匹配正文：…任务少样本学习 3-5个输入-输出对，覆盖边界case 多轮交互动态上下文压缩保留摘要+关键实体，丢弃过时细节 RAG场景检索结果重排序按相关性打分注入，标注来源可信度三、评估与迭代体系三层验证：规则层：正则/JSON Schema校验格式合规性模型层：用更强模型（如GPT-4）作为裁判，设计评分rubric 业务层：埋点采集用户满意度、任务完成率、人工复核准确率迭代机制：建立Prompt版本库，小流量A/B测试，关键变更需回归测试集（含对抗样本）。四、…

#脉脉#评估与监控#Agent

面试题·Prompt· 字节

AI Agent 核心特点与局限

匹配正文：…oT/ReAct/Tree of Thoughts）行动：工具调用、代码执行、外部API交互记忆：短期上下文 + 长期知识库（向量检索）主流架构模式模式特点代表 ReAct 推理与行动交替，实时修正大多数开源Agent Plan-and-Execute 先全局规划再执行复杂多步骤任务 Multi-Agent 多角色协作分工 AutoGPT、MetaGPT 优势与局限性当前优势能力边界扩展：通过工具调用突破LLM知识截止和计算限制任务泛化：同一框架适配不同…

#字节#评估与监控#Agent

面试题·Prompt· 美团

Agent 四大基础能力详解

匹配正文：…体动作 3. 记忆（Memory）作用：存储上下文信息，分三类：工作记忆：当前对话/任务窗口短期记忆：会话级上下文（如RAG检索的片段）长期记忆：用户画像、历史经验（需向量库存储）重要性：支撑个性化和持续学习，避免"金鱼式"交互 4. 工具调用（Tool Use）作用：通过Function Calling与外部系统交互（搜索、计算、数据库、API）重要性：突破模型参数知识的边界，实现行动落地。需设计：工具描述的标准化（OpenAI格式）错误处理与重试机制 5…

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#评估与监控#Agent

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：…热切换 ~1h 强一致（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…

#美团#分布漂移#外接数据库增强

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…条编号, 效力级别, 修订日期> 存储设计三级索引：Dense（语义）+ Sparse（关键词）+ Graph（实体关系）二、检索器设计（多路召回+精排）召回层向量检索：领域微调Embedding（如医疗用PubMedBERT，法律用Legal-BERT）关键词检索：BM25 + 领域同义词扩展（UMLS/法律术语库）图谱检索：Neo4j存储"疾病-症状-药品"或"法条-案例-解释"关系精排层交叉编码器（Cross-encoder）做相关性打分引入时效性衰减…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…特征查询改写：用LLM做Query2Doc扩展，医疗场景做症状标准化对齐四、生成融合：上下文组装与约束上下文压缩：用LLM对检索片段做摘要，控制token数引用锚定：强制生成时标注来源片段ID，法律场景需输出"依据《XX法》第X条" 后处理校验：领域规则引擎过滤（如药物禁忌冲突检测）五、端到端优化评估体系：检索用Recall@K，生成用答案相关性和事实准确性（医疗用人工医生标注）迭代闭环：错误案例回流，持续微调Embedding和Reranker 学习建议建议…

#字节#重排与优化#RAG 链路优化

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：检索环节优化查询侧优化：Query改写（HyDE生成假设文档）、Query扩展（多视角改写）、意图识别路由到不同知识库索引侧优化：混合检索（向量+关键词BM25）、多粒度索引（文档/段落/句子）、Embedding微调（领域适配）召回策略：多路召回（向量+关键词+图谱）、MRR多轮迭代召回重排序环节优化精排模型：Cross-Encoder（精度高但慢）、ColBERT（延迟交互，效率平衡）多阶段漏斗：向量召回Top100 → BM25粗排 → Cross-Enco…

#字节#RAG迭代优化#RAG 优化

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：答案要点检索层面：索引优化、查询改写、混合检索、重排序生成层面：上下文压缩、提示工程、引用溯源流程层面：多轮检索、自适应RAG、评估反馈闭环能结合实际场景说明取舍一、检索层优化索引构建分块策略：按语义/结构分块（标题-内容、固定长度+重叠），非均匀分块优于固定长度多向量表示：同一文档用摘要、关键词、问题等多角度embedding 元数据过滤：时间、来源、类别等字段预过滤缩小检索范围查询侧优化查询改写：HyDE（生成假设文档再检索）、Query2Doc、子查…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：答案要点检索阶段：分块策略、embedding选型、多路召回、重排序优化上下文处理：窗口长度控制、冗余去重、相关性过滤生成阶段：prompt工程、引用溯源、幻觉抑制系统层面：延迟优化、缓存策略、离线评估体系一、检索质量分块策略按语义分块优于固定长度，可用LLM辅助判断边界块大小一般256-512 tokens，需保留上下文重叠（overlap）表格/代码等特殊内容需单独处理，不能粗暴切分 Embedding与召回领域数据务必微调embedding，通用模型…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 快手

