匹配正文：…价手机"→"2000元档骁龙机型"）会话推荐序列建模多轮对话理解，捕捉隐性偏好跨域推荐难以迁移利用LLM的通用知识桥接领域gap 落地形式：LLM作为上游模块，输出意图标签或改写后的query，喂给下游精排模型。三、生成式推荐：直接生成结果两条技术路线：生成Item ID：将item ID视为token，用seq2seq生成下一个观看的video ID 优势：统一生成框架，天然支持多任务难点：ID无语义，需配合语义ID或分层索引生成推荐理由/模板：LLM…

#快手#LLM推荐系统#LLM 推荐系统

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配追问：…红色的连衣裙”，你召回一些商品后，他又说“那个带花的呢？”，这时候你打算怎么改写用户的后一句Query，让它能检索对？层层追问 RAG系统里用户的原始Query直接去检索，效果往往不好，你会怎么处理？……除了同义词替换，还有哪些改写的思路？……那如果用户说的是“这个多少钱”，你怎么结合上文把它改完整？直球架构聊聊Query改写常见的创新方法吧，比如同义扩展、语义重写、对话历史融合，它们各自解决什么问题，优势是什么？你在实际项目中怎么选型？

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

#京东#Query改写#Query 改写

面试题·RAG· 美团

动态增量更新怎么防检索偏差?

匹配追问：场景切入假设你在做电商客服的RAG知识库，每周要更新一批商品文档，但新文档的embedding模型版本不一样了，结果发现检索出来的答案经常跑偏。这种情况你怎么分析原因？层层追问 RAG知识库如果持续加新文档，检索效果会不会变差？……那如果新文档用了不同的embedding模型呢？……怎么缓解这种分布偏移？直球架构 RAG知识库动态增量更新时，新旧文档分布差异会导致检索偏差。请分析成因，并设计一套缓解策略，包括技术方案和工程落地要点。

#美团#增量更新检索偏差#RAG 知识库更新

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…记忆冲突/过时版本化存储 + 置信度打分，低置信记忆触发确认隐私敏感数据分级存储，敏感内容加密embedding或隔离索引架构示意：用户输入 → Query理解 → 并行检索[语义向量+关键词+知识图谱] ↓ 融合排序 → 上下文注入Prompt → LLM生成核心权衡：记忆容量↑ → 噪声↑ → 需更精密的过滤与排序机制。学习建议建议先掌握向量数据库和Embedding基础原理，结合RAG与Agent实战案例理解记忆机制设计，多动手实践检索优化与相似度评估。

#高德#重排与优化#文档处理

面试题·检索· 网易

BM25+向量+Cross-Encoder 怎么组合?

匹配正文：整体架构 Query ├─ BM25 稀疏召回 └─ 向量稠密召回 ↓ 去重与排名融合 ↓ Cross-Encoder 重排小候选集 ↓ Top-K 三类组件的分工 BM25：利用词项匹配、IDF 和长度归一化，擅长专有名词、编号、短语和必须字面命中的查询；速度取决于索引、语料与部署，不能称为“零延迟”。向量召回：用 embedding 表达语义相似，能补充同义改写和字面不重合的结果，但可能弱化精确实体或数值约束。 Cross-Encoder：联合编码 query-docu…

#网易有道#BM25向量Cross-Encoder#BM25 向量召回 Cross-Encoder

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配追问：…壳’，BM25能精确匹配，但向量检索能召回‘iPhone保护套’。这两种方法你会怎么选？如果混合使用，融合策略怎么定？层层追问 RAG系统里检索这块，你通常用什么方法？……那BM25和向量检索各有什么优缺点？……混合检索怎么把两者结果结合起来？具体在开放域问答和电商搜索里，你会怎么选？直球架构从原理上对比BM25、向量检索和混合检索，分别说清楚它们怎么工作的，在准确性、召回率、语义理解、计算开销上的差异，以及分别适合哪些应用场景。

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配正文：…长度无显式处理显式归一化 IDF 简单对数平滑处理（+0.5避免负值）长文档友好性差好参数调优无有k1/b可调 RAG中的应用场景混合检索架构：BM25做粗排召回 + 向量模型做精排重排稀疏检索基线：与稠密向量形成互补，捕获精确匹配信号关键词敏感场景：法律条文、医学术语等需要字面精确匹配的领域实时检索：无需神经网络推理，毫秒级响应局限性无法处理语义鸿沟（"苹果"→公司/水果）需配合同义词扩展或向量检索补足语义能力

#高德#BM25评分公式#BM25 算法原理

面试题·模型架构· 得物

大模型面临哪些核心挑战?

匹配追问：你们业务中幻觉问题具体怎么解决的，有没有做事实性校验的pipeline 长上下文场景下你们怎么权衡成本和效果，有没有试过RAG+长文本的混合方案推理延迟要求很严的话，你们量化方案选的是哪种，有没有做投机解码场景切入假设你在做一个实时客服机器人，用户问一句你就要立刻回一句，不能卡顿。你手头有个千亿参数的模型，怎么让它跑得快又不炸显存？层层追问大模型落地主要有哪些瓶颈？……那推理延迟怎么优化？……还有幻觉问题，你遇到过吗？怎么解决的？……长上下文呢，比如处理一份几十页的…

#计算效率#幻觉问题#长上下文

面试题·Agent· 百度

多 Agent 协同为什么必要?

