匹配正文：…源行为层：点击、点赞、收藏、评论、停留时长、完播率（小红书核心信号）内容层：笔记图文/视频、标签、OCR文本、视觉特征（多模态embedding）社交层：关注关系、互动频次、社群归属处理链路埋点采集 → Flink实时清洗 → Kafka分流 → ├── 离线数仓（Hive）→ 天级特征工程 └── 实时流（Flink）→ 分钟级兴趣更新二、特征工程方法类型具体特征更新频率静态画像人口属性、注册来源、设备偏好月级动态兴趣短期点击序列（最近50条）、…

#小红书#评估与监控#用户兴趣建模

面试题·评估· 快手

LLM 如何集成外部工具与记忆?

匹配正文：…装各厂商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（…

#快手#评估与监控#Agent

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：答案要点检索阶段：召回率低、相关性不足、向量语义鸿沟生成阶段：上下文利用不足、幻觉与知识冲突、长文本建模困难系统层面：延迟高、成本高、冷启动问题改进方案需具体对应上述问题一、检索阶段的缺陷 1. 召回质量不稳定向量检索存在"语义鸿沟"：query与文档的embedding空间不对齐，导致字面相关但语义检索失败稀疏场景（专业术语、ID、代码）dense retrieval效果差改进：混合检索（BM25 + 向量）、query改写/扩展、重排序（Cross-enc…

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

#小红书#RAG 局限性#RAG 缺陷

面试题·评估

RG 系统效果差怎么排查?

匹配正文：…量诊断方法人工标注100个查询的"黄金文档"，计算检索命中率分析未命中的case：是query理解偏差（需改写/扩展）、还是向量空间不对齐（需调整embedding或分块策略）快速实验：用人工精选的上下文替换检索结果，若生成质量显著提升 → 问题在检索侧二、定位生成模块问题关键指标忠实度（Faithfulness）：生成内容是否被上下文支持答案相关性：是否回答了用户问题诊断方法固定输入"完美上下文"（人工构造含答案的片段），观察模型是否仍能正确生成若仍出…

#检索归因#生成归因#RG 系统故障排查

面试题·评估· 字节

Agent 建模方法怎么选?

匹配正文：…重复调用缺点：计划僵化，环境变化时难以调整；初始计划错误代价高 3. 记忆增强型短期记忆：对话历史、滑动窗口上下文长期记忆：向量数据库存储经验，检索增强决策适用：个性化助手、持续学习场景关键：记忆召回的准确性直接影响Agent表现 4. Multi-Agent协作设计：多个专精Agent分工（规划者、执行者、验证者）适用：复杂系统任务（代码生成+测试+修复）选型建议场景推荐方案工具链明确、步骤不确定 ReAct 步骤固定、追求效率 Plan-and-Ex…

#字节#评估与监控#Agent

面试题·评估· 安克科技

评估集防泄漏与复现

匹配正文：…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paraphrase扩增+人工校验五…

#安克科技#评估与监控#Agent

面试题·评估· 字节

知识库更新策略怎么选?

匹配正文：…衡（成本、延迟、准确性）的理解知识库更新策略按更新粒度分类全量重建：定期（如每天/每周）重新拉取全部数据、重新分块、重新生成embedding 优点：数据一致性最好，可彻底清理脏数据缺点：成本高、耗时长，适合数据量小或低频变更场景增量更新：仅处理变更数据（新增、修改、删除）基于CDC（Change Data Capture）捕获数据库binlog 或基于消息队列（Kafka/Pulsar）消费变更事件适合高频更新、大规模知识库按触发方式方式延迟适用场景 …

#字节#评估与监控#RAG 知识库更新

面试题·评估· 得物

AI Agent 四大瓶颈怎么破?

匹配正文：…文档人机协同确认：高风险操作前请求用户确认，暴露决策逻辑长期记忆瓶颈与改进核心问题上下文窗口硬限制，历史会话无法全量加载向量检索召回率低，关键记忆"丢失" 记忆更新与遗忘策略粗糙改进方向分层记忆架构：工作记忆（上下文）+ 短期记忆（session级向量库）+ 长期记忆（知识图谱+摘要）记忆重要性评分：基于访问频率、用户显式标记、时间衰减综合打分主动记忆整理：离线任务定期合并、摘要、去重历史记忆多步推理瓶颈与改进核心问题错误累积：前期规划偏差导致后续步骤…

#得物#评估与监控#Agent

面试题·评估· 得物

AI Agent 核心能力现状与差距

匹配正文：…ens，RAG检索增强基本可用关键短板规划稳定性：ReAct/CoT在5步以上任务中错误累积严重，"一步错步步错" 长期记忆：向量数据库检索精度有限，缺乏真正的经验学习与技能沉淀反思能力：多为"伪反思"——LLM生成自我批评文本，而非基于执行反馈的实质性策略更新典型案例对比 AutoGPT：早期过度承诺，实际因循环调用、成本失控、无法终止而难以落地 LangChain/LlamaIndex：框架成熟但"胶水代码"过多，核心智能仍依赖底层模型 Devin/Cursor：…

#得物#Agent#AI Agent 核心能力

面试题·模型微调· 字节

架构与训练怎么提升多轮一致性?

