匹配正文：…学到位没。关联面试题(5 道,覆盖 5 个角度) 从预处理一路到评估,刻意避免全是"切分策略"换皮。【预处理/清洗】面向专业领域的 RAG,如何对原始文档做清洗和预处理以提升检索与生成质量? 较难 → 【策略对性能的影响】文本分块策略如何影响 RAG 系统的性能?常见分块方法及适用场景? 较难 → 【粒度与重叠】你是如何设计分块策略的?说明粒度选择、重叠处理以及向量库写入。中等 → 【上下文 vs 精度权衡】分块策略如何设计才能平衡上下文完整性与检索精度? 较难…

#RAG#检索#项目实战

项目实战·RAG

第 4 章:Embedding 选型与向量化

匹配正文：…理解向量库 + ANN 索引,讲清 HNSW vs IVF 的区别和"近似"二字的含义 ✓ 知道通用模型为什么对行业黑话不准,以及领域微调的思路本章按三段式组织,不同基础的读者各取所需: 段落给谁看内容占比 🚀 Part 1 · 主线实战零基础,想先跑起来概念白话 + 玩具向量化代码 ~50% 🎯 Part 2 · 面试深度想讲透、备战面试模型选型 + 向量库索引 + 微调 ~40% 🏆 Part 3 · 验收串题检验学到位没关联面试题 + 自检清单…

#RAG#检索#项目实战

面试题·RAG

RRF 和加权求和怎么选？两路检索分数为何不能直接相加？

匹配正文：…一名，RRF 的贡献由名次决定，不会因为分数比第二名大几十倍就完全压过其他检索路。多路扩展比较自然除了 BM25 和向量检索，系统还可能有标题字段检索、元数据过滤后的专用检索或其他召回路。RRF 可以继续累加排名贡献，不必先为每一种新分数设计统一量纲。这些优势都不等于“RRF 不需要调参”。公式里的 k 会控制头部名次差异有多强：k 较小时，第一名与后续名次的贡献差异更明显；k 较大时，列表前几名的差距被压平。候选列表截取多深、每一路是否同样深，也会影响融合结果。参数仍…

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

#RAG#检索与重排#RRF

面试题·RAG

Rerank 为什么更准，却不能对整个知识库运行？

匹配正文：…回了两段内容。一段是真正的例外条款，另一段是字面上很像、却只介绍正常适用范围的正文。正确证据已经进了候选集，只是排在后面。如果系统直接截取最前面的内容交给模型，最后答案仍可能跑偏。这时适合处理问题的是 Rerank，也就是重排。可另一个问题马上来了：既然 Rerank 能更细地比较问题与候选，为什么不跳过向量检索，直接让它给整个知识库打分？ Bi-Encoder 和 Cross-Encoder 差在哪里？ Embedding 模型通常采用双塔，也叫 Bi-Encode…

#RAG#检索与重排#RAG Rerank

面试题·RAG

Query 重写、扩写和 HyDE，应该在哪些查询上启用？

匹配正文：…案文档。但这段假设答案没有经过知识库验证。它可能补错实体、时间和结论，也可能在资料根本没有答案时生成一段看似完整的说明。如果系统把假设答案直接展示给用户，就已经越过了 RAG 的证据边界。即使只用它做检索，也存在带偏风险。错误假设会把向量推向错误主题，随后召回一批“支持”假设的相似文本。更稳妥的方式是把 HyDE 当成一条可撤销的检索路线。原 Query 仍然保留，假设文本单独记录。两路可以并行召回，再根据稳定 ID 合并。若 HyDE 路线没有带回可核验证据，最…

#RAG#检索与重排#RAG Query 重写

面试题·评估· 百度

LLM 准确性提升四大路径

匹配正文：…于事实正确。解码参数、验证器和工具执行应按任务选择，代码用测试，数学用可检查计算，不能靠一条统一prompt解决。外部增强方面，RAG能把回答连接到可更新语料，但仍可能召回错误、忽略证据或错误引用。工具调用可以把搜索、计算和数据库查询交给外部系统，同时新增权限与注入风险。检索质量、证据支持率、答案忠实度和拒答都需单独评测。我的实验会先建立无增强基线，再分别加入数据改进、偏好优化、推理提示、检索或工具，每次只改变有限变量。按事实、推理、帮助性、安全、延迟和成本分桶比较，并保…

#数据质量#训练策略#推理优化

面试题·Agent· 蚂蚁

模糊意图怎么补全?