匹配口述回答：…身很简单，或者子任务之间耦合太紧密，强行拆成多Agent反而引入通信开销和一致性难题。比如一个简单的FAQ问答，单Agent加[[RAG]]就够，拆成两个Agent反而慢。所以我的判断是：只有当任务存在正交的职责边界且需要持续协作时，才引入多Agent复杂度。否则我会倾向先用单Agent加工具调用试试，不行再拆。总结一下，我会把多Agent看作一种系统架构模式，核心是职责分离和容错，但前提是边界清晰、契约严谨。上线后我会特别关注Agent之间的超时和重试策略，以及状态一致性…

#百度#Agent#多 Agent 协同

面试题·Agent· 百度

Reflection vs Memory 怎么分工?

匹配正文：…打破单次对话的上下文限制类型功能协作价值短期记忆当前会话上下文、任务状态保证单轮协作的连贯性长期记忆历史任务经验、领域知识、其他智能体画像实现跨会话的能力复用和"默契"建立关键机制：向量数据库存储 + RAG检索，支持智能体间共享记忆池。协同提升协作效能 1. 打破信息孤岛 Memory让智能体A的经验成为B的"先验知识"，避免重复踩坑 2. 形成正向飞轮 Reflection产生的新经验 → 写入Memory → 后续任务检索复用 → 执行质量提升 →…

#百度#Agent#多智能体系统

面试题·评估· 百度

Single-Agent vs Multi-Agent 怎么选?

匹配口述回答：…息会像谣言一样在团队里扩散，而且越传越真。这个问题在面试里经常被问到，我自己倾向于引入一个独立的验证智能体，或者用 [[Self-RAG]] 让每个智能体先自我校验再输出。总结一下，单智能体简单可控，但能力有天花板；多智能体扩展性强，但引入协调成本和通信开销。我更倾向先评估任务复杂度，能用单智能体解决就不用多智能体，非用不可就选混合架构，并且把冲突解决和幻觉防控作为设计重点。本质是单兵 vs 团队，选型看场景单智能体：ReAct循环 + 分层记忆，适合边界清晰的任务多…

#百度#评估与监控#Agent

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配追问：场景切入假设你们在做电商客服RAG，用户问‘苹果手机怎么样’，结果召回的全是苹果水果的文案。你会怎么在BGE-M3和BM25之间做选择？关键看哪些指标？层层追问 RAG里召回方案你一般怎么评估？……那Recall@k和MRR你更看重哪个？……如果业务要求P99延迟低于50ms，BM25和向量检索你分别怎么取舍？直球架构给一个RAG系统，需要你确定是用BGE-M3还是BM25，或者两者混合。请说明你用什么指标来评估，每个指标的权重怎么定，以及最终决策的逻辑。

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·模型微调· 高德

Agent 记忆怎么用向量库?

匹配正文：核心原因：为何用向量数据库 Agent记忆 vs RAG知识库的关键差异：动态演进：记忆随交互持续更新，非静态文档时序敏感：需要"最近发生"和"历史相关"的双重检索多模态关联：可能融合对话、工具调用结果、环境状态向量数据库的稠密检索天然适合"语义相关但表述不同"的记忆匹配，且支持增量写入。 Embedding模型设计场景策略说明通用对话直接用BGE/M3E等开源模型成本低，基线可用垂直领域（如高德地图）领域微调用历史对话数据做对比学习，强化地点、路线…

#高德#Agent#向量检索

面试题·模型微调· 华为

Few-shot vs Zero-shot vs Fine-tuning 怎么选?

匹配正文：何时选择Few-shot 优先选Few-shot的典型场景：任务模式复杂但样本少：如特定格式的日志解析、领域术语翻译，10-20个示例即可定义模式，无需几百条标注数据做SFT 需求变化快/多租户场景：不同客户（运营商A/B/C）有各自格式规范，用动态示例切换比维护多个LoRA权重更灵活冷启动阶段：快速验证PMF，避免重训成本三方案对比决策：维度 Zero-shot Few-shot Fine-tuning 数据需求无 5-20条数百-数千条成本最低（推理）低…

#华为#Few-shot 提示#Zero-shot 对比

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配正文：…的核心特点（如M3E、BGE、GTE、OpenAI等）理解模型选型需考虑的因素（语言支持、向量维度、上下文长度、推理成本）了解领域适配和微调策略能结合实际场景给出选型建议主流文本嵌入模型分类 1. 开源中文模型（国内首选）模型特点适用场景 BGE (智源) 中文SOTA，多尺寸（large/base/small），支持指令微调通用RAG、需要高性价比的场景 GTE (阿里) 长文本支持好（8K），中文效果优秀长文档检索、法律文书 M3E (开源社区) 轻量、…

#百度#文本嵌入模型#Embedding 模型对比

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配正文：…握主流模型特点（BERT系、Sentence-BERT、M3E、BGE等）的优劣对比理解维度、上下文长度、多语言能力的权衡知道领域适配方法（微调、对比学习）能说出性能评估指标（MRR、Recall@K、NDCG）选型核心维度 1. 业务场景匹配语义检索（RAG）：选Sentence-BERT、BGE、M3E等专为句子相似度优化的模型聚类/分类：通用BERT即可，甚至可以用更小模型代码/多模态：需专用模型（如CodeBERT、CLIP） 2. 关键性能指标因素 …

#百度#向量检索#Embedding 模型选型

面试题·知识图谱· 澜舟

LLM 事实准确性怎么保证?

