匹配正文：…各厂商LLM接口，管理Prompt模板与输出解析切换GPT/Claude/文心无需改代码 Retrieval 文档加载、切分、向量化、检索全流程 RAG知识库问答 Chains 预定义的工作流（如LLMChain、SequentialChain）固定步骤的流水线任务 Agents 动态决策：LLM自主决定调用哪个工具、下一步动作多工具协作的复杂任务 Memory 对话历史的存储与注入多轮对话、长期个性化关键集成机制工具绑定（Tools）工具 = 函数签名描述（n…

#快手#评估与监控#Agent

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…晰阐述RAG的核心原理（检索+生成两阶段流程）说明至少2个具体解决的问题（如幻觉、时效性、领域知识）结合实际项目描述效果提升（量化指标更佳）体现对RAG局限性的认知（如检索质量依赖、上下文长度限制） RAG核心原理 RAG = 检索（Retrieval）+ 生成（Generation），本质是给大模型外挂一个可动态更新的知识库：离线阶段：文档切分 → Embedding模型编码 → 存入向量数据库在线阶段：用户Query向量化 → Top-K相似度检索 → 拼接Pr…

#美团#混合检索#RAG 技术

面试题·评估

RG 系统效果差怎么排查?

匹配正文：…angSmith/RAGAS：自动化指标追踪可视化检索结果：看query与召回片段的语义距离 A/B实验：固定一端、扰动另一端，量化影响幅度决策优先级：通常先保检索Recall（无米之炊），再优化生成和协同（锦上添花）。

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

#检索归因#生成归因#RG 系统故障排查

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…

#上下文压缩#生成调优#RAG 效果诊断

面试题·评估· 字节

Agent 人工干预 vs 自动处理怎么切换?

匹配正文：…可覆盖人机接力：Agent完成80%工作，人工聚焦关键决策点，保留完整上下文快照落地权衡最终是成本-安全-体验的三角平衡：量化人工介入成本（时薪×平均处理时长）设定可接受的错误率上限建立A/B测试机制持续优化切换边界

#字节#Agent#Agent 人工干预

面试题·评估· 百度

RAG 架构怎么工作?

匹配正文：…架构 RAG = 检索（Retrieval） + 生成（Generation），核心思想是"外挂知识库"：用户Query → 向量化 → 向量检索 → Top-K文档 → 拼接Prompt → LLM生成工作流程拆解 1. 索引阶段（离线）文档切分（Chunking） Embedding模型编码 → 存入向量数据库（如Milvus、Faiss） 2. 检索阶段（在线） Query向量化，计算相似度，召回Top-K相关片段 3. 生成阶段将检索结果作为上下文，与Quer…

#百度#评估与监控#RAG 架构

面试题·评估· 美团

Agent 哪个方向最易落地?

匹配正文：…费$100-200即可支撑百亿市场竞争格局尚未垄断，Cursor、Windsurf等新产品仍有机会窗口三、成本效益：ROI可量化且正向边际成本递减：模型推理成本持续下降，代码生成token长度可控（vs长文档/多轮客服）人效提升可衡量：代码产出速度、Bug率、Review时长等均有明确指标失败成本低：代码建议用户可选择性采纳，不像客服/办公场景的错误有直接业务损失四、与其他方向对比方向核心障碍自动化办公企业数据孤岛、权限复杂、错误代价高电商客服客单价…

#美团#评估与监控#Agent 商业落地

面试题·评估· 美团

Agent 基础能力怎么定义?

匹配正文：…举核心要素并解释各自作用（感知、记忆、规划、工具调用、行动执行）阐述能力间的依赖关系（如规划依赖记忆、行动依赖工具调用）给出可量化的评估标准（非泛泛而谈）结合美团业务场景举例说明 Agent"基础能力"的定义 Agent的基础能力是指将LLM的通用推理能力转化为自主解决复杂任务所需的专项能力模块，区别于纯文本生成的"被动响应"，强调目标驱动下的主动决策与环境交互。五大核心要素要素核心作用关键实现感知理解环境状态与任务输入多模态输入解析、用户意图识别、实时数…

#美团#Agent#Agent 基础能力

面试题·评估· 美团

Coding vs GUI vs Search 谁先落地?