匹配正文：…话信念状态（belief state），用结构化表示（如JSON）存储用户目标、约束条件、未完成项关键：区分用户明确陈述 vs 系统推断假设，后者需标记置信度 2. 意图推断策略——"猜用户要什么" 模糊类型处理手段信息缺失（如"转账"没提金额）槽位驱动追问：基于必填槽位优先级排序指代消解（如"那个账单"）上下文实体链接 + 对话历史编码语义漂移（话题跳跃）检测意图切换信号，重置或保留子状态 RAG增强：检索相似历史对话、产品文档、用户画像，辅助消歧例：用户…

#蚂蚁#Agent#Agent意图补全

面试题·Agent· 百度

Reflection vs Memory 怎么分工?

匹配正文：…打破单次对话的上下文限制类型功能协作价值短期记忆当前会话上下文、任务状态保证单轮协作的连贯性长期记忆历史任务经验、领域知识、其他智能体画像实现跨会话的能力复用和"默契"建立关键机制：向量数据库存储 + RAG检索，支持智能体间共享记忆池。协同提升协作效能 1. 打破信息孤岛 Memory让智能体A的经验成为B的"先验知识"，避免重复踩坑 2. 形成正向飞轮 Reflection产生的新经验 → 写入Memory → 后续任务检索复用 → 执行质量提升 →…

#百度#Agent#多智能体系统

面试题·文档处理· 字节

文本块怎么转向量并建索引?

匹配口述回答：…零运维但贵，适合MVP快速验证。Weaviate支持向量和[[BM25]]混合查询，适合需要关键词加语义联合召回的场景。结合[[RAG]]系统需求，我的选型决策框架是精度、延迟、成本三者的平衡。举个例子，客服退款场景，知识库是常见退款原因和解决方案，数据量几十万条，延迟要求毫秒级。我会选Milvus集群，用IVF_HNSW索引，既支持实时更新又能保证精度。如果只是做个demo，直接上Pinecone，省事但成本高。这里有个风险点：索引更新是个大坑。HNSW不支持高效删除，…

#字节#文档处理#向量检索

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配正文：…短重叠和较长重叠放进同一评测集，比较边界召回与冗余成本 2. Embedding模型选择通用场景：BGE、GTE、E5系列垂直领域建议微调，使用领域语料对比学习多语言场景需确认模型跨语言对齐能力 3. 向量数据库核心配置参数作用典型设置索引类型 HNSW（高召回）vs IVF（快建索引） HNSW，ef_construction=200 距离度量余弦相似度 / 内积 / L2 余弦相似度最常用 Top-K 召回数量 10-50，结合Rerank用 4. 协同工…

#字节#文档处理#向量检索

面试题·评估· 美团

LLM 幻觉治理方法对比

匹配正文：…/冲突数据、知识边界标注、课程学习效果：基础但长尾，无法解决训练截止后新知识问题局限：成本高，且模型仍可能"过度泛化" 2. RAG（检索增强生成）做法：外挂知识库，将检索到的相关文档拼入Prompt 效果：对事实性幻觉效果显著，可追溯来源关键：检索质量决定上限，需解决检索失败和内容冲突美团实践：结合实时业务数据（如商户信息）做领域RAG 3. 解码策略优化方法核心思想适用场景 Contrastive Decoding 对比大/小模型输出，惩罚低置信token…