匹配追问：……具体到事实错误和逻辑推理错误，你会分开治吗？……再进一步，比如它说‘某公司Q3营收增长20%’，你怎么验证这个数字对不对？直球架构在金融领域，要确保LLM生成内容的事实准确性和一致性，请给出你的技术方案和实施策略。重点讲怎么结合检索增强、约束生成、多模型验证，以及如何满足监管审计要求。

#澜舟#LLM 事实准确性#知识图谱 LLM

面试题·多模态· 字节

Agent 优势与局限怎么分析?

匹配正文：答案要点 Agent与RAG的本质区别（主动规划vs被动检索）核心优势：任务分解、工具调用、多轮交互、自主决策主要局限：可靠性不稳定、延迟高、成本不可控、安全边界难定义技术趋势：Multi-Agent协作、Agent即服务(AaaS)、与具身智能结合潜在挑战：评估体系缺失、长期记忆机制、多模态工具生态核心优势 1. 从"问答"到"执行"的跃迁 RAG是"知识检索+生成"，Agent是"理解→规划→执行→反思"的闭环能调用外部工具（API、代码执行、数据库），完成复…

#字节#Agent#Agent 优势与局限

面试题·Prompt· 脉脉

Prompt 怎么系统设计与优化?

匹配正文：一、结构化Prompt设计框架我采用四层结构作为基础模板：角色层：定义模型身份（如"资深数据分析师"），激活领域知识任务层：明确输入、处理逻辑、输出目标，避免歧义约束层：硬性规则（长度限制、禁用词）、软性偏好（风格、详略程度）格式层：强制输出结构（JSON/Markdown/固定字段），便于下游解析关键技巧：关键指令后置（近因效应）、敏感约束重复强调、使用分隔符区分上下文。二、进阶策略：从静态到动态场景策略示例复杂推理 CoT/ToT "请逐步思考：①分…

#脉脉#评估与监控#Agent

面试题·Prompt· 阿里

Prompt 系统设计原则与技巧

匹配正文：…确定性要求的推理任务 ReAct Thought → Action → Observation 循环 Agent工具调用场景三、RAG与Agent中的差异化设计 RAG场景【系统指令】你是领域专家，严格基于提供的参考资料回答。【参考资料】{retrieved_docs} 【约束】若资料不足，明确告知"根据现有信息无法确定"，禁止编造。 Agent场景工具描述：用Function Schema精确定义参数和返回值状态管理：在Prompt中维护任务进度、历史Action…

#阿里#Prompt工程#Agent

面试题·Prompt· 百度

Agent 核心组件怎么协作?

匹配口述回答：…义。记忆模块我分两种。短期记忆就是当前对话的上下文，直接塞进 prompt 就行。长期记忆就复杂一点，需要把历史对话、用户画像、领域知识存到 [[Vector Database]] 里，通过 [[RAG]] 检索出来。这里有个取舍：短期记忆受限于上下文窗口，太长会稀释注意力；长期记忆依赖检索质量，如果检索不准，反而会引入噪声。所以我会把关键信息放在短期记忆里，辅助信息走长期记忆。举个例子，用户问“深圳明天天气怎么样，适合穿什么”。Agent 先思考，然后调用天气 API，…

#百度#Agent#Agent 核心组件

面试题·Prompt· 字节

AI Agent 核心特点与局限

匹配追问：…赖上下文、并且步骤之间需要修正，你会怎么设计？……这其实就是Agent的核心思路，你能说说它和纯LLM比有什么独特的地方吗？直球架构请直接阐述AI Agent的核心特点，包括它的感知、规划、行动、记忆组件，再分析当前的优势和局限性，比如幻觉累积、成本问题，最后展望一下它在自动化领域的落地潜力。

#字节#评估与监控#Agent

面试题·Prompt· 阿里

Prompt 优化方法有哪些?

匹配正文：…示优化等 Prompt优化方法可分为四大类：一、结构化优化角色设定：给模型定义专业身份（"你是一位资深算法工程师"），激活特定领域知识输出格式约束：用JSON/XML模板、Markdown表格等强制规范输出结构，便于下游解析分隔与标记：用###、"""等明确区分指令、上下文、输入，降低歧义二、示例驱动（In-Context Learning） Few-shot：提供2-5个输入-输出示例，引导模型理解任务模式；关键在示例分布覆盖边缘case 动态示例检索：用Embe…

#阿里#Prompt工程#Prompt 优化方法