文：…VL论文描述分阶段的视觉语言预训练、多任务训练与监督指令微调，不能把监督指令数据直接称为人类偏好对齐。对GPT-4o等闭源系统只能引用官方披露能力，不能推断其从零端到端训练或内部连接方式。应用包括检索、问答、OCR、文档理解、视觉定位和Agent感知。评测需同时看感知、grounding、推理、幻觉、延迟和安全。图解多模态大模型怎么理解？图解

#多模态融合#视觉语言模型#对比学习

面试题·RLHF与对齐· 阶跃星辰

Agent 工具调用训练数据怎么构建?

匹配正文：…记录生成策略版本。奖励可以结合任务成功、工具验证器、成本和安全约束，但代理信号必须防止作弊。代码工具要用隐藏测试，检索任务要检查引用是否支持结论，带副作用操作要在沙箱或审批下执行。不能只用格式正确或工具调用次数作为成功。评测时我会在未见任务和真实工具环境中报告最终成功率、恢复率、无效调用、成本、延迟与约束违例，并按失败类型看覆盖。训练数据版本、环境版本和策略版本都要可追溯。比例只是实现参数，真正目标是让数据持续覆盖当前策略最有价值且风险最高的决策边界。

#工具学习#轨迹数据构建#数据配比

面试题·多模态· 快手

多模态架构与训练怎么改进?

匹配正文：…化和resampler决定信息损失。统一接口的价值是让自回归或共享主干处理多模态，不是保证像素、声学或时序细节完整。对闭源模型只能引用技术报告公开内容，不能从结果反推未披露架构。训练中还要平衡模态比例、重复数据、字幕噪声与语言能力回退。偏好优化也要准确定位。DPO从偏好对学习相对偏好，并通过参考策略约束更新，它不是用来避免预训练目标互相干扰的通用机制。多模态DPO还可能忽略图像、利用文本捷径，因此需要构造图像条件真正决定胜负的数据。安全侧要覆盖提示注入、视觉文字攻击、隐私、…

#多模态架构#跨模态对齐#视觉语言模型

面试题·多模态· 快手

多模态融合与对齐怎么改进?

匹配正文：…CR/空间/时序、幻觉、安全和分布外泛化；保留真实业务集并做分层消融。对 Gemini、GPT-4V 等未完整公开架构的产品，只能引用其公开报告，不能补造 tokenizer 或训练细节。

#模态融合#跨模态对齐#训练效率

面试题·Agent· 字节

Agent 长短期记忆如何分层?

匹配正文：…ID 关联。向量用于候选检索，精确属性和状态由结构化存储承载；用户纠正应生成新版本或显式覆盖规则。摘要是有损表示，必须保留原始证据引用。系统按租户和主体分区，使用事件日志、幂等写入、删除和过期策略。多 Agent 默认隔离，只共享明确授权的命名空间。评估写入精确率、检索 Recall@K、冲突率、任务成功率、P95 延迟和存储成本，并测试错误记忆注入与删除是否真正生效。图解 Agent 长短期记忆如何分层?图解

#字节#Agent#Agent 记忆架构

面试题·Agent· 百度

Agent模块协作机制与失败场景

匹配正文：…定性状态机、权限系统和工具层负责执行边界。 1. 感知与状态把用户请求、工具结果和环境事件转换为带来源的结构化状态，保留原始输入引用。意图分类不是不可变真值；低置信或高风险场景应请求澄清。 2. 规划简单任务直接选择下一动作，复杂任务拆成有完成条件的子目标。系统可以保存简洁的计划摘要和决策依据，但不依赖展示隐藏 Chain-of-Thought。每轮检查最大步数、时间、成本、重复状态和人工确认点。 3. 记忆工作记忆保存当前目标、约束和已验证观察。长期记忆写入前检查来…

#百度#Agent#Agent 系统架构

面试题·Agent· 小红书

新用户冷启动推荐如何设计？

匹配正文：…染 reward。点击率不等于满意或长期价值，应同时看隐藏/投诉、重复消费、留存与内容生态护栏。 5. 解释、隐私和评测解释只能引用真实触发因素。若系统只是推断兴趣，不能写“因为你选择了某项”。用户应能查看和修改偏好、关闭个性化并删除相关数据。分开评测首屏相关性、多样性、目录有效率、新用户完成/留存、探索成本、各群体曝光和错误率、隐私撤回与删除传播。实验按用户随机化，避免同一用户跨策略污染，并关注短期 CTR 提升是否损害长期满意。没有任何额外信号时，透明的热门+新鲜+…

#推荐系统#冷启动#探索利用

面试题·Agent· 字节

多 Agent 协同如何分工?