#美团#幻觉治理#LLM 幻觉治理方法对比

面试题·评估

检索准但生成差，怎么调优？

匹配正文：答案要点能够系统性地拆解RAG链路，提出可量化的诊断方法掌握检索模块的独立评估指标（Recall@K、MRR等）掌握生成模块的评估维度（忠实性、相关性、流畅性）给出至少3种针对性的生成优化策略能区分"检索准但生成差"的典型场景（如上下文利用不足、指令遵循弱）一、系统性诊断：定位问题模块核心原则：将RAG链路拆分为独立可测的环节，避免"黑盒调试"。 1. 检索模块独立评估离线指标：计算Recall@K、MRR、NDCG，对比Top-K检索结果与人工标注的相关文档…

#上下文压缩#生成调优#RAG 效果诊断

面试题·评估· 安克科技

评估集防泄漏与复现

匹配口述回答：…tion Calling]]参数解析对不对、任务规划是否合理、多轮对话状态能不能记住。但真正落地时，两者常常是混合的，比如一个客服系统既有知识库检索又有工具调用，那评估就得两套一起上。另外，很多人会纠结RAG和[[SFT]]怎么选，我的判断是，如果知识频繁更新，RAG更合适，因为微调跟不上变化；如果知识相对稳定、对推理深度要求高，微调更合适。评估数据集也要对应调整。具体到构建步骤，我重点讲几个核心点。先说标注策略。我一般做三层：先让领域专家按标注指南做初标，建立标准；然后…

#安克科技#评估与监控#Agent

面试题·模型微调

生成模型回答不准怎么调?

匹配正文：…要点区分"检索准确"与"生成失败"的边界，定位问题根因掌握提示工程、上下文压缩、重排序等轻量级优化手段理解SFT/RLHF在RAG场景的特殊性（如拒答能力、引用忠实度）提及系统级方案如多模型路由、生成后校验问题定位：检索准≠生成好先确认是生成能力不足还是检索-生成对齐问题：检索片段本身矛盾/冗余 → 上下文组织问题模型忽略检索内容、自由发挥 → 注意力对齐问题模型无法理解专业领域知识 → 领域适配问题分层优化策略 1. 提示工程（零成本）显式指令：强制要…

#生成模型调优#上下文利用#RAG 生成不准确

面试题·模型架构

上下文窗口是什么?超了怎么办?

匹配正文：…简单;关键信息可能被丢,用户感觉「失忆」摘要压缩把久远内容总结成短摘要放回上下文保留主干;细节丢失,摘要本身也要耗一次调用 RAG 长资料切块存入向量库,提问时只检索最相关的几块塞进上下文资料可以无限大;但引入「检索质量」这个新变量实际工程的组合拳成熟的对话系统通常是:最近几轮对话保留原文 + 更早的对话滚动摘要 + 领域知识走 RAG,三者拼成最终的 prompt。入门后可以深入长上下文外推技术(RoPE 插值、YaRN),以及「窗口大了但中间内容记不住」的 …

#入门#基础概念#上下文窗口

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配正文：…粗→信息损失层次化社区（Leiden算法多级分辨率）、查询自适应选择工程实践建议：非全量上GraphRAG，而是对高频复杂查询领域（如金融风控、医疗诊断）做专项图谱构建，简单查询仍走向量检索。学习建议建议先掌握传统RAG原理，再学习图结构与知识图谱基础，结合论文与开源项目理解GraphRAG的实现逻辑与应用场景。

#美团#知识图谱#GraphRAG 架构

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配正文：… 推理策略：支持CoT（思维链）、ReAct（推理+行动交替）、ToT（思维树）等模式动态调整计划，根据反馈迭代优化 3. 记忆系统（Memory）短期记忆：当前对话上下文、会话窗口内的信息长期记忆：向量数据库存储的历史经验、用户画像、领域知识通过检索增强实现跨会话的个性化服务 4. 工具/行动模块（Tools & Action）工具注册：外部API、数据库、计算引擎等工具选择：根据规划结果动态选择合适工具参数解析：将自然语言转化为结构化调用参数（Functio…

