匹配正文：…模态编码器] → 统一Embedding空间 → [跨模态检索器] ↓ 检索结果(图文混合) → [多模态融合模块] → [多模态LLM] → 生成输出关键模块：编码层：CLIP/Chinese-CLIP（图文）、ImageBind（图文音）、Q-Former（细粒度）检索层：向量库支持多模态索引（如Milvus多向量集合）、重排序模型生成层：LLaVA、Qwen-VL、GPT-4V等多模态大模型，支持图文交错输入典型应用场景电商智能导购：用户上传穿搭图，检索相似…

#阿里#多模态#Multi-modal RAG

面试题·Prompt· 高德

CoT vs ToT vs GoT 怎么选?

匹配题目：在智能Agent系统中，规划能力是完成复杂多步任务的核心。请系统介绍当前主流的提升大语言模型规划能力的方法，如思维链（CoT）、思维树（ToT）、图思维（GoT）等，深入分析它们的原理、适用场景，并对比各自的优缺点与实际应用中的局限性。

#高德#CoT ToT GoT 对比#大模型规划能力

面试题·Prompt· 阿里

怎么让模型稳定输出 JSON?

匹配题目：在大模型应用中，如何设计提示词或后处理机制以确保模型稳定地输出符合JSON格式的结构化内容？

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

#阿里云

#大模型 JSON 输出

#提示词设计

面试题·Prompt

AI Agent 核心概念与架构

匹配正文：答案要点能清晰区分Agent与传统LLM的本质区别（自主决策 vs 被动响应）阐述ReAct/CoT等推理范式及其作用说明工具调用（Function Calling）的实现机制列举至少2个典型应用场景并分析Agent的核心价值提及多Agent架构或当前主流框架（如LangChain、AutoGPT等）核心概念 AI Agent是以大模型为"大脑"的自主智能体，与传统LLM的关键区别在于：特性传统LLM AI Agent 交互模式单次问答，被动响应多轮迭代，…

#Agent 架构#工具调用#AI Agent 架构

面试题·Prompt· 哔哩哔哩

CoT 提示怎么写?

匹配正文：…示例设计的关键原则（多样性、步数适中、答案正确）明确CoT在复杂推理任务（数学、逻辑、代码）中的有效性边界 CoT的核心思想让大模型显式生成中间推理步骤，而非直接输出答案。本质是将隐式推理过程外显化，利用模型的生成能力逐步求解复杂问题。两种典型模板 1. Zero-shot CoT（零样本）直接添加触发指令，无需示例： Q: 一个农场有鸡和兔共35只，脚共94只。鸡兔各几只？ A: Let's think step by step. 或中文版本："请逐步思考并解答" …

#b站#Agent#Chain-of-Thought 提示

面试题·Prompt· 美团

ReAct 框架核心思想与流程

匹配题目：请详细介绍ReAct（Reasoning + Acting）框架的核心思想、工作流程及其在大模型代理任务中的应用优势。

#美团#Agent#ReAct 框架

面试题·Prompt· 百度

Prompt 优化策略有哪些?

匹配题目：在使用大语言模型时，prompt设计对输出质量有显著影响。请说明prompt优化的主要策略和技术手段，如思维链、少样本学习等，并举例说明其应用场景。

#百度#Prompt工程#Prompt 优化

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配题目：…l-Augmented Generation, RAG）的基本概念、核心架构组成及工作流程，说明其解决的关键问题，并对比分析在哪些应用场景下RAG优于纯参数化记忆的大模型，举例说明其优势与局限性。

#淘天#阿里#RAG 架构

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…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，控制chunk size（通常256-512 tokens） Embedding：用BGE、M3E等模型编码为稠密向量存储：FAISS、Milvus等向量数据库 + 可选的倒排索引混合 2. 检索（R…

#百度#RAG核心组件#RAG 技术原理

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…ch适合开放式复杂问题，RAG适合封闭域事实问答能举例说明典型产品（如OpenAI Deep Research vs 传统RAG应用）核心区别：单次检索 vs 自主迭代研究维度 RAG Deep Research 本质检索→生成的一次性流程多轮"检索-分析-再检索"的自主循环决策主体预定义流程，无自主规划 LLM自主决定下一步检索什么检索次数通常1-2次数十次甚至上百次输出形态直接回答结构化研究报告（带引用）技术原理差异 RAG 架构：Retrie…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 字节

