匹配正文：…ent 有没有权限、信息是否还有效、来源是否可信、是不是被新版本替代，以及它对当前任务到底有多重要。用户今天问“帮我继续上次的 RAG 评测”，向量库可能召回一个月前的项目目标，也可能召回另一个项目里措辞相似的评测记录。旧目标语义很像，但当前阶段已经变化；另一个项目更像，却属于错误作用域。若系统只取相似度最高的几条，记忆越多，污染当前决策的机会反而越大。这道题要回答的是一条检索与排序链路：先识别查询意图和主体，做权限、租户、类型、状态、时间与项目范围过滤，再生成语义候选，…

#Agent#记忆与存储#Agent 记忆检索排序

面试题·RAG

对话历史太长怎么办？滑动窗口、摘要和长期记忆怎么分工？

匹配正文：…会使用同一段对话，但验收目标不同。这里还要把知识库事实单独拿出来。企业制度、产品手册、合同条款属于可验证的静态知识，应由知识检索链路提供；“用户正在办理哪一步”“用户已经确认哪个选项”属于会话状态；“用户明确同意长期保存的语言偏好”才可能进入长期记忆。静态知识更新后，不能让一条旧对话记忆继续覆盖新制度。四类上下文不能混成一份聊天记录三层记忆分别解决什么问题短期窗口：保证当前任务连贯短期窗口保存最近的原始消息、当前任务状态和临近上下文，适合按会话 ID 读取。它的优点…

#RAG#生成与对话#RAG 记忆模块

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…

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

#上下文压缩#生成调优#RAG 效果诊断

面试题·模型微调

生成质量差怎么调优?

匹配口述回答：…型检查答案是否覆盖了文档里的关键点，漏了就重试或提示。其实还有一个方向值得关注，就是让模型自己反思生成质量，比如 [[Self-RAG]] 的思路。它不是在生成后校验，而是在生成过程中就判断要不要检索、要不要引用，动态调整。我觉得这可能是下一代[[RAG]]的方向，比静态调参更灵活。所以整体上，我会把这个问题看成一条迭代链路：先诊断根因，再按成本从低到高尝试，每一步都要有评估指标，比如忠实度、连贯性。我更倾向于先用Prompt和上下文处理解决80%的问题，剩下20%再考虑…

#RAG 生成质量#指令遵循#生成模块调优

面试题·RAG

大模型幻觉是什么？怎么缓解？

匹配正文：…觉根植于生成机制本身，工程上追求的是把幻觉率压到业务可接受的范围，并让错误可追溯。入门之后，可以往幻觉评测（如何量化幻觉率）和 RAG 链路优化两个方向继续深入。

#入门#基础概念#大模型幻觉

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：核心区别：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·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配正文：…致（版本控制）低频高危（定价策略）人工审核+灰度发布天级强一致落地挑战与应对延迟与效果权衡问题：向量检索+LLM生成链路过长（>500ms）解法：检索结果缓存（LRU+语义去重）；预计算热门查询的RAG结果；异步预填充一致性保障向量库与实时库的数据对齐：统一事件时间戳，检索时带valid_time过滤模型幻觉vs知识冲突：显式标注知识来源，冲突时优先级排序（实时库 > 向量库 > 模型参数）效果评估闭环离线：分布漂移前后的KL散度变化、检索命中率在…

#美团#分布漂移#外接数据库增强

面试题·RAG· 小红书

生成式与判别式推荐选型

匹配正文：…采样纯序列，无需显式负样本扩展性新物品需重新计算特征零样本/少样本生成新ID 统一性召回、排序、重排分离单一模型覆盖全链路优势与挑战优势统一框架：召回+排序一体化，简化系统复杂度冷启动友好：利用生成能力推断未交互item 跨域迁移：序列生成能力可跨场景复用天然可解释：生成过程可追溯挑战 ID空间爆炸：商品库百万级，vocab过大训练效率：自回归生成训练慢于对比学习生成质量：可能出现幻觉ID或重复推荐学习建议建议系统学习该知识点

#小红书#生成式与判别式推荐#生成式与判别式推荐选型

面经·项目面试

Reranker 的上限，藏在候选集里

匹配正文：…长度处理。两层都确认之后，再在同一批候选上比较模型分数、目标名次与最终保留情况，重排模型才承担了它真正能处理的那部分问题。企业级RAG项目把Rerank放在混合召回之后。面试中讲这一步，先说明排序器收到什么，再说明如何判断排得好不好，会比只报一个模型名更完整。更强的排序器可以改善选择，但选择范围和可见信息，始终要由前面的链路交到它手里。

