匹配正文：…G 真题 → 按顺序学习第 1 章:为什么做 RAG? 第 2 章:RAG 整体架构第 3 章:文档预处理与切分第 4 章:Embedding 选型与向量化第 5 章:检索召回,混合检索(BM25 + 向量) 第 6 章:重排(Rerank)与检索优化第 7 章:Query 理解与改写第 8 章:多轮对话与记忆管理第 9 章:上下文问答与引用溯源第 10 章:系统评估与上线优化附录:把这个 RAG 项目写进简历 & 面试应答配套代码打开 rag-from…

#项目实战#RAG 智能问答系统

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…按真实经历填写目标岗位：大模型应用工程师准备时间：按自己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉归因与四类治理 RAG 评估指标(Recall@K / MRR / LLM-as-Judge) 检索权限前置过滤与上线回归第一部分 · 先证明你理解完整链路先把这部…

#RAG#项目深挖#教学复原

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：…败案例技术决策为什么这么切块、这么检索、这么评估方案对比表、参数选择依据量化反馈做完到底有没有变好小评估集、错误样例、优化前后对比追问准备出问题时你是否知道边界失败原因、替代方案、下一步优化站内两条项目线对应两种简历打法: RAG 智能问答系统:适合大多数后端、Java、信息系统、企业知识库方向。它覆盖文档切分、向量检索、重排、Query 改写、记忆、引用、评估。 Deep Research Agent:适合想冲 Agent、研究助手、自动化调研、工具调用…

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

#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：…钮,每个按钮什么时候值得碰。面试准备差异:刷题也不能刷错方向目标岗位重点题库模块项目准备 RAG 应用开发 RAG 基础、向量检索、重排与优化、评估与监控 RAG 智能问答系统做深 Agent 开发 Agent、Prompt 工程、工具调用相关题 Deep Research Agent做深应用算法/微调模型微调、RLHF 与对齐、模型训练轻量微调项目 + RAG/Agent 应用场景推理部署/LLMOps 推理优化、模型架构、评估监控高并发推理、成本和稳定性…

#求职#职业转型

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…文生成)各管什么 ✓ 理解在线检索为什么是"双路召回 + 两阶段(粗排→精排)"的漏斗 ✓ 想通一个关键问题:为什么离线要同时建"向量库 + 倒排索引"两套索引 ✓ 建立"模块联动"的全局视角:一处没做好会顺着链路放大本章按三段式组织,不同基础的读者各取所需: 段落给谁看内容占比 🚀 Part 1 · 主线实战 RAG 零基础,想先跑起来概念白话 + 端到端骨架代码 ~60% 🎯 Part 2 · 面试深度想讲透、备战面试四模块 + 两阶段 + 双索引 + …

#RAG#检索#项目实战

面试题·RAG

扫描 PDF 没有文本层，RAG 怎么做 OCR 与失败降级？

匹配正文：…别成功”概括结果。四类 bad case，应该怎样处理？以下 bad case 均为教学场景，不代表某个真实项目已经完成了对应优化。第一类，页面方向或倾斜错误一页横向扫描材料被当成竖向页面处理，文字框大量缺失，质量信息也明显异常。排查这个教学场景时，可以先看原图方向和文字框分布，再决定是否旋转或纠偏后重试。这个问题发生在 OCR 之前，调整分块长度和向量模型没有意义。第二类，印章、水印或污渍遮挡正文印章与文字重叠时，字符可能被拆错；浅色水印又可能被当成正文反复识…

#RAG#解析与入库#扫描 PDF RAG

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：…度函数并重新验证。什么是切分:把大文档剪成多个小块这步看着简单,却决定了整个 RAG 系统的天花板,后面你会反复看到,很多上层优化,其实都是在弥补"切分没切对"留下的窟窿。概念 2:什么是"召回率"? 召回率(recall),你可以理解成**"该找回来的,到底有没有找回来"的比例**。举个例子: 你准备 100 道用户问题,每道题"正确答案应该来自第几个 chunk",事先人工标好; 系统跑完检索,"成功找回正确 chunk"的题数 ÷ 100 = 召回率。例如,同…

#RAG#检索#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：…司可能对应四类工作: 做企业知识库问答,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、…

