匹配正文：…vation，支持工具调用和推理交织 CoT/ToT：链式/树式思维，单体内完成复杂推理 Memory分层：短期工作记忆 + 长期向量记忆适用场景：任务边界清晰、工具调用链可控、无需外部协作的闭环任务多智能体架构三种拓扑结构类型特点代表框架集中式 Manager统一调度，Agent专精执行 MetaGPT 分布式 Peer-to-peer协商，无中心节点 AutoGen 混合式分层管理，局部集中+全局分布 CrewAI 关键维度对比通信机制单智能体：内部状…

#百度#评估与监控#Agent

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配口述回答：…能命中“鞋码”但漏掉“退换货”的文档。这时候向量就重要。但如果是搜售后工单号“TK20250301”，BM25 精确匹配又快又准，向量反而可能因为语义扩展召回一堆不相关的东西。我会在固定标注集和真实负载上比较BM25、BGE-M3的dense/sparse/multi-vector及混合方案。Recall的分母是全部相关文档，Precision才是返回结果中的相关占比；歧义词还要看上下文与实体消歧，不能由0.85、20毫秒或歧义词直接推出通用选型。这里有个坑：向量检索不是万…

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·评估· 快手

Chain/Agent/Tool 怎么分工?

匹配正文：…态决策模块化设计价值层面具体体现模型无关统一接口支持OpenAI、Anthropic、本地模型等组件可插拔换模型、换向量库、换工具只需改配置记忆管理 ConversationBufferMemory等抽象简化上下文维护生态集成一键接入数百种文档加载器、向量存储局限与权衡过度抽象：简单场景引入不必要的复杂度调试困难：链式调用堆栈深，错误定位难性能损耗：运行时反射和序列化开销实际选型建议：快速原型选LangChain，生产环境复杂系统可考虑自研轻量框…

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

#快手#评估与监控#Agent

面试题·评估· 阿里

主流Agent框架优缺点与场景怎么选?

匹配口述回答：…快速验证想法，真要上线，你得把它当参考实现，自己重写精简版。再来说LlamaIndex。它的核心是Index，各种索引结构，比如向量、树、关键词、图。它天然是为[[RAG]]设计的，Query Engine封装了检索加合成的标准流程。所以如果你要做企业知识库问答，或者结构化数据查询，LlamaIndex非常顺手。它的检索策略很丰富，RAG效果容易调优，而且它和LangChain可以互操作，通过一个工具包装就能把LlamaIndex的检索能力当工具给LangChain用。但…

#阿里云#评估与监控#Agent

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配口述回答：这道题我觉得本质不是在问你知道多少种技术，而是在考察你面对一个真实业务场景时，能不能做出合理的选型决策。我理解目前主流的有提示工程、[[上下文学习]]、微调、[[RAG]]和[[Agent]]这五条路，但它们不是互相替代，更多是互补。落地的时候，经常是两三个一起上，关键看场景和成本。先说提示工程和上下文学习。这两个其实都是零成本或者接近零成本的方式，不更新模型参数。提示工程就是靠写指令，让模型按你的要求输出，比如客服话术生成，改改prompt就能迭代。上下文学习呢，给几个例…

#滴滴#模型微调#Agent

面试题·模型微调· 百度

Tool Calling 技术路径怎么选?

匹配正文：一、三大技术路径对比方法核心机制适用场景优劣势提示工程在prompt中嵌入工具描述（JSON Schema），靠ICL能力生成调用工具少、调用简单、快速上线零成本，但复杂场景易幻觉、格式不稳定微调增强用<tool_call>标注数据SFT，训练模型输出结构化调用工具多、领域专用、高稳定性要求准确率高，但需标注数据、灵活性差代理框架 ReAct/Plan-and-Execute循环，LLM作为推理引擎决策多步推理、动态规划、复杂Agent 可解释性强…

#百度#模型微调#Tool Calling 实现

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程（索引-检索-生成）的完整理解向量数据库选型与优化要点检索策略（稠密/稀疏/混合）的权衡实际落地中的关键挑战（幻觉、时效性、多跳推理） RAG与微调的结合思路一、技术原理 RAG的核心思想：用外部知识弥补大模型的知识截止和幻觉问题，把LLM从"闭卷考试"变成"开卷考试"。标准流程三步走：索引（Indexing）：文档切分→Embedding编码→向量库存储检索（Retrieval）：Query向量化→相似度搜索→Top-K召回生成（Ge…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：答案要点领域数据清洗与结构化（非结构化文档解析、表格/图表处理、领域术语标准化） Embedding模型选型与微调（通用vs领域模型、对比学习微调）检索架构设计（多路召回、重排序、查询改写）生成环节优化（Prompt工程、上下文压缩、引用溯源）端到端评估体系（检索准确率、生成忠实度、领域专家评估）一、数据准备：领域知识工程化文档解析与结构化非结构化：PDF/Word用Unstructured/MinerU解析，保留标题层级、表格结构多模态：医疗影像报告需OCR…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…息置首尾（利用位置偏置）上下文压缩：用更小模型提取关键句，缓解长上下文噪声 4. 系统层：反馈闭环用户点赞/点踩数据回流，微调Embedding模型（领域适配）检索失败检测：当置信度低于阈值，触发主动澄清或转人工技术边界与选型 RAG不是万能解，需与SFT、Agent协同：高频稳定知识 → SFT内化到模型参数动态/海量知识 → RAG外挂复杂任务执行 → Agent+RAG（检索作为工具之一）美团场景示例：外卖菜品知识用RAG实时更新，但下单对话策略用SFT…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配正文：…发布，查询才能读到新版本。天气、订单和实时价格等数据更适合通过实时 API 或数据库工具获取，再把结果作为生成依据，而不是依赖静态向量库。 2. 私有与领域知识企业政策、产品手册和内部流程可以通过检索按权限注入上下文，无需为每次事实变化重新训练模型。系统仍要做好文档级授权、租户隔离和引用回查，避免检索到用户无权访问的内容。 3. 幻觉与可追溯性检索证据、引用和“资料不足时拒答”可以降低部分无依据生成，但前提是证据正确、完整且生成器忠实使用。错误召回、冲突文档或过期索引也可…

