匹配口述回答：…用户问一个企业SOP里的合规条款，模型会先触发预检索，把相关文档拉进工作记忆，再开始推理。反过来，Agent的执行日志也会回流优化RAG的索引策略，比如哪个文档被频繁引用但总是答不对，说明索引质量有问题，我会调整 [[Chunk]] 策略或者加 [[重排]]。这里我其实有个困惑还没完全想透，就是当工具调用链特别长的时候，中间任意一步失败，重规划的成本很高。我目前的做法是给每个子任务设一个最大重试次数，超了就整条链路回滚，但感觉有点粗暴。有没有更好的做法，比如只回滚到失败的前…

#百度#Agent#Agent 系统设计

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配口述回答：这道题问的是文档清洗预处理，其实本质是在问：你如何在信息密度和检索效率之间做取舍，同时避免污染生成质量。很多人在做领域 [[RAG]] 时只关注模型或检索策略，但数据源头要是脏的，后面怎么调都没用。先说通用清洗层，这层是必须做的，但别做过头。格式标准化、去乱码、过滤页眉页脚这些是基本功。但有个坑：过度清洗可能会丢掉有价值的信息。比如技术手册里的页脚可能是版本号，你一刀切掉，后面检索时版本匹配就出问题。所以我会把这层当成「安全网」，只做保守操作，把判断权留给后面。真正拉开差…

#字节#RAG 文档清洗#文档预处理

面试题·评估· 美团

LLM 幻觉治理方法对比

匹配口述回答：…为它在错误的基础上反复确认。所以我觉得它更适合那些模型本身有一定判断力的场景，而不是完全无知的情况。所以综合来看，我更倾向于把 RAG 作为主力，解码策略作为标配，后处理作为按需补充。没有银弹，只有组合拳。面试官如果感兴趣，我可以再展开讲讲 RAG 里检索质量怎么保证，比如 [[Chunk]] 策略怎么设计、[[Embedding]] 模型怎么选。一句话定位：本质是模型能力边界与可靠性之间的平衡 RAG的适用边界与落地风险解码策略与后处理作为互补手段组合策略与工程师取…

← 上一页第 6 / 6 页

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

#美团#幻觉治理#LLM 幻觉治理方法对比

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配口述回答：…以用户点击反馈作为运行前提；领域偏移与实体匹配效果仍要评估。评估指标我重点看三个。质量上，Recall@k 是首要的，因为 [[RAG]] 里漏检代价最高，你漏了相关文档，后面生成就没了依据。然后是 MRR，它看第一个相关结果排得多靠前，对排序质量敏感。效率上，P99 延迟是红线，向量检索可以选择精确搜索或HNSW等近似索引；延迟、构建、更新与资源成本依实现和负载测量。权重的考量完全由业务场景驱动。举个例子，电商客服的退换货场景：用户问“我买的鞋码不对怎么办”，如果只靠 …

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·评估

RG 系统效果差怎么排查?

匹配口述回答：这道题表面问的是[[RAG]]系统效果不好怎么排查，但其实本质是问你能不能把检索、生成、协同这三个环节剥离开来，各自独立验证。我一般会按先检索、再生产、再协同的顺序来排查，每一步都做定量和定性结合的分析，并且每一步都有快速实验可以确认问题是不是出在这里。先说检索。我会先看 Recall@K，具体做法是人工标注100个查询对应的黄金文档，然后看检索模块能不能把这些文档召回。如果Recall偏低，那问题基本就在检索侧。我会进一步分析那些没召回的case：是query理解有偏差，…

#检索归因#生成归因#RG 系统故障排查

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：…数据微调后，模型能学到非常精细的定价逻辑。但微调成本高，数据要清洗标注，算力也要钱，而且模型知识是静态的，政策文档一更新就得重训。RAG 正好补这个短板，它外挂知识库，检索加生成，知识可以实时更新，回答还能溯源。比如智能客服，政策文档三天两头改，用RAG就能保证回答永远是最新版本，而且用户问为什么这么赔，你可以直接翻到原文。但RAG也有坑，检索质量决定了效果上限，如果 [[Embedding]] 做不好、[[Chunk]] 切得不合理，模型拿到一堆噪音，生成的结果反而更差。所…

#滴滴#模型微调#Agent

面试题·知识图谱· 淘天

GraphRAG 技术难点有哪些?