#百度#Agent#AI Agent 核心组件

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：核心定位差异维度 LangChain LlamaIndex 设计目标通用LLM应用编排框架数据驱动的检索增强框架核心抽象 Chain（链式调用）、Agent（自主决策） Index（索引结构）、Retriever（检索器）、QueryEngine（查询引擎）优势领域复杂工作流编排、多工具Agent 大规模文档索引、结构化检索关键功能对比 LangChain强项 Agent系统：ReAct、Plan-and-Execute等推理模式，支持工具调用与多轮决策模块化…

#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：…责应用层（Agent编排+工具调用）。LlamaIndex也推出了llama-index-agent模块，边界正在模糊，但原生优势领域依然分明。学习建议建议系统学习该知识点

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 美团

动态增量更新怎么防检索偏差?

匹配正文：…dding应来自同一分布。具体成因：模型版本漂移：新旧文档使用不同版本的embedding模型，向量空间不对齐时间衰减效应：领域知识演化导致相同词汇语义变化（如"新冠"在2019 vs 2023的含义）索引碎片化：局部更新导致向量空间密度不均，近邻搜索出现"断层" 缓解策略策略核心思路适用场景版本隔离新旧文档分索引存储，检索时多路召回+重排序融合模型升级、大规模更新渐进式重嵌入设定阈值触发全量重计算（如30%文档更新），期间双索引并行高频小批量更新 …

#美团#增量更新检索偏差#RAG 知识库更新

面试题·RAG· OPPO

搜索排序中时效性特征量化方法

匹配标题与标签：搜索排序中时效性特征量化方法搜索排序系统中量化方法举例,如时间衰减、新鲜度评分 RAG OPPO 时间衰减时效性特征设计搜索排序系统新鲜度评分 OPPO

#OPPO#时间衰减#时效性特征设计

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配正文：…512 tokens） Embedding编码：用预训练模型（如BGE、M3E、OpenAI-ada）将文本映射为稠密向量关键：领域数据建议微调Embedding模型，解决分布偏移 2. 向量索引构建存储：向量数据库（Milvus、Faiss、Pinecone）或近似最近邻索引（HNSW、IVF） HNSW：图索引，查询快、精度高，适合动态更新场景 3. 查询检索（在线）查询向量化：同一Embedding模型编码，保证查询-文档同空间 ANN检索：Top-K近似最近邻，…

#字节#向量语义召回#Embedding 语义召回

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：…与偏好对齐 RLHF、DPO 与偏好对齐常见问题应用岗一定要会微调吗？不一定要做深度训练，但要会判断边界：Prompt / RAG 解决不了风格、格式、领域行为或工具轨迹问题时，才考虑 SFT / LoRA / DPO，并且必须能评估收益。 LoRA 面试最常被问哪些点？常问参数高效的原理、rank 怎么选、和全量微调的差异、数据质量、过拟合、合并权重、推理部署，以及为什么这件事值得微调。 DPO 和 RLHF 怎么讲得清楚？ RLHF 是奖励模型 + 强化学习的经典…

#专题学习#大模型微调与训练面试题大全

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：…在纠结投应用岗还是算法岗的工程师、研究生、后端开发 | 前置:知道大模型基本概念,但不确定职业入口一句话分清:一个做模型,一个做系统算法岗更靠近模型训练和模型能力本身,应用开发岗更靠近业务系统和用户结果。两者都重要,但日常问题完全不同。维度大模型算法岗大模型应用开发岗核心产出更好的模型、训练策略、评估方法可上线的大模型应用、RAG/Agent 系统、业务流程自动化日常关键词 SFT、DPO、RLHF/GRPO、数据配比、loss、benchmark API、…

#求职#职业转型