匹配正文：…示显式记忆机制短期记忆（Context Window）：最近K轮完整对话长期记忆（External Memory）：关键信息向量库（摘要、实体、用户画像）记忆写入：每轮用轻量encoder提取关键信息，更新至FAISS/HNSW索引记忆读取：当前query检索Top-N相关记忆，拼接至输入二、训练策略优化多阶段训练阶段目标数据特点预训练长文档建模书籍、长文章，4K→32K→128K渐进扩展 SFT 对话能力高质量多轮数据，平均10-20轮，含角色一…

#字节#模型微调#多轮对话一致性

面试题·模型微调· 美团

RAG检索偏差怎么缓解?

匹配追问：…层面避免这种新老文档的偏差？层层追问 RAG系统里，如果新加入的文档和原来分布不一样，检索效果可能会变差，你遇到过吗？……那具体是什么原因导致的偏差呢？……有什么策略可以缓解，让系统对新旧文档都公平？直球架构 RAG系统中新文档与历史文档存在分布差异，导致检索偏差。请你设计策略来提升系统鲁棒性，会从索引、检索、模型、排序哪些方面入手？具体怎么缓解embedding不对齐或索引偏置？

#美团#模型微调#RAG检索偏差

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配正文：…需针对性选择。主流技术方法 1. 检索增强（RAG）核心思路：外接知识库，将生成约束在检索到的证据上标准流程：查询改写 → 向量检索 → 重排序 → 上下文增强生成关键优化：多路召回、HyDE（假设文档嵌入）、Self-RAG（反思token）局限：检索失败时幻觉反而加重，需配合置信度校准 2. 微调策略事实性SFT：用高质量QA对训练，强化"不知道就拒绝" 偏好对齐：RLHF/DPO中引入事实性奖励，惩罚幻觉输出知识蒸馏：从大模型蒸馏事实性强的推理链到小模型 …

#联通#大模型幻觉缓解#检索增强

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配口述回答：…掉，再看正确文档是否进入 Top-K。候选里没有答案时，应该修语料覆盖、分块或召回；候选里有答案但排得靠后，才值得比较 BM25、向量召回、RRF 和 Cross-Encoder 重排。查询改写也要测语义是否漂移，不能只看召回数量变多。生成侧关注模型拿到的到底是什么证据。我会做去重和冲突检测，控制上下文预算与顺序，在 Prompt 里约束引用格式和证据不足时的拒答。评测要把答案正确性、引用支持率、faithfulness、覆盖率和拒答分开，否则一个流畅答案很容易掩盖检索或引…

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配追问：…么解决知识过时和幻觉的问题？……除了微调还有什么方式？……如果用检索增强，你具体会怎么搭这个系统，从文档存进去到最终生成回答，流程是什么样的？直球架构请你详细讲一下RAG的系统架构，从文档索引、向量检索到生成回答，每个环节用了哪些关键技术和优化点？比如分块策略、混合检索、重排序这些，你是怎么选择和调整的？

#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· 百度

Prompt Engineering 关键原则有哪些?

匹配正文：…练成本，直接挖掘模型固有能力。三大关键技巧与实例 1. 少样本学习（Few-shot Learning）原理：在Prompt中嵌入输入-输出示例，激活模型的上下文学习能力。翻译任务示例：输入：苹果 → 输出：apple 输入：香蕉 → 输出：banana 输入：人工智能 → 输出：？关键：示例需覆盖边界情况，格式保持一致，通常3-5个足够。 2. 思维链（Chain-of-Thought, CoT）原理：显式引导模型输出推理过程，而非直接给答案，显著提升复杂推理任…

#百度#模型微调#Prompt工程

面试题·模型微调

SFT vs RAG 知识更新

匹配正文：…热更新，分钟级生效推理准确性依赖训练数据质量，易幻觉可控。检索结果可溯源、可干预部署复杂度相对简单，单模型推理复杂。需向量库+检索+重排序+生成多模块泛化能力强。内化知识，复杂推理更连贯弱。依赖检索质量，知识片段间推理易断裂性能上限分析 SFT上限：受限于参数容量和训练数据天花板。模型无法记住无限知识，且知识冲突时易产生幻觉。适合模式学习（风格、格式、推理链）而非事实记忆。 RAG上限：受限于检索精度和上下文长度。再强的生成模型也救不回错误的检索结果。适合…

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·知识图谱· 淘天

GraphRAG 增量更新怎么保实时?