#RAG#Rerank#候选召回

面经·项目面试

混合检索先过一关：两路分数能直接相加吗？

匹配正文：….5，就认为可以放到同一张成绩单上。检索分数当然不是米或摄氏度，这个类比强调的是：不同机制产生的数值，缺少天然统一的解释。企业级RAG项目把混合召回列在检索链路中。要把这一步讲清楚，先不用搬出很长的架构图。固定两张候选名单，改一次分数尺度，就能看见直接相加到底依赖什么。开发者阻止把米尺与温度计的读数直接相加，类比两路分数尺度不同把向量分数乘十，第一名换了我做了一组人工候选。BM25一路依次是A、B、C、D，分数分别为50、49、2、1；向量一路依次是B、C、E、A，分…

#RAG#混合检索#RRF

项目实战·Agent

Deep Research Agent

匹配正文：…LM-as-Judge 作为候选评测方法校验把失败样本回流到数据与策略验证学习成果理解一个「执行框架 → 训练 → 评估」全链路的研究 Agent 如何设计，并能按职责、方案、证据和边界复盘。只有亲自完成并留有证据的部分，才能写进个人简历。适合谁想做 Agent / 规划方向、想补齐 Agent 训练全流程的同学自主调研 Agent：搜索 → 阅读 → 交叉验证 → 生成带引用的调研报告（以技术选型调研为例）业务背景：让 Agent 自己「做研究」，而不是查一篇…

#项目实战#Deep Research Agent

系统教程·检索

重排与检索优化面试题大全

匹配正文：RAG 做不好，大多数问题出在召回和排序。面试官会追问为什么加重排、怎么权衡延迟、怎么构造训练数据、怎么评估召回和排序质量。这一页集中整理检索优化链路。配套教程 RAG 教程第 6 章：Rerank 重排怎么选型和提速 RAG 教程第 5 章：混合检索与召回策略知识模块重排模型、排序指标与召回优化重排模型、排序指标与召回优化常见问题 Rerank 为什么是 RAG 面试高频题？因为它直接影响最终上下文质量。面试官会看你能否解释粗召回和精排的分工、Cross-Enc…

#专题学习#重排与检索优化面试题大全

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

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

匹配正文：…量”。研一/研二可以在这一阶段顺手整理个人知识库,把后续项目文档、论文摘要和面试题都放进去;在职后端不要追求概念全覆盖,先围绕 RAG、Agent、评估、Prompt 四块把口语表达练顺。第 2 步:最小实现,用代码打掉“我只是看过”的错觉最小实现不是为了写简历,是为了确认你真的理解链路。建议按下面三个小任务走: 调通 LLM API:同步调用、流式输出、超时重试、错误处理、成本日志。后端同学这里会很舒服,因为本质还是服务调用。写一个工具调用 Agent:让模型决定是…

#求职#职业转型

求职指南·求职

2026 大模型岗就业市场:招聘量、城市、薪资档位、哪些公司在招

匹配正文：…普通 BI 自动化深圳/广州硬件、制造、跨境、智能终端和企业应用多工程背景强、偏落地和产品化的人场景分散,要看是否真有模型链路杭州电商、云、AI 应用平台、Agent/RAG 岗位活跃 Java/后端、平台工程、应用开发岗位变化快,投递要按团队看成都/武汉/南京/西安等大厂分部、研究院、行业数字化项目有城市约束、愿意做行业落地的人岗位密度低于一线,更依赖精准投递研一/研二如果学校所在城市岗位少,要尽早准备远程面试和暑期实习城市迁移。在职后端如果家庭和工…

#求职#职业转型

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：…all@k、MRR、答案正确率怎么量化? 发布前加引用溯源、拒答、权限过滤没依据时怎么拒答? 不同用户能不能看到同一份文档? RAG 很适合后端转型,因为它一半是数据管线和服务系统,一半是模型行为。站内的RAG 智能问答系统就是按这个链路设计的:从文档处理到检索、重排、记忆、引用、评估一步步补齐。如果你简历里只有“基于 LangChain 搭建知识库问答”,会很薄。把它升级成“构建保险知识库 RAG,通过切块策略、混合检索和重排将召回质量从错误样例中逐步修正,并支持引用…