匹配正文：…，难以自动验证是否达成目标 ROI清晰：GitHub Copilot已验证商业模式，企业付费意愿明确；开发者时薪高，效率提升价值可量化生态成熟：IDE插件体系完善（VS Code、JetBrains），沙箱执行环境（Docker、E2B）成熟，安全隔离方案现成错误成本可控：代码错误在测试阶段捕获，不会直接破坏生产环境；GUI误操作可能直接导致数据丢失或业务异常 Search次之：Perplexity、秘塔等已跑通，但差异化壁垒低，大厂入口优势明显 GUI最慢：虽然Auto…

#美团#Agent#Agent 能力对比

面试题·评估· 安克科技

评估集防泄漏与复现

匹配正文：…问答、推理、比较、多跳、开放式生成难度分层：单文档→多文档→需外部知识→需工具组合领域分布：按业务流量比例采样，避免长尾盲区量化指标：计算query的embedding分布熵，确保簇间距离均匀。四、偏差控制：四类典型偏差偏差类型表现控制手段位置偏差答案在文档开头/结尾被过度召回答案位置随机化流行度偏差高频实体被过度采样按实体频率逆加权采样标注者偏差标注者个人知识影响判断盲测+背景多样性模板偏差 query句式过于统一基于LLM的paraph…

#安克科技#评估与监控#Agent

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：…识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query + 检索上下文 → LLM生成最终回答二、系统架构要点模块关键技术文档处理分块策略（固定长度/语义切分/递归切分）、元数据保留 Embedding模型通用场景用BGE/M3E，垂直领域需微调；多向量表示（ColBERT）向量数据库 Milvus、Faiss、Pinecon…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 百度

RAG 端到端工作流程

匹配正文：答案要点 RAG核心原理：检索+生成的两阶段架构系统组件：索引模块、检索模块、生成模块工作流程：查询向量化、相似度检索、上下文拼接、LLM生成核心优势：缓解幻觉、知识实时更新、可溯源、降低微调成本基本原理 RAG（Retrieval-Augmented Generation）将外部知识检索与大模型生成结合，解决纯生成模型的知识截止和幻觉问题。核心思想：不依赖模型参数记忆知识，而是动态检索相关文档作为上下文，让模型基于检索结果生成回答。系统架构模块功能索引模块…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…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（Generation）：将检索结果拼入Prompt→LLM生成答案关键洞察：检索质量决定RAG上限，生成能力决定下限。二、系统架构用户Query → Query理解/改写 → 多路检索（向量+关键词+图谱） ↓ 重排序（Rerank）→ 上下文压缩 → 构建Prompt ↓ LLM生成 + 引用溯源 ←…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…等多格式文档文本分块（Chunking）：按固定长度、语义段落或递归方式切分，控制块大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding-3）将文本转为稠密向量存储：写入向量数据库（Milvus、Faiss、Pinecone等），建立索引加速检索 2. 检索阶段（在线）查询向量化：用户问题同样转为Embedding向量相似度搜索：用ANN（近似最近邻）算法快速召回Top-K相关块重排…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（Query改写、向量检索、重排序、上下文融合） RAG vs 微调的选择权衡典型应用场景举例典型实现方式离线阶段：知识库构建文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Fais…

#字节#检索生成流程#RAG 实现

面试题·模型微调· 百度

大模型准确性瓶颈在哪?

匹配正文：…G与模型内部知识解耦的设计思想训练数据质量与多样性的关键作用多阶段验证机制（生成-检索-校验）的构建思路模型置信度与不确定性量化的应用提升大模型输出准确性，核心在于区分错误类型、分层治理：一、模型架构层面稀疏激活与专家混合（MoE）：将知识分散到不同专家，减少参数干扰导致的知识混淆可插拔知识模块：分离语言能力与事实知识，知识更新无需全量重训推理时显式规划：如Chain-of-Thought强制模型展示推导过程，便于追溯错误环节二、训练数据优化数据溯源与质量…