BM25/向量/混合检索选型

匹配题目：在大模型应用开发中，您通常会选择哪些检索方法？请说明选择这些方法的技术考量和使用场景。

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…：用Cross-Encoder精排，过滤低质片段 3. 生成阶段上下文组装：检索结果 + 用户Query → 构造Prompt 大模型生成：基于检索上下文回答，可引用来源典型应用场景场景说明企业知识问答内部文档、规章制度，解决大模型不知道私域知识的问题客服系统基于产品手册实时检索，避免幻觉，答案可溯源研报/法律分析长文档摘要+精准定位原文，处理超出上下文长度的材料核心优势 vs 局限优势知识实时更新：不用重新训练模型，增量更新知识库即可可解释性强：…

#字节#RAG应用场景#RAG 技术实现

面经·项目面试

写工具排队以后，Read 的顺序由谁保证？

匹配正文：…计。写入失败后，后读究竟继续查看旧状态、等待补救，还是直接返回前置条件未满足，要与任务语义一致。队列里没有同时运行的工具，并不会替应用自动回答这个问题。建议在写单入队时落下栏杆，已有先读先离开，后读等待写入完成先查执行轨迹，再看结果列表排查时还容易混淆结果关联与执行顺序。原流式执行器返回的是调用ID与结果的配对，收集时遍历 _pending。但排队的写入直到后来启动，才会被追加进这份列表。在上面的受控运行中，输入ID顺序是先读、写入、后读；返回列表却是先读、后读、写入…

#Agent#工具调度#并发编排

面经·项目面试

子 Agent 有独立上下文，为什么还要认真写交接？

匹配正文：…统要求“把登录问题全部解决”更容易建立接口。父任务可以根据这份结果选择下一步，而不用再从一长串过程文字里猜它究竟走到了哪里。如果应用需要稳定处理这些结果，可以约定固定的返回内容，或使用单独的结果结构。约定要进入子任务的输入，接收端也要按它读取。仅给角色加上一句“请严谨”，不会自动把文本拼接变成可靠的结构化交接。交接写多了，也会带入过期判断为了防止漏信息，最直接的办法是把父会话全部贴过去。但登录排查的旧历史里，可能同时包含旧版故障、已经排除的猜测，以及这次才确认的新范围。…

#Agent#子Agent#上下文交接

面经·项目面试

流式工具调用，究竟等到哪一刻才能开始执行？

匹配正文：…。如果首段解析失败就把调用判错，系统会把正常的增量传输误当成坏请求。反过来，某段文本碰巧已经能解析，也不说明上游已经结束这个块。应用需要遵守内容块的结束信号，不能靠“现在看起来像完整 JSON”猜测后面是否还有内容。适配器还用块的 index 区分缓冲区。文本、工具或其他内容分别保留自己的状态，增量与结束事件都按编号找到对应块。若只保留一个全局参数字符串，就很容易把不同块的内容拼到一起。参数片段的边界也不必和字段边界一致。一个设备编号可以分在多段字符串里，字段名、引号和…

#Agent#流式工具调用#工具执行

面经·项目面试

装了很多 Skill，要把每份说明都塞进上下文吗？

匹配正文：…有 SKILL.md 的全文都存进了管理器。既然全文早就读了，渐进披露到底体现在哪里？答案藏在“加载到哪里”。磁盘上的文件被读进应用进程，不等于全文已经发给模型。要判断 Skill 是否按需披露，应该沿实际模型请求往下看，不能只数程序读了几次文件。开发者先看技能目录，未选中的厚手册仍留在书架一次加载，可能指向三个位置先把同一份说明书经过的位置分开。它最初是磁盘上的文件，管理器扫描后成为进程中的字符串，最后才有机会进入发给模型的请求。这三处保存的内容，不必完全相同。 …