匹配正文：…raph）计算层：子图提取的实时性要求 vs 图神经网络的预计算开销成本层：LLM-based图摘要的token消耗远高于标准RAG的chunk检索淘天场景的特殊性：电商知识图谱具有强schema、高动态性（商品上下架）、多模态属性（图文关联），需要针对商品类目体系做专门的图谱分层设计。学习建议建议先掌握多模态基础和RAG架构，再深入学习跨模态融合机制与典型模型结构。

#淘天#多模态#GraphRAG 难点

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配口述回答：…造信息，导致[[Hallucination]]。所以上线前我会特别关注两点：一是检索结果的质量，LlamaIndex那边要调好[[Chunk]]大小和重排策略，确保召回的是真正相关的内容；二是Agent的指令约束，要明确告诉Agent“只基于检索结果回答，不要自己发挥”，必要时用[[Self-RAG]]让模型自己学会反思。还有一个值得注意的点：当数据量超过百万级时，LlamaIndex的索引构建和更新会成为瓶颈，这时候要考虑分层索引或增量更新，否则检索延迟会飙升。所以我的…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·Agent· 字节

LangGraph外还有哪些流程编排框架?

匹配口述回答：…回答。这里有个坑：前提是你的数据源必须结构清晰，如果文档质量差、信息混乱，索引建出来也是垃圾，召回率会很低。我上线前会特别关注[[Chunk]]策略和[[Hybrid Search]]的调参，不然容易漏关键信息。再来说AutoGPT和BabyAGI。它们更偏向探索LLM自主规划的上限，核心是一个循环：目标分解、任务队列、执行、记忆反思。但说实话，它们不太适合生产。为什么？Token消耗爆炸，而且[[Hallucination]]会累积，你让它跑三步可能还行，跑十步就开始胡编…

#字节#百度#Agent

面试题·评估· 快手

LangChain 关键组件与流程?

匹配口述回答：…期用Summary，并且定期清理。上线前我会特别关注召回质量，用一组测试query跑一遍，看Recall@K和延迟，不达标就调[[Chunk]]大小或[[重排序]]策略。另外，Agent的决策稳定性是个大问题。有时候同一个问题，Agent两次走的路径不一样，导致答案不一致。我倾向于用 [[Self-RAG]] 让模型自己学会反思，或者加一个[[验证链]]，对Agent的输出做二次校验。所以，LangChain我更倾向看成快速验证想法的工具，而不是生产级框架。真正上线，我会…

#快手#评估与监控#Agent

面试题·模型微调· 百度

怎么提升对话模型事实一致性?

匹配口述回答：…样出了问题能溯源。不过这里有个常见的失败场景：如果文档切分没做好，检索到的片段可能不完整，导致模型断章取义。所以我会特别关注[[Chunk]]策略，比如用[[Parent Document]]方法，先切大块，再切小块，检索时用小块，生成时带上大块的上下文。这个切分粒度直接影响RAG效果，面试官如果有兴趣，我们可以深入聊聊。所以整体上，我更倾向把RAG和微调结合起来用，而不是二选一。RAG解决知识覆盖和时效性，微调解决风格和格式对齐。真正落地的时候，这两者不是替代关系，是互…

#百度#模型微调#评估与监控

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配口述回答：[[GraphRAG]] 的核心动机，是弥补传统向量 [[RAG]] 在跨文档关系和全局分析上的不足。传统 RAG 把文档切成一个个 chunk，再用向量相似度找相关片段；它做事实问答很有效，但每个 chunk 基本是独立的，实体之间的关系、文档之间的联系没有显式建模。所以遇到“这个行业有哪些主要趋势”“A 公司和哪些机构有间接关系”这类问题，单纯向量检索就比较吃力。 GraphRAG 的做法是先把文本变成图。流程一般是：文档清洗和[[分块]]之后，用模型抽取实体，比如人、公…

#字节#GraphRAG 实现原理#知识图谱构建

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配口述回答：…量检索能召回相似语义的退款政策文档，但用户如果报了一串订单号，关键词检索能精准定位那条订单记录。两个互补，缺一个体验都会崩。再说RAG里的召回环节。检索质量直接决定了生成的天花板。我上线前会特别关注几个点：一是chunk切分策略，切太碎丢失上下文，切太长噪声多，得根据文档类型调；二是query改写，用户问题可能很口语化，我会先改写一下再去做检索；三是[[Rerank]]，初召回Top100，再用[[Cross-Encoder]]重排一次，把最相关的Top5送进生成。还有一…

#美团#Embedding检索#Embedding 相似性检索

面试题·检索· 百度

向量检索基本原理是什么?

匹配口述回答：…排查下来，问题往往出在 Embedding 模型和文档切块上。向量空间本身没把语义学好，再好的索引也只是更快地找错东西。这个点在 RAG 项目里特别常见。向量检索本质是语义匹配，用向量代替关键词向量化：用Embedding模型把文本转成向量索引构建：用ANN索引加速，重点讲HNSW 相似度计算：余弦与点积，归一化后等价完整链路与精度-速度权衡，给出可延伸点约4分钟向量检索效果差时，不要只调 HNSW 参数，要先检查 Embedding 质量和 chunk 质量。 …

#百度#向量索引#向量检索原理