匹配正文：…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 → 【策略横向比较】 chunk 划分有哪些常见方法?固定…

#RAG#检索#项目实战

项目实战·Agent

第 3 章:工具集设计,让 Agent 真正「会用工具」

匹配正文：…指令。本例把可用工具元数据随输入提供,模型选择仍受任务与上下文影响所以description应清楚且与实现一致；实际选择与参数质量仍要评估，执行层继续做校验和授权，这是后面「设计原则」要重点讲的。 🛠️ 跟着做:给 mini-agent 配齐工具集我们在上一章 ReAct 循环的基础上,加一个工具注册表:每个工具 = 一个函数 + 一段说明书,循环里统一分发。新建 tool_agent.py: # pip install openai import os, re, a…

#Agent#Deep Research#项目实战

求职指南·求职

大模型应用开发岗一天在做什么?细分岗位画像

匹配正文：…类岗位画像总览岗位类型一句话解释日常任务更适合谁面试高频模块 RAG 工程让模型基于企业资料回答问题文档处理、切块、Embedding、检索、重排、引用、评估后端、数据、企业系统、知识库项目背景 RAG 基础、向量检索、重排与优化 Agent 开发让模型调用工具完成多步任务工具 schema、任务规划、状态机、记忆、异常兜底后端、全栈、自动化、研发工具背景 Agent、Prompt 工程推理部署/LLMOps 让模型服务稳定、便宜、跑得快模型服务、并…

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

#求职#职业转型

面试题·RAG

复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？

匹配正文：处理复杂 PDF 时，常会遇到一类高风险结果：每个字都识别出来了，但阅读顺序和字段关系却是错的。解析任务显示成功，分块与向量化正常完成，用户也能搜到很多相似内容，但模型拿到的证据已经不是原文真正表达的意思。先看一个双栏理赔指南的例子。左栏写办理步骤，右栏写申请材料。如果解析器按照同一水平位置依次拼接，输出会变成一句步骤接一句材料。用户问“需要提交哪些材料”时，检索器看到的不是一个完整材料清单，而是一段步骤和材料交错的文本。面试官很可能追问： PDF 里的文字已经提取出来了…

#RAG#解析与入库#复杂 PDF 阅读顺序

项目实战·Agent

第 4 章:多轮对话与长程记忆管理

匹配正文：…最近 N 轮(上面 demo 那种)。省 token、实现简单;缺点是会「忘掉」窗口外但其实相关的历史。相关性召回:把历史也存进向量库,按「当前问题」检索最相关的几轮带上。最聪明,但要维护历史向量库、有检索开销。实务里常组合用:最近 N 轮(窗口)+ 从更早历史里相关性召回几轮。 2.2 裁剪 vs 摘要:两种「压缩历史」的方式历史太长,要么裁掉、要么压缩。区别很关键: 裁剪(直接丢旧轮,丢信息)vs 摘要(LLM 概括旧轮,保信息但费一次调用) 裁剪(truncate…

#Agent#Deep Research#项目实战

求职指南·求职

研一/研二转大模型应用开发:三年怎么规划、来得及吗

匹配正文：… 写法问题更好的写法熟悉 RAG、Prompt、Agent 太空,无法追问设计并实现课程资料 RAG,覆盖 PDF 解析、向量检索、重排、引用溯源和离线评估使用 LangChain 搭建问答系统像教程复刻针对制度类问答 badcase,调整切块和混合检索策略,提升召回质量并记录错误分类了解 DPO 和 SFT 只写概念构造多模态问答偏好样本,比较 SFT 与 DPO 在格式遵循和答案质量上的差异写完简历后,按简历项目追问模板逐条问自己:“这个指标怎么来的?…

#求职#职业转型

面试题·RAG

MinerU 能直接解决 RAG 文档解析吗？哪些页面必须二次处理？

匹配正文：…报错，Markdown 和 JSON 也正常生成。打开结果一看，正文、标题、表格似乎都有。这时候能不能直接切成 Chunk，写进向量库？很多人的第一反应是可以。解析工具已经把 PDF 变成了文本，后面无非就是切分、向量化和检索。用户真正关心的是输出能不能长期稳定使用：同一区域有没有重复出现，正文和表格是否表达了两份冲突内容，解析器升级后字段结构会不会变化，重新处理时旧 Chunk 能不能被正确替换，答案又能否回到原页。“文件已经生成”只回答了任务状态，没有回答这些质量问…