#美团#知识增强#RAG 核心问题

面试题·知识图谱· 淘天

伪多模态与原生多模态差在哪?

匹配正文：…心区别：是否共享语义空间伪多模态RAG 实现方式：图像/视频经OCR、Caption或视觉编码器（如CLIP）转成文本描述，再入向量库典型链路：图像 → BLIP2生成caption → 文本embedding → 检索 → LLM生成本质：多模态→单模态的有损压缩，检索和生成阶段都是纯文本真多模态RAG 实现方式：图像和文本统一编码到共享语义空间，直接进行跨模态相似度计算典型链路：图像+文本 → 多模态encoder（如CLIP dual encoder/EVA-…

#淘天#知识图谱#伪多模态RAG

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配正文：…用场景文档智能：发票、合同、研报（ColPali优势）电商搜索：商品图+详情页联合检索医疗影像：影像+报告跨模态查询 5. 选型建议场景推荐方案追求效果上限端到端多模态Embedding 快速落地伪多模态+CLIP+重排序成本敏感视觉Caption+文本RAG 学习建议掌握多模态嵌入与对齐技术，理解RAG中模态融合机制，对比单流与多流架构差异。

#淘天#多模态#多模态 RAG 架构设计

面试题·多模态· 淘天

伪 vs 真多模态 RAG 优劣在哪？

匹配正文：…个设计为什么好看" 强：支持视觉推理、空间关系、风格分析等深层理解系统复杂度低：链路简单，成熟工具多，调试成本低高：需多模态Embedding服务、大显存、跨模态对齐难题选型建议选伪多模态：文档问答（文字为主）、快速POC、成本敏感场景选真正多模态：电商商品图分析、医学影像、设计类问答、任何需要"看懂"而不仅是"读出"的场景实际落地中，常见折中方案：用轻量多模态模型打标构建文本索引，检索后召回原图送入强多模态LLM——兼顾检索效率与生成质量。学习建议建议掌握…

#淘天#多模态#伪多模态RAG

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配正文：…ent落地的工程基础，保证与后端系统的可靠对接四、高阶优化方向方法核心思想适用阶段 Prompt Tuning 学习软提示向量，冻结模型大量相似任务，需降低推理成本 Auto-CoT 自动聚类生成多样化推理示例缺乏人工标注时提升Few-shot效果选型建议简单任务（分类、摘要）：Zero-shot + 清晰指令复杂推理（数据分析、决策）：CoT/ToT，权衡效果与成本工具集成（搜索、推荐）：ReAct + Function Calling，注意异常处理链 …

#小红书#提示工程方法#Prompt 技术

面试题·Prompt· 百度

AI Agent 架构与框架怎么选?

匹配正文：…划、记忆、工具调用 ReAct的推理-行动交替机制 CoT的纯推理链与Agent的区别 AutoGPT的自主循环架构及局限性框架选型需考虑任务复杂度、可控性、成本 AI Agent基本架构 Agent = 大模型核心 + 三大关键组件：组件作用规划（Planning）拆解任务、制定执行策略、自我反思修正记忆（Memory）短期上下文 + 长期知识库（向量存储）工具调用（Tool Use）与外部API、数据库、计算资源交互主流框架对比 1. ReAct（Re…

#百度#Agent#AI Agent 架构

面试题·Prompt

封闭标签分类如何约束解码?

匹配正文：…严格结构化输出；Logit Bias只在所用模型/API支持时作为辅助，不能靠屏蔽首token保证完整标签合法。类别100不是通用选型门槛。超大类别或层级分类：改用Embedding检索+小模型二次确认，而非硬枚举必须属于闭集的输出：可使用完整标签序列约束、支持enum的严格结构化接口或确定性分类器/规则，并单独处理拒答、截断与无合适标签；这不等于业务决定100%正确。兜底策略：无论哪种方法，都需加后校验——用精确成员检查与schema校验确认输出属于封闭集合；模糊匹配…

#Logit Bias#约束解码#封闭集合标签分类

面试题·Prompt· 阿里

Prompt 优化方法有哪些?