LLM怎么融入推荐系统？特征提取与召回

匹配口述回答：…输入LLM，让它抽取出动态的兴趣标签，比如最近偏好旅行类Vlog，而不是静态的标签。然后是召回层，这块还在探索中。一种做法是语义向量召回，把item通过LLM生成[[Embedding]]，存到[[向量库]]，离线预计算，在线用[[ANN]]检索。另一种是生成式召回，让LLM直接生成候选item的ID或者描述，但需要微调来适配ID空间，而且有[[Hallucination]]问题，生成不存在的item。还有一种是对话式交互，用户query进来，LLM理解意图后扩展语义，适合…

#快手#LLM推荐系统#LLM 推荐系统

面试题·检索· OPPO

RAG文本分段策略与重叠机制

匹配正文：…点、换行处切割，避免截断句子语义去重：对重叠区域做embedding去重，减少存储粒度权衡原则细粒度（小chunk）优势：检索精确度高、噪音少风险：丢失上下文、需要多路召回拼接粗粒度（大chunk）优势：信息完整、减少拼接风险：引入无关信息、压缩有效信号工程实践建议分层索引：短chunk用于精排，长chunk用于生成动态调整：根据query长度和文档类型自适应chunk size 效果验证：用Hit@K和答案完整性做离线评估，结合用户反馈迭代实际落地中…

#小鹏#文本分块优化#RAG 文本分段

学习路线·学习路线

大模型应用开发学习路线

匹配正文：…G 项目面试题必须留下的证据：资料样本、解析质量检查、评测集构造、基线、对照实验、bad case、引用与权限边界不要把“用了向量库”当项目亮点。面试官更关心的是：资料为什么检索不到，你怎样定义正确，改了哪一层，哪些问题仍然解决不了。 Agent 主线：适合工具调用、业务自动化与状态工作流按“架构与规划 → 工作流与状态 → 工具与安全 → 记忆与存储 → 多智能体与评估”推进。入门实操：AI 编程与 Agent 实操项目验收：25 道 Agent 项目面试题必须…

#学习路线#RAG#Agent

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：…用。所以这条路线的判断标准很简单: 你要证明什么面试官会怎么问该准备什么你懂模型基本行为 Token、上下文、幻觉、温度、Embedding 怎么影响系统概念能口述,能解释工程取舍你能把模型接进系统 API、流式输出、工具调用、异常兜底怎么做最小 LLM 应用 + 最小 Agent + 最小 RAG 你做过完整项目文档怎么切、检索怎么评估、引用怎么溯源一个能讲透的 RAG 或 Agent 项目你扛得住追问为什么选这个方案,不用另一种行不行真题口语版讲法…

#求职#职业转型

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：… 如果这种循环通常只有少量步骤，最后仍然交付一个直接答案，可以考虑 Agentic RAG。它与普通 RAG 的区别不在于有没有向量库，而在于检索是否由固定流水线执行。普通 RAG 预先规定“检索一次再生成”；Agentic RAG 允许模型根据当前证据决定是否再查、改查什么、要不要调用另一个工具。它与 Deep Research 的区别则在交付目标。Agentic RAG 主要想把当前答案补准；Deep Research 要覆盖一个完整研究任务，包括多个对象、多个维度、…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

项目实战·Agent

第 1 章:为什么需要 Deep Research

匹配正文：…,不是「pgvector 最新版本号是多少」这种一查就有的问题,而是这种: 「我这个中小规模、还想少花点运维精力的 RAG 项目,向量库到底该选 Milvus、Qdrant 还是 pgvector?」第一版我们老老实实走普通 RAG:把问题丢进向量库,检索几篇博客和文档,拼一段回答。结果出来的东西工程师根本不敢照着做,要么只夸了其中一个、要么拿的是两年前的旧对比、要么把「嵌入式 / 单机 / 分布式」这几种完全不同的部署形态混为一谈。复盘下来,根因很清楚:这个问题的答案,…

#Agent#Deep Research#项目实战

求职指南·求职

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选

匹配正文：…rompt 和调 API,至少要知道: 应用场景只会调包会卡在哪里需要补的模型侧能力企业知识库问答答案不稳定,错了不知道是检索还是生成问题 Embedding、重排、评估集、引用溯源 Agent 工具调用工具乱调、循环失控、成本爆炸 ReAct、状态机、工具 schema、终止条件领域客服助手语气和流程不稳定,模板约束不够 SFT/LoRA 的适用边界、数据构造高并发推理服务延迟高、显存吃紧、成本不可控 KV Cache、批处理、vLLM/SGLang 基本…