#RAG#解析与入库#MinerU RAG

项目实战·Agent

第 5 章:训练数据构造,种子 → 轨迹 → 增强

匹配正文：…来概念 1:种子数据 vs 轨迹数据数据构造分两层,先有「问题」,再有「做这些问题的完整过程」: 种子数据(seed):一批高质量的调研问题。比如「中小规模 RAG 项目,向量库选 Milvus、Qdrant 还是 pgvector」。它是整个数据的源头。轨迹数据(trajectory):针对每个种子问题,一条完整的「怎么一步步做出来」的过程:Thought → Action → Observation → … → Final。这才是模型真正要学的东西。概念 2:一条…

#Agent#Deep Research#项目实战

求职指南·求职

工作三年的 Java 后端转大模型:在职怎么转、什么时候跳槽

匹配正文：…s 提升性能太通用为 RAG 检索结果和模型响应增加缓存,降低重复查询延迟处理 MQ 异步任务没有模型场景将长文档解析、Embedding 和索引构建拆成异步任务,支持失败重试做系统监控告警没有质量闭环增加回答质量 badcase 采集、延迟和成本指标监控写了一个 AI demo 太浅构建企业文档 RAG,覆盖切块、检索、重排、引用溯源和评估集简历不是把“Java”删掉换成“LLM”。更好的做法是保留后端优势,再补上模型链路。面试官需要相信你不是只会 A…

#求职#职业转型

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：…就是再加一道关卡,用更强但更慢的模型,把这批候选重新排一次序,把最相关的几条顶到前面。概念 2:为什么粗排会排错? 第 5 章的向量检索和 BM25 都是独立打分的,只看 query 和单个 doc 各自的相似度/词面命中,读不懂 query 和 doc 之间的"关系"。于是一个字面很像、意思却相反的文档(比如"免责条款")可能拿到高分。粗排独立打分,读不懂 query 和 doc 的关系概念 3:什么是 Cross-Encoder? Cross-Encoder(交叉编…

#RAG#检索#项目实战

求职指南·求职

大模型应用开发要懂哪些概念、懂到什么程度

匹配正文：…tions?module=推理优化幻觉模型一本正经编造不存在的事实知道它无法根治,只能靠检索接地和引用溯源缓解引用与溯源 Embedding 与向量把文本压成一串数字,语义相近则向量相近知道它是语义检索的基础,知道选模型影响召回质量 Embedding 选型向量库与 ANN 检索存向量、用近似最近邻快速找相似知道为什么用近似而非精确,知道它牺牲一点召回换速度 /questions?module=向量检索 RAG 先检索相关资料再让模型基于资料回答能画出"切…

#求职#职业转型

面试题·RAG

RAG Chunk 为什么不能只按固定字数切？

匹配正文：…补齐上下文。正文继承文件名、标题路径和页码；表格携带理解数据所需的表头；列表保留前导句；代码块保留语言与所属小节。第五步，执行质量检查。检查空块、过短块、超长块、重复块、缺少标题路径的块，以及被切断的表格和列表。通过后再进入向量化和索引。从结构化文档到可检索 Chunk 的五步链路解析先提供结构，切分再形成原子单元、按预算合并、递归处理超长内容并补齐上下文，最后通过质量检查入库。这条链路里，Token 预算一直存在，但它是上限，不是第一把刀。原子单元先告诉系统哪…

#RAG#切分与索引#RAG Chunk

系统教程·AI 编程

从零拼一个最小 RAG 问答

匹配正文：…加"没提到就说不知道",否则照样幻觉。 k 取太大:塞太多片段 → 噪声多 + 烧 token + 注意力稀释。每次都重算知识库向量:知识库向量离线算一次存好,在线只算问题向量。不做切分:整篇文档当一个片段,要么超长、要么粒度太粗,检索不准。关联面试题「RAG 的完整流程是什么?检索质量怎么优化?」「为什么需要混合检索?向量和 BM25 各自的短板是什么?」 👉 去题库搜 RAG / 混合检索 / 重排 / 切分。训练营延伸课程项目继续练习多格式入库、检索…