匹配正文：…风险或不确定任务转人工。通信与状态消息使用版本化 Schema，至少包含 task_id、step_id、发送方、接收方、输入引用、截止时间、幂等键和状态。共享状态保存到有访问控制的任务存储中，消息只传引用和最小必要数据。每个步骤明确输入、输出、权限、成功条件与重试策略，避免 Agent 仅靠自然语言猜测职责。协同机制任务分配：按能力、权限、成本和当前负载路由；无匹配能力时拒绝或回退。并行与依赖：独立子任务并行，有依赖的步骤通过 DAG 或状态机排序。冲突处理：对…

#字节#Agent#多智能体协同机制

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配正文：…识库 + 检索Agent记忆（避免重复检索） ↓ 结果融合 → 相关性打分 → 低分则触发工具调用/搜索增强 ↓ LLM生成 + 引用溯源 → 返回 + 异步更新反馈缓存工程要点：将RAG封装为Agent的工具之一而非底层依赖，保持架构灵活性。学习建议建议系统学习该知识点

#阿里云#Agent#RAG Agent 延迟优化

面试题·Agent· 美团

DeepResearch Agent 怎么工作?

匹配正文：…判断信息缺口，决定继续搜索或转向 3. 整合层（Synthesis）多源信息交叉验证，处理矛盾观点结构化输出：报告大纲→正文→引用溯源与传统RAG的关键差异维度传统RAG DeepResearch 交互模式单次检索多轮主动探索检索策略静态query 动态生成、迭代优化信息处理片段拼接深度阅读+逻辑整合输出质量回答片段完整研究报告典型应用场景行业调研：新兴技术市场分析、政策解读竞品分析：多维度产品对比、商业模式梳理学术辅助：文献综述、研究现…

#美团#Agent#DeepResearch Agent

面试题·Agent· 快手

Agent 系统实现流程与核心组件

匹配正文：…期记忆写入前要做权限、来源、用户隔离、有效期和纠错控制；向量库只是检索手段，不等于记忆天然可靠。摘要是有损压缩，应保留到原记录的引用，关键事实需要回查。 4. 反馈与可观测性记录输入、规划摘要、状态迁移、工具调用、观察结果、延迟、成本和停止原因。根据工具返回更新状态，必要时重试、换工具、请求用户确认或安全终止。结论：Agent 的核心不是无限自主调用工具，而是在可验证状态、权限和预算内完成受控反馈循环。图解 Agent 系统实现流程与核心组件图解

#快手#Agent#Agent 系统实现

面试题·文档处理· 字节

长文档 Chunking 怎么选?

匹配正文：…完整病例段落；表格单独处理或作为metadata 块大小：512-1024 tokens，过小会切断诊疗逻辑法律场景特点：条款引用多（"依据第X条"）、层级结构严格（编-章-节-条）推荐：结构化解析优先，按条款编号切分；添加父级标题作为上下文前缀特殊处理：法条引用关系需建图索引，不依赖纯文本切块关键权衡粒度vs召回：块越小检索准但可能丢上下文，块越大完整但噪声多建议：实际采用多粒度索引——小chunk用于精排，大chunk（或父文档）用于生成时补充上下文评估方…

#字节#RAG Chunking#长文档切分

面试题·文档处理· 字节

文本块如何生成向量并构建可维护索引？

匹配正文：…权限版本、语言、时间和内容哈希。先检查空文本、重复、解析顺序、超出模型输入限制和越权内容。切分长度由文档结构、tokenizer、引用粒度与评测决定，不存在“小于 512 就直接用某模型”的通用规则。 2. 选择并运行嵌入模型从任务语言、许可与数据处理位置、最大输入、维度、是否需要 query/document 前缀、归一化和距离度量筛出候选。Sentence Transformers 一类双编码器适合将查询与文档分别编码并预计算文档向量；普通 BERT 的 CLS/mea…

#RAG#文本向量化#Embedding

面试题·文档处理· 百度

Chunking 策略怎么选?

匹配正文：…式和 overlap。检索侧看证据 Recall@K、MRR 或 NDCG、重复率和过滤后有效证据数；生成侧看答案正确性、忠实度和引用覆盖；工程侧看索引体积、延迟与上下文 token。最终选择 Pareto 更优的配置，并单独检查表格、代码、跨页和多跳问题。结论：分块没有“语义切分一定最准”或“滑窗一定召回最高”的统一排序，可靠结论来自同一评测集上的对照实验。图解 Chunking 策略怎么选?图解

#百度#文档处理#Chunking 策略

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配正文：…定采用某个 token 数。表格、代码和条款需要专门表示。可把检索块与展示给模型的父级上下文分开，但每个块必须能定位回原文，便于引用、更新和删除。 3. Embedding 与混合检索模型选择要核对语言、领域、最大输入、维度、许可证、托管边界和 query/document 编码约定，并在目标数据盲测。不能只凭“中文”“英文”或产品名断言效果，更不能默认垂直领域一定需要微调；先与词法、通用向量和可选领域方案做同口径基线。专有名词、编号和精确短语常由 BM25/全文检索补…

#美团#RAG 知识库构建#文档预处理