#求职#职业转型

面试题·Agent

Deep Research 拿到一个大问题后，怎么拆成能查证的子问题？

匹配正文：…问。没有用户可以立即补充时，也要把假设写出来，例如“以下分析以小团队、自建服务、低运维为前提”。假设不应藏在报告最后，因为所有后续检索都受它影响。一个清楚的任务契约可以包含五部分。研究对象：到底比较哪些候选，是否允许执行中新增或淘汰候选。研究维度：性能、成本、部署、生态、合规等哪些维度是硬要求，哪些只是补充。时间范围：查当前状态、某个历史时间点，还是最近一段时间的变化。证据要求：是否优先官方资料、论文和公开数据，是否允许使用二手分析。交付格式：直接建议、对比表、带…

#Deep Research#问题边界与研究闭环#Deep Research 问题拆解

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：… def search(q): # 搜索:只给线索(标题/摘要) KB = {"qdrant": "Qdrant[示例条目] — 向量检索服务,性能需按目标配置实测", "pgvector": "pgvector[标题] — PostgreSQL 扩展,复用现有库"} return next((v for k, v in KB.items() if k in q.lower()), "无相关结果") def visit(q): # 访问:给正文细节 PAGES = {"qdr…

#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：…,核心是 RAG。做自动化流程和工具调用,核心是 Agent。做模型服务、推理部署和成本优化,核心是 LLMOps。做微调、评估、后训练或应用算法,核心更靠模型侧。所以读 JD 时不要先问“岗位名是不是高级”,要先问“它每天解决什么问题”。下面按真实工作形态拆。四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…

#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：…关键词你要准备的项目证据大模型应用开发实习 RAG/Agent 项目、API 调用、服务化能力 RAG/知识库实习文档处理、向量检索、重排、评估、引用 Agent/AI 助手实习工具调用、任务规划、记忆、异常兜底 AIGC/多模态应用实习多模态理解、内容生成、评估、业务场景应用算法实习微调、评估、数据构造、实验对比在校生可以先读工程面试教学复原，理解项目怎样被逐层追问；历史面试资料的来源复核状态单独保留。研究生项目怎么做才不空一个学生项目最怕“像课程作业”…

#求职#职业转型

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：…系统接口开发和 AI 岗关联弱负责模型问答服务接口、鉴权、日志和异常兜底设计使用 Redis 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“Ja…

#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：转大模型应用开发,不用把深度学习从头学一遍,真正要吃透的是一小批"每天做工程决策都会碰到"的概念:Token、上下文窗口、温度、Embedding、向量检索、RAG、Agent、评估指标这些。标准不是能背定义,而是能一句话讲清、还能说出它影响哪个工程取舍。这篇给你一张核心概念清单和"懂到什么程度"的可操作标准。作者:吴师兄 | 适合:准备转大模型应用开发、想知道概念地基要打到多深的人 | 前置:知道应用岗和算法岗的区别,不需要机器学习背景到底要懂哪些概念:一张清单表先给…

#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：…前提却不见了。模型拿到的是一句局部事实，不是完整规则。所以，Chunk 不是每隔固定字符切一刀。它真正要解决的是：怎样让每个被检索到的内容块足够聚焦，又能独立说清一件事。 Chunk 到底在平衡什么？ RAG 需要把长文档拆成可检索内容，因为整份文档通常不适合直接做一次检索，也不可能每次都完整塞给模型。但块并不是越小越好。块太小，向量主题会更集中，却容易把条件、解释和结论拆开。用户问“什么情况下可以申请”，系统可能只找回申请步骤，缺少适用对象和限制条件。块也不是越大…

#RAG#切分与索引#RAG Chunk

Prompt 怎么系统设计与优化?

AI Agent 核心特点与局限

Agent 四大基础能力详解

分布漂移下外接数据库怎么增强模型?

医疗法律 RAG 架构关键环节

专业领域RAG链路优化陷阱

RAG 系统迭代优化方向有哪些?

RAG流程优化：三大层面策略

RAG 系统有哪些常见陷阱?

LLM怎么融入推荐系统？特征提取与召回

推荐不准的算法改进

RAG文本分段策略与重叠机制

大模型应用开发学习路线

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

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

第 1 章:为什么需要 Deep Research

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选

Deep Research 拿到一个大问题后，怎么拆成能查证的子问题？

第 3 章:工具集设计,让 Agent 真正「会用工具」

大模型应用开发岗一天在做什么?细分岗位画像

研一/研二转大模型应用开发:三年怎么规划、来得及吗

工作三年的 Java 后端转大模型:在职怎么转、什么时候跳槽

大模型应用开发要懂哪些概念、懂到什么程度

RAG Chunk 为什么不能只按固定字数切？