#Agent#AI 编程

面试题·RAG

Chunk Size 和 Overlap 怎么选？不要背 512 和 100

匹配正文：…？从工程链路看，RAG 可以拆为离线解析、在线召回、上下文生成和查询理解。切分位于离线阶段，但它会沿着整条链路向后影响：块太大，向量里同时包含多个主题，检索得分可能被噪声稀释；块太小，问题所需的前提、条件和结论可能落在不同块里；重叠太小，边界信息可能断开；重叠太大，多个近似块会挤进同一个 Top K。所以，这不是一个“字符串应该截多长”的问题，而是“证据怎样进入检索单元，并以多大代价被稳定找回”的问题。 Chunk 不是越大或越小越好参数同时影响语义完整性、检索区分度和…

#RAG#切分与索引#Chunk Size

项目实战·RAG

第 8 章:多轮对话与记忆管理

匹配正文：…ationMemory(滑动窗口 + 摘要) = 一种短期记忆原型;工程实现可以选进程内存、缓存或数据库,是否用 LLM 摘要要按质量、延迟和成本实测; 你的 resolve()(把"它"补全) = 指代消解,本质是第 7 章 Query 重写的一种,只是信息来源是对话历史; 你这个"先补全、再检索"的流程 = 多轮 RAG 在线链路里,记忆模块坐在检索之前的位置。你手搓的是它最朴素的样子;Part 2 讲工程系统可以怎样选历史、控制上下文、管理长期记忆和用户画像。这一节…

#RAG#检索#项目实战

面试题·RAG

跨页表格、代码块和图片怎么切，才不丢结构？

匹配正文：…data 则保存父表、页码、区域、单位和脚注关系。三者不能相互替代：增强文本便于检索，不代表它就是原文；原始表格可核验，不代表直接向量化后一定容易命中。跨页表格从识别到切分的处理顺序先恢复同一张逻辑表，再按完整行组拆分。切完的每一块都要带回表头、来源和父表关系。这里有一个常见误区：先把表格转成 Markdown，就认为结构问题已经解决。 Markdown 只是表达形式。跨页关系判断错了、合并单元格丢了、表头与数据错位，换成 Markdown 仍然是在更整齐地保存错误内容…

#RAG#切分与索引#RAG 表格切分

求职指南·求职

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：…步处理请求推理服务吞吐设计、请求批处理(batching)、协程与队列文档解析与数据管道 ETL、消息队列、批处理、增量更新向量数据库选型与调优存储选型、索引优化(HNSW/IVF 换个名字的 B+ 树直觉) 缓存设计向量检索结果缓存、语义缓存、Prompt 命中复用推理延迟与成本优化性能调优、连接池、批量化、异步降级可观测性 / 线上质量监控评估指标埋点、离线评测集、线上 badcase 采样与回归 Agent 工作流编排状态机、任务调度、重试与幂等、D…

#求职#职业转型

面试题·Agent

Agent 有几十上百个工具时怎么选？大工具集路由怎样设计和验收

匹配正文：…可能会问：“Agent 只有三四个工具时可以把 Schema 全塞给模型，工具扩展到几十上百个以后怎么办？” 这道题不能只回答“用向量检索找 Top K”。工具一多，问题不仅是上下文变长，还包括名称和描述越来越相似、敏感能力不该暴露、工具版本与健康状态不断变化，以及候选召回错误会让后面的模型根本没有机会选对。大工具集路由更像一个分层检索与授权系统：先根据用户、租户和任务过滤绝对不能使用的能力，再从剩余工具中召回小候选集，结合描述、参数和上下文重排，最后才让模型选择或请求澄清…

#Agent#工具调用与安全#Agent 大工具集路由

项目实战·RAG

第 10 章:系统评估与上线优化

匹配正文：…。看的是"找到了,但排得够不够靠前"。 Recall@k 和 MRR 怎么算一个看"全不全",一个看"靠不靠前",两个一起,检索质量就量化了。概念 3:离线评估 vs 线上指标离线评估:用评估集在本地跑,算 Recall/MRR/准确率:上线前反复优化用。线上指标:系统真跑起来后看的:响应延迟(P95/P99)、QPS 吞吐、用户满意度:上线后盯着不出事。离线评估与线上指标解决不同问题。通常先用离线数据筛掉明显不合格的方案,再通过灰度、监控和人工复核观察真实流量表现…

#RAG#检索#项目实战

面试题·模型架构· 海尔

位置编码为什么重要?