匹配正文：…能系统分类Prompt优化方法（结构化、示例类、推理增强类）准确解释CoT/ToT等核心方法的原理差异说明不同方法的适用场景和选型依据提及前沿方法如DSPy、自动提示优化等 Prompt优化方法可分为四大类：一、结构化优化角色设定：给模型定义专业身份（"你是一位资深算法工程师"），激活特定领域知识输出格式约束：用JSON/XML模板、Markdown表格等强制规范输出结构，便于下游解析分隔与标记：用###、"""等明确区分指令、上下文、输入，降低歧义二、示例驱…

#阿里#Prompt工程#Prompt 优化方法

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：…部知识库，把相关文档塞进Prompt，让模型基于"开卷考试"作答。标准流程（三阶段）阶段关键动作技术要点索引文档切分→Embedding→入库分块策略（按语义/固定长度）、向量化模型选型检索 Query向量化→相似度搜索→TopK召回向量数据库（Milvus/Faiss）、多路召回（向量+关键词）生成拼接Prompt→LLM生成答案上下文压缩、引用溯源、拒答机制为什么能提升质量？事实准确性：知识库可维护、可溯源，直接引用原文降低幻觉知识时效性：不…

#字节#大模型幻觉#RAG 原理

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配正文：…风险内容（用药剂量、量刑标准）强制人工确认众包+专家双审：初级审核员筛查，领域专家终审 4. 索引架构（三级）层级作用技术选型一级：向量索引语义召回领域微调Embedding + 混合检索二级：关键词索引精确匹配（药品名、法条号） Elasticsearch 三级：知识图谱关联推理（禁忌症、判例引用） Neo4j 合规性保障机制溯源强制：每个回答附带原文片段+文档版本+页码权限控制：敏感内容按角色脱敏（患者/医生/律师可见层级不同）审计闭环：用户查询…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配口述回答：…”，优先LlamaIndex。我更倾向把LlamaIndex看成数据基础设施，LangChain看成应用编排引擎，两者互补。实际选型时，我会先画出系统的数据流和决策流，再决定哪个框架做主力。本质是工作流编排 vs 数据检索 LangChain适合多工具Agent场景 LlamaIndex适合知识库精细检索实际落地常组合使用风险与取舍约4分钟百万级数据量时LlamaIndex默认索引可能性能不足，需要分库、缓存或改用更轻量的Faiss。面试官可能会追问大规模索引的…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 淘天

偏好数据如何收集与建模?

匹配正文：…ntion-based） ↓ 生成回复 / 商品推荐（多任务输出）静态偏好：用户长期画像（价格敏感度、品牌偏好、风格标签）→ 存向量库动态偏好：当前会话意图漂移检测（用KL散度监控话题转移）群体先验：相似用户簇的偏好作为冷启动回退三、训练优化流程阶段目标方法 SFT 基础对话能力高质量客服对话数据，加入<用户画像>特殊token 偏好数据对齐用户目标同一用户画像/对话上下文下比较回复A/B，治理曝光偏差与反馈噪声优化选型比较质量与成本 DPO直接用偏好…

#淘天#用户偏好建模#偏好感知对话系统

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配正文：…话典型技术：显式改写：用模型生成自包含Query（QuReTeC、LLM-based）隐式编码：历史拼接+Position Embedding（如ChatGLM的对话格式）京东等电商场景的特殊考量挑战解决思路属性对齐 "大屏手机"→屏幕尺寸>6.5英寸，需对接知识图谱品牌词保护改写时锁定品牌实体，防止"小米"→"大米" 库存感知改写结果过滤无货SKU，或提示"相似款" 选型建议高并发搜索：同义扩展 + 缓存，保证延迟对话式导购：语义重写 + 历史融合，…

#京东#Query改写#Query 改写

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"的三阶段核心思想准确描述索引、检索、生成三大组件及其技术选型说明RAG相比纯参数化知识的优势（时效性、可解释性、成本）至少提及2-3个真实挑战（检索精度、上下文窗口、多跳推理等）核心思想 RAG（Retrieval-Augmented Generation）将外部非参数化知识与大模型参数化知识结合，解决纯LLM的幻觉、知识时效性和领域适配问题。三大核心组件 1. 索引（Indexing）文档切分：按语义/固定长度分块，控…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

RAG检索质量提升5法

匹配正文：…结果扩展词项，需防止错误结果造成 query drift。 2. 检索中：多路召回与排序 BM25 擅长字面、实体和编号匹配，稠密向量擅长语义近似，可用 RRF、归一化加权或学习排序融合。随后只对有限候选使用 Cross-Encoder 等重排模型。具体候选数由 Recall、nDCG、吞吐和延迟预算决定，不使用固定通用值。 3. 检索后：上下文选择对候选做权限和元数据过滤、去重、证据片段抽取、上下文压缩与排序，保留引用关系。块大小和压缩策略取决于文档结构、查询类型与模型窗…

#字节#重排与优化#RAG 检索质量提升