匹配正文：…更新需要处理双层索引（社区摘要层 + 原始文本层），比标准RAG复杂得多。核心策略分场景讨论：一、新增文档场景文本层：直接写入向量库，提取新实体关系并入图图结构层：判断新实体/边是否影响现有社区划分若影响局部社区 → 仅重算受影响社区的摘要若产生跨社区连接 → 触发社区合并或分裂，重算相关社区摘要层：采用增量聚类算法（如HAC的增量版本），避免全量重跑Leiden算法二、文档修改/删除场景建立倒排索引：记录文本块 → 实体/边的映射关系修改时：定位受影响子图…

#淘天#GraphRAG 增量更新#知识图谱实时性

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配口述回答：…目”，Global Query跨社区聚合摘要，比如“公司今年整体趋势”。相比传统RAG，优势很明显。信息组织上，传统RAG是扁平向量，语义相近不等于逻辑关联；GraphRAG用显式图结构，保留了因果、从属关系。检索效率上，传统RAG靠相似度Top-K，容易漏掉关键桥梁信息，比如“张三和李四的共同上级”，需要多跳推理；GraphRAG的图遍历剪枝能精准定位。知识关联上，它天然支持路径溯源。举个例子，企业组织架构查询，问“张三和李四的部门交集是什么”，传统RAG可能从各自文档里…

#美团#知识图谱#GraphRAG 架构

面试题·知识图谱· 淘天

GraphRAG 知识图谱构建有哪些挑战?

匹配正文：…检索与证据读取层执行。评估要分层覆盖实体链接准确率、关系精确率与召回率、路径及证据命中、答案忠实度、更新新鲜度、延迟和成本，并与向量 RAG、关键词检索及无图基线在同一查询集比较。GraphRAG 能提供全局主题和关系视角，但不能保证自动获得正确知识图谱或可靠推理。图解 GraphRAG 知识图谱构建有哪些挑战?图解

#淘天#知识图谱#GraphRAG 挑战

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：…大核心痛点 1. 检索噪声（Retrieval Noise）表现：召回的Top-K文档包含无关或低质量内容，干扰模型判断根源：向量相似度≠语义相关性；Embedding模型对领域术语理解不足；Chunk切分破坏语义连贯性改进：引入Rerank模型（如BGE-Reranker）二次精排；混合检索（BM25+向量）降低单一向量空间局限；查询改写（Query Expansion）补全隐含意图 2. 上下文稀释（Context Dilution）表现：有效信息淹没在大量检索结…

#淘天#知识图谱#RAG 痛点

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配正文：主流多模态RAG框架 1. 伪多模态RAG（早期方案）架构：图像→OCR/Caption→文本→向量库→LLM 代表：传统CLIP+文本RAG拼接问题：信息严重损耗，图文对齐弱 2. 真多模态RAG（当前主流）框架核心机制特点 ColPali 延迟交互+视觉token级编码端到端，无需OCR，适合文档理解 Qwen-VL-RAG 统一多模态Embedding 中文优化，图文联合表征 LlamaIndex多模态多向量空间+重排序工程成熟，灵活度高 3. 关键架构…

#淘天#多模态#多模态 RAG 架构设计

面试题·Prompt· 百度

大模型智能体系统架构设计思路

匹配正文：…境+超时控制+权限分级结果聚合：多工具输出融合与后处理关键技术考量维度设计选择记忆系统短期：对话上下文滑动窗口；长期：向量库+结构化知识图谱双存储工具调用 Function Calling原生支持 + 动态工具检索（相似度匹配Top-K）规划深度简单任务单步响应；复杂任务启用多步ReAct，设置最大迭代阈值安全可控输出审核层（敏感词+意图分类）；工具调用权限白名单扩展性插件化架构，新工具自动注册无需改代码差异化设计点人机协作回路：关键决策点引入人…

#百度#Agent 系统架构#大模型智能体设计

面试题·Prompt· 字节

Agent架构设计原则？

匹配正文：…沙箱：敏感操作人工确认、权限管控记忆层（Memory）短期记忆：对话窗口、工作记忆（Working Memory）长期记忆：向量数据库存储经验、用户画像记忆检索：相关性召回 + 时效性过滤 Prompt设计核心原则结构化模板 ## Role: {角色定位} ## Context: {背景信息 + 历史摘要} ## Tools: {可用工具列表，含参数Schema} ## Instruction: {当前任务 + 输出格式要求} ## Constraints: {禁止…

#字节#Prompt工程#Agent