匹配正文：…频率计算 sin/cos，可在数学上生成更长位置，但模型未必学会训练长度外的行为； relative position bias/embedding：按 token 间距离或方向修改 attention score 或表示； RoPE：按位置旋转 Q/K 的二维维度对，使点积包含相对位移； ALiBi：给 attention logits 加随距离变化的头特定线性偏置。 “公式可计算”不等于可靠外推。原生正弦编码与 RoPE 超过训练长度后都可能出现困惑度、检索和生成质量退化…

#位置编码#Transformer#自注意力机制

求职指南·求职

手把手把 RAG 教程做成"你自己的"项目

匹配正文：…是:装依赖、贴代码、喂几个文档、问一句、返回答案、截图。这条路径里你没有做过任何一个"取舍决定"——chunk 切多大是教程给的,embedding 用哪个是教程选的,好不好也没量过。于是你的项目在面试官眼里是一张白纸:问什么都只能答"教程里是这么写的"。而项目之所以值钱,恰恰在于那些教程不会替你做、必须你自己拍板并能解释的决定。把这些决定和它们的依据攒起来,就是下面说的证据链。【项目证据链·本篇核心】一个能写进简历的 RAG 项目必须产出的 8 项证据一句话:简历上每写…

#求职#职业转型

面试题·Agent

Agent 短任务和长任务怎么记？工作记忆、长期记忆与任务状态怎样分层

匹配正文：…小收集、用途限制、租户隔离、访问控制、保留期限和用户删除。不能以“提升体验”为理由永久保存所有对话。用户删除一条记忆时，还要处理向量索引、关系记录、对象工件和缓存。只删主表但索引仍可召回，不算真正删除。共享多 Agent 记忆要更谨慎。一个 Agent 有权看到的信息，不代表所有 Agent 都能读。写入与检索都带主体和角色权限。审计日志与长期记忆也不同。审计因合规保留，不一定允许注入模型上下文；长期记忆用于任务决策，更应严格控制内容质量。怎样评估记忆系统短期记忆评…

#Agent#记忆与存储#Agent 长期记忆设计

面试题·模型架构· 百度

DDPM 为什么随机采样时间步?

匹配口述回答：…程中长期看到从高 SNR 到低 SNR 的不同区域。推理时反向轨迹会经过整个时间范围，所以各区域都需要有足够覆盖。时间条件必须以 embedding 等方式输入网络，否则同一个 x_t 在不同日程位置的含义无法区分。如果 t 均匀采样，单个 batch 通常只包含若干随机时间点，它并不保证覆盖所有时间步；无偏性来自很多 batch 累积后对期望的估计。也不能说一个 batch 越大就必然均匀覆盖，仍然只是随机样本。非均匀采样可以做，但要把“采样分布”和“优化目标”分开。比…

#扩散模型#DDPM#加噪过程

面试题·模型架构· 字节

RMSNorm vs LayerNorm：训练效率怎么比?

匹配正文：…对整体平移具有再中心化不变性，RMSNorm则会保留均值分量。逐维 gamma 还会改变各维尺度，因此不能说RMSNorm严格保持向量方向或与RoPE“天然正交”。主流模型选择 LLaMA使用Pre-Norm位置的RMSNorm。合理解释是：在保持模型质量的前提下减少归一化统计量并简化实现，而不是“RMSNorm在任何任务都更稳定”。工程选型应比较训练loss、梯度范数、溢出率、吞吐与最终质量。图解 RMSNorm vs LayerNorm：训练效率怎么比?图解

#LayerNorm#RMSNorm#归一化方法