#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

项目实战·Agent

第 5 章:训练数据构造,种子 → 轨迹 → 增强

匹配正文：…造分两层,先有「问题」,再有「做这些问题的完整过程」: 种子数据(seed):一批高质量的调研问题。比如「中小规模 RAG 项目,向量库选 Milvus、Qdrant 还是 pgvector」。它是整个数据的源头。轨迹数据(trajectory):针对每个种子问题,一条完整的「怎么一步步做出来」的过程:Thought → Action → Observation → … → Final。这才是模型真正要学的东西。概念 2:一条「轨迹」长什么样轨迹就是把第 1-2 章那个…

#Agent#Deep Research#项目实战

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：…目代码 + README + 架构图第 8 周加评估和 badcase 做 30-50 条评估样例,记录错误分类评估表 + 优化记录第 9 周写简历按简历项目追问模板补齐项目描述的证据一版可投简历第 10-11 周刷题和面经刷 RAG/Agent/评估模块,读目标公司面经 30 道口述稿 + 项目追问稿第 12 周小范围投递投 20-30 个匹配岗位,记录反馈投递表 + 面试复盘这个计划的关键不是“12 周后必然换工作”,而是 12 周后你应该知…

#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：… 计费、按 token 生成耗时能算清一个请求的成本量级,知道流式输出改善的是体感延迟 /questions?module=推理优化幻觉模型一本正经编造不存在的事实知道它无法根治,只能靠检索接地和引用溯源缓解引用与溯源 Embedding 与向量把文本压成一串数字,语义相近则向量相近知道它是语义检索的基础,知道选模型影响召回质量 Embedding 选型向量库与 ANN 检索存向量、用近似最近邻快速找相似知道为什么用近似而非精确,知道它牺牲一点召回换速度 …

#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：…G 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。块也不是越大越好。块太大，多个主题会被压进同一个向量。检索得到的是一段平均语义，真正相关的几句话被大量无关内容包围。随后进入模型的上下文更长，噪声也更多。所以一个可用 Chunk 同时满足两个目标。它要足够聚焦，让检…

#RAG#切分与索引#RAG Chunk

项目实战·RAG

第 7 章:Query 理解与改写

匹配正文：… + 改写都查、结果合并」，避免把用户本意改歪。 2.3 HYDE:先让模型"瞎答一个"再检索短查询(如"等待期")关键词太少,向量不够"丰满",检索容易飘。HYDE(Hypothetical Document Embeddings)的反直觉解法是: HYDE 流程先让 LLM 根据问题编一段"可能的答案"(假设文档),把这段假答案向量化,再用它去检索真实文档。因为这段假答案自带一堆相关术语和上下文,它的向量更接近真正答案文档的向量,召回更准。用向量空间的视角看,就很…

#RAG#检索#项目实战

求职指南·求职

转大模型应用开发,数学和深度学习理论要补多少

匹配正文：… 常见问题数学不好,能转大模型应用开发吗? 能。应用开发岗要的是检索、评估、工程和取舍能力,不是数学推导能力。你只需要几个直觉:向量相似度、概率期望、评估指标含义、梯度大致方向。中学数学基础加上肯做项目,足够入行。转 AI 到底要学多少数学? 看方向。纯应用开发,补上表里"必须懂"的四个直觉即可,读得懂就行,不用推得出。想走应用算法、做微调或研究大模型本身,则概率、线性代数、优化要往深补,这是硬门槛,别用应用岗的标准去衡量算法岗。大模型应用开发需要懂深度学习理论吗? 需…

#求职#职业转型

系统教程·AI 编程

从零拼一个最小 RAG 问答

匹配正文：…加"没提到就说不知道",否则照样幻觉。 k 取太大:塞太多片段 → 噪声多 + 烧 token + 注意力稀释。每次都重算知识库向量:知识库向量离线算一次存好,在线只算问题向量。不做切分:整篇文档当一个片段,要么超长、要么粒度太粗,检索不准。关联面试题「RAG 的完整流程是什么?检索质量怎么优化?」「为什么需要混合检索?向量和 BM25 各自的短板是什么?」 👉 去题库搜 RAG / 混合检索 / 重排 / 切分。训练营延伸课程项目继续练习多格式入库、检索…