#求职#职业转型

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：…Deep Research/论文调研 Agent “让 Agent 自动检索论文、提取方法、生成带引用的调研报告” 数据处理脚本 RAG 文档清洗和评估集构造 “处理 PDF/HTML/表格,做切块质量和召回评估” Web/后端项目大模型接入业务系统 “把 LLM API、权限、日志、队列和业务流程串起来” 推荐/搜索方向检索、重排、评估 “把搜索/推荐指标迁移到 RAG 召回和排序” 重点不是“贴一个大模型标签”,而是加入模型链路后的技术决策:为什么用 RAG,文档怎么…

#求职#职业转型

项目实战·Agent

第 5 章:训练数据构造,种子 → 轨迹 → 增强

匹配正文：…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「轨迹」长什么样轨迹就是把第 …

#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：…末半天设计。工作忙时可以拉长到 16 周,但不要无限拖。周期目标具体任务输出第 1 周定方向读路线图和岗位画像,选 RAG 或 Agent 主线目标岗位清单 + 20 个 JD 第 2-3 周补最小模型链路调 LLM API、流式输出、工具调用、最小 RAG 3 个可运行小 demo 第 4-7 周做完整项目跟RAG 智能问答系统或Deep Research Agent做主项目项目代码 + README + 架构图第 8 周加评估和 badcas…

#求职#职业转型

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：…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"切块-向量化-检索-重排-生成"整条链路 RAG 架构 Agent 与工具调用让模型自己决定调哪个工具、按结果再决策能说清一次工具调用的请求-执行-回填闭环 /ai-coding 第 3 章 Prompt 与结构化输出用提示词约束任务,并要求返回 JSON 等固定格式能写出让下游能解析的稳…

#求职#职业转型

项目实战·Agent

第 8 章:评估:调研类任务没标准答案,怎么定义「好」

匹配正文：…思维,这正是大厂最看重的「能自己驱动项目变好」的能力。这也是这个项目最值钱的地方:它不是一堆孤立的技术点,而是一条会自我改进的完整链路。 🧭 这一章到这儿:评估的难点、评什么、LLM-as-a-Judge 与它的偏见、防刷分、闭环飞轮,这一章都讲透了。 🏆 Part 3 · 验收串题｜ ~10% 关联面试题(5 道,覆盖 5 个角度) 【评估体系设计】设计一套完整的评估体系来衡量一个 Agent / RAG 系统的性能。较难 → 【评测集选择】你在项目里用过哪些评…

#Agent#Deep Research#项目实战

求职指南·求职

只会 Java,怎么快速上手 Python 和大模型工程栈

匹配正文：…ip / venv uv 一个工具管虚拟环境 + 装包,速度最快可选编排 LangChain / LlamaIndex 现成的 RAG/Agent 抽象,但别过度依赖 (见下) 关于编排框架多说一句:LangChain、LlamaIndex 能省样板代码,但它们把控制流藏进了一堆抽象里。简单逻辑 (三行能写清的检索、拼 prompt、调一次模型) 自己手写,出问题一眼能定位;等你的链路真的复杂到需要统一管理记忆、工具、回调时,再引入框架不迟。转型初期我更建议手写,因为面试官…

#求职#职业转型

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：…假设卸载重装。看不清这条线,是很多后端转型卡壳的根因。你的能力直接复用还是要重训直觉说明系统设计 / 分层架构直接复用 RAG、Agent 系统的模块切分和你画的服务架构图是同一种思维数据管线 / 批处理直接复用文档清洗、切块、向量化就是一条新的 ETL,链路你熟性能 / 成本优化大部分复用换成 token 成本、首 token 延迟、并发批处理,方法论一致接口 / 编排直接复用函数调用、工具编排就是把外部能力封成接口给模型调「效果好不好」怎么判…

#求职#职业转型

求职指南·求职

没有大模型项目经验,怎么攒出能写进简历的项目

匹配正文：… 还是 Agent 别贪多。选一条主线做深,比三条都做浅强得多。两条路线的差异不在难度,在你想证明什么、以及你的时间预算。维度 RAG 路线 Agent 路线适合谁首选,尤其后端转行、想快速出证据链的人已有 RAG 基础、想主打自主决策/工具编排方向的人能证明什么检索工程能力:切块、嵌入、混合检索、重排、评估闭环任务规划、工具调用、长程记忆、多步失败恢复面试考点密度极高,是应用岗最主流的考法高,但更看重系统设计和边界处理上手门槛中,链路长但每环都有成熟…

#求职#职业转型