#百度#评估与监控#大模型准确性提升

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配正文：…识截止和幻觉两大痛点，无需重新训练模型。三阶段工作流程 1. 索引阶段（离线）文档切分：按语义/固定长度分块（chunk）向量化：用 Embedding 模型（如 BGE、M3E）转为稠密向量存储：写入向量数据库（Milvus、FAISS、Elasticsearch） 2. 检索阶段（在线）用户查询同样向量化相似度搜索（余弦相似度/IP），召回 Top-K 相关片段 3. 生成阶段（在线）将检索结果 + 原始查询拼接为 Prompt 大模型基于"上下文"生成答案…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配正文：…模型“看着资料回答”，答案自然更准、更新、更可信。入门之后，建议往两个方向继续深入：一是 RAG 的完整链路（文档解析、分块、向量化、检索、重排），二是 RAG 与微调这两条技术路线该怎么选。

#入门#基础概念#什么是RAG

面试题·RAG

大模型幻觉是什么？怎么缓解？

匹配正文：…缓解而非根除，幻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·模型微调

LoRA 是什么?为什么能省这么多资源?

匹配正文：…都用FP32，它们另约56GB；这还不含梯度、可能的主权重、激活与缓冲。LoRA减少可训练状态，但基座与激活仍占空间。QLoRA再量化冻结基座；是否能在24GB上运行仍取决于序列、batch、挂载层、dtype、检查点和实现。两个工程福利可合并部署：在支持且精度匹配的实现中，把缩放后的B·A合入W可去掉独立adapter计算；未合并、多adapter路由或量化合并要另测开销与舍入误差。多任务热插拔:底座只存一份,每个业务场景一个几十 MB 的 LoRA 文件,随用随换 …

#入门#基础概念#LoRA 微调

面试题·模型微调

全量微调和 LoRA 微调怎么选?

匹配正文：…dapter；全参也能多任务训练或部署多个checkpoint，只是参数存储与切换成本不同。入门之后,可以继续深入 QLoRA(量化 + LoRA 进一步省显存),以及 LoRA 的秩 r、alpha 等超参数怎么设置。参考资料 LoRA原论文 QLoRA原论文 PEFT官方LoRA合并与适配器边界

#入门#基础概念#LoRA微调

面试题·推理优化

KV Cache 是什么?为什么能加速推理?

匹配正文：…为2 × 层数 × KV头数 × 头维度 × 已缓存长度 × 并发序列数 × 每元素字节数。实际还受分页/元数据、前缀共享、滑窗、量化与MLA等架构影响；长上下文多并发时可与权重相当或更多。显存于是决定了能同时服务多少用户、每人能聊多长——这正是大模型推理服务贵在显存的重要原因入门后可深入 PagedAttention(vLLM 的分页式缓存管理)、GQA/MQA(从架构上减少 KV 头数)以及 KV Cache 量化。参考资料 Transformers官方缓存原理

#入门#基础概念#KV Cache

面试题·知识图谱· 澜舟

LLM 事实准确性怎么保证?

匹配正文：…s推理性）并针对性治理 RAG与知识图谱结合的检索增强方案多模型交叉验证与一致性约束机制金融领域特有的监管合规与可审计性设计量化评估与持续监控体系核心挑战分析金融领域幻觉代价极高，需区分两类：事实性幻觉：利率、股价、法规条款等可验证事实错误推理性幻觉：逻辑推导过程中的隐含假设偏差技术方案分层 1. 检索增强层（RAG+）结构化知识优先：对接金融知识图谱（实体关系如"公司-财报-指标"），而非纯文本向量检索多源检索融合：同时查询内部数据库、权威API（Win…

#澜舟#LLM 事实准确性#知识图谱 LLM

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配正文：…戳版本；关键路径预计算结果做缓存，非关键变更异步更新 5. 缺乏标准化评测难点：传统RAG的评测指标不适用，图路径的可解释性难以量化解法：自建人工评测集，关注：事实准确性、推理路径可解释性、答案完备性；线上AB测试核心看用户转化率而非离线指标一句话总结：GraphRAG的瓶颈不在技术炫技，而在工程化成本控制和业务价值闭环验证。

#淘天#知识图谱#评估与监控