#Agent#AI 编程

面试题·RAG

Chunk Size 和 Overlap 怎么选？不要背 512 和 100

匹配正文：…储与发布流程决定。参数回归还需要固定样本。每次发现新问题，都把原始查询、标准证据位置、当时的切分配置和错误结果加入回归集。下一次优化不只看新问题有没有修好，还要确认旧问题没有重新出现。 Chunk 参数上线前检查上线前同时检查证据完整、结果重复与变更可控，参数必须能够复现和回归。面试官继续追问，怎么接为什么不用一个更大的 chunk，彻底避免信息被切断？因为大块只降低某些边界风险，却会把多个主题塞进同一个向量，降低证据密度，并占用更多上下文。还要确认 Embeddi…

#RAG#切分与索引#Chunk Size

项目实战·Agent

第 8 章:评估:调研类任务没标准答案,怎么定义「好」

匹配正文：…好?」你怎么回答? 如果是分类任务,简单:有标准答案,算个准确率就行。但调研型 Agent 面对的是**「中小规模 RAG 项目,向量库选 Milvus、Qdrant 还是 pgvector」这种开放问题,它产出的是一份几百字、带十几条引用的选型报告**。这份报告好不好? 没有唯一标准答案。两份结论相近的报告,可能一份引用扎实、一份在编数据;一份覆盖全面、一份漏了关键维度(比如只比性能,没提运维成本)。「跑通了」不等于「做得好」,流畅漂亮的报告可能恰恰在一本正经地胡说。更麻…

#Agent#Deep Research#项目实战

求职指南·求职

只会 Java,怎么快速上手 Python 和大模型工程栈

匹配正文：… RAG。已经有后端经验的,看整体迁移路径怎么规划:后端工程师转大模型,已有经验怎么迁移。想补大模型的基础概念 (token、embedding、上下文窗口这些术语),看:转大模型必须先搞懂的基础概念。做完前三步,你手里就有三个能跑、能讲、能写进简历的最小项目。之后再按题库分模块查漏补缺,RAG 基础 62 题、Agent 154 题、推理优化 23 题这三个模块是转型者最容易建立优势的战场。常见问题 Java 转 Python 大概要多久能上手写大模型应用? 一…

#求职#职业转型

求职指南·求职

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：…步处理请求推理服务吞吐设计、请求批处理(batching)、协程与队列文档解析与数据管道 ETL、消息队列、批处理、增量更新向量数据库选型与调优存储选型、索引优化(HNSW/IVF 换个名字的 B+ 树直觉) 缓存设计向量检索结果缓存、语义缓存、Prompt 命中复用推理延迟与成本优化性能调优、连接池、批量化、异步降级可观测性 / 线上质量监控评估指标埋点、离线评测集、线上 badcase 采样与回归 Agent 工作流编排状态机、任务调度、重试与幂等、D…

#求职#职业转型

求职指南·求职

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：…回答,解决"胡说、没有企业数据"的问题,应用岗第一主战场 RAG基础 62 RAG 基础题库 RAG 智能问答系统教程重排与检索优化 RAG 里"召回准不准"的关键环节,效果好坏经常卡在这重排与优化 70、向量检索 49 重排与优化题库重排章 Agent 智能体让模型能规划、调工具、多步完成任务,当前最热且和 RAG 衔接 Agent 154 Agent 题库 Deep Research Agent 教程 Prompt 与上下文怎么把任务、约束、上下文喂给模型,应用…

#求职#职业转型

求职指南·求职

手把手把 RAG 教程做成"你自己的"项目

匹配正文：…块职责 "把你的链路画一下,数据怎么流" 文档预处理与切分 chunk 策略 + 大小的对比数据 "切多大、为什么、试过别的吗" Embedding 选型选了哪个模型、和备选的对比 "为什么这个 embedding,维度/成本怎么权衡" 检索召回·混合检索向量+关键词混合的召回对比 "只用向量行不行、混合提升了多少" 重排与检索优化加 rerank 前后的指标变化 "rerank 解决什么问题、值不值这点延迟" Query 理解与改写改写/扩写对难 query 的效果…

#求职#职业转型