#Agent#Skills#渐进披露

项目实战·模型微调

Function Calling 微调

匹配正文：…l 数据格式怎么造高质量样本难例 / 负例怎么配训练 + 评估训练策略怎么选怎么评估调用准确率常见坑与对策复盘 + 应用事实怎样留证面试怎么讲失败后怎么优化学习成果目标是建立「业务 → 数据 → 训练 → 评估」闭环，并能区分亲自完成的事实与教学方案。适合谁想理解 Agent 工具调用与微调评估的同学 Function Calling 微调知识点地图想跟着老师完成项目需要项目实现、代码复盘和面试指导，可以了解大模型训练营的课程安排。

#项目实战#Function Calling 微调

项目实战·强化学习

RLVR 强化学习项目

匹配正文：…务技术方案奖励怎么「可验证」整体训练范式关键组件设计数据 + 训练数据怎么准备训练流程解析训练效果评估复盘 + 应用事实怎样留证面试怎么讲后续怎么扩展学习成果目标是讲清 RLVR 的适用条件、训练链路、验证方法与已知风险。适合谁想冲 RL / 训练岗、想聊点比 RLHF 更新的方向的同学 RLVR 强化学习项目知识点地图想跟着老师完成项目需要项目实现、代码复盘和面试指导，可以了解大模型训练营的课程安排。

#项目实战#RLVR 强化学习项目

项目实战·Agent

Text2SQL 自然语言查数据

匹配正文：…与兜底学习成果目标是跑通基础链路，并理解 Schema 选择、SQL 校验与失败兜底。适合谁想从一个边界清楚的入门练习理解大模型数据应用的同学 Text2SQL 自然语言查数据知识点地图想跟着老师完成项目需要项目实现、代码复盘和面试指导，可以了解大模型训练营的课程安排。

#项目实战#Text2SQL 自然语言查数据

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：…果。文中不预填项目规模、个人职责与效果数字；练习时只能使用自己能够说明测法与证据的事实。学习背景经验：适合有后端基础、正在准备大模型应用开发岗位的读者项目背景：练习场景：企业文档 RAG；项目规模、指标与个人职责由读者按真实经历填写目标岗位：大模型应用工程师准备时间：按自己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cr…

#RAG#项目深挖#教学复原

求职指南·RAG

RAG 评测集与 bad case项目模拟面试

匹配正文：…态变化。端到端组件、数据流和每层输入输出关键接口与约束如何影响设计下一步：tradeoff。配套学习：评测数据集怎么选?、大模型任务表现差怎么排查？。 4. tradeoff · tradeoff 哪些指标自动计算，哪些必须人工或模型评审？为什么不只用一个端到端正确率？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：自动 vs 人工评价怎么选?、大模型应…

#模拟面试#简历项目#连续追问

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：RAG 是大模型应用开发岗面试必考的第一主题：简历上写了 RAG 项目，面试官会从分块、检索、重排一路追问到评估。这一页把本站全部 RAG 资产按知识体系组织好——先用 11 章实战教程把系统做出来，再按模块刷真题，每道题都有书面答案和口语版讲法。配套教程 RAG 智能问答系统：11 章从原理到评测知识模块 RAG 基础与整体架构文档处理与分块向量检索与召回重排与检索优化知识图谱增强常见问题 RAG 面试一般会考哪些问题？围绕你简历上的 RAG 项目逐层追问：…

#专题学习#RAG 面试题大全与知识体系

系统教程·Prompt

Prompt 工程面试题大全

匹配正文：…RAG 用它组织上下文和引用，Agent 用它定义任务、工具与停止条件。好的 Prompt 工程必须和系统设计一起看。继续学习大模型技术栈全景：Prompt 在应用岗里考多少做一个 Agent 项目怎么做：Prompt 与工具协同

#专题学习#Prompt 工程面试题大全

系统教程·模型基础

Transformer 与模型架构面试题大全

匹配正文：应用开发岗不要求推导所有公式，但必须懂模型结构到能做工程取舍：为什么 Decoder-only 成主流、KV Cache 为什么省时、GQA 为什么省显存、推理延迟怎么优化。配套教程大模型应用开发要懂哪些概念、懂到什么程度转大模型应用开发，数学和深度学习理论要补多少知识模块 Transformer、Attention 与模型结构 Transformer、Attention 与模型结构 KV Cache、批处理与推理优化 KV Cache、批处理与推理优化常见问题应…

#专题学习#Transformer 与模型架构面试题大全