匹配正文：…5 道,覆盖 5 个角度) 【概念基础】请解释 RAG 的基本概念与工作原理。中等 → 【业务价值/治幻觉】 RAG 如何提升大模型的事实准确性和知识覆盖? 较难 → 【与替代方案对比】系统比较 RAG 与传统"先检索后生成"流水线的差异。较难 → 【工程组件初探】 RAG 的技术原理、核心组件、工作流程及实际应用中的优势与挑战。中等 → 【数据漂移场景】线上数据分布快速变化时,如何用外挂数据库结合大模型提升响应准确性? 中等 → 学完这一章你应该能干嘛能跑通那…

#RAG#检索#项目实战

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：…(ReAct 那种):自己定 Action: search("...") 格式、用正则解析。好处是可尝试兼容更多文本模型；格式可由应用约定，但模型不保证遵守，必须验证和处理解析失败。实务里:模型支持 function calling 就用它(健壮);需要兼容老模型 / 完全掌控格式时,才用文本解析。本章 demo 为了通用 + 让你看清机制,用的是文本解析。 🧭 这一章到这儿:工具集的设计、接入、工程化(网关 / 容错 / 缓存)都讲透了,你能照着设计得出、接得通、跑得起…

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

#Agent

#Deep Research

#项目实战

项目实战·Agent

第 4 章:多轮对话与长程记忆管理

匹配正文：…,就是短期记忆设计的核心。 📌 说清楚:这是教学最小实现。三处简化:① 指代消解只处理「它」、用规则替换(真实系统用小模型 / LLM 做,能处理「这个」「上一个」等各种指代);② 实体靠手动传入(真实系统自动抽取);③ 摘要是字符串拼接(真实系统用 LLM 概括)。机制是真的,工程化见 Part 2 和后面章节。 🧭 你刚才做的,等于真实系统的什么? 你的滑动窗口 + 摘要 = 短期记忆的历史选择 + 裁剪; 你的 resolve() = 指代消解(本质是一种 Quer…

#Agent#Deep Research#项目实战

系统教程·AI 编程

上下文工程:让 AI 写对代码的关键

匹配正文：…I 协作时最能体现深度的点。心智:模型只知道你给它的回到第 1 篇——一次调用能使用哪些项目资料，取决于实际传入的上下文，以及应用接入的检索、记忆和工具。不能把“工具已经能读仓库”等同于“本次调用已经看过所有相关文件”。所以「让 AI 写对代码」本质是:把对的信息,在对的时机,以对的结构喂给它。 System Prompt:先定身份和规矩 System Prompt 通常用于提供身份和较高优先级的任务规则；具体角色与优先级要看所用 API。提示文本不能替代真实权限、沙箱和…

#Agent#AI 编程

项目实战·Agent

第 6 章:多阶段训练:Agentic CPT → SFT → GRPO

匹配正文：…造。现在的问题是:怎么把这些数据喂进去,把一个通用模型训练成会做调研的 Agent? SFT可以学习任务策略与格式，也可能满足部分应用；但有限示范可能覆盖不足。是否需要额外CPT或RL，应由留出任务、工具环境、奖励可靠性与资源预算决定，不能断言只做SFT一定训不出来。本章借鉴Tongyi/AgentFounder公开工作，讨论一条CPT → SFT → GRPO示例路线，像培养一个调研员：先打底子(Agentic CPT):大量泛读,在脑子里建立「Agent 该怎么动」的…

#Agent#Deep Research#项目实战

项目实战·Agent

第 7 章:工程化上线:推理优化、并发与成本

匹配正文：…及怎么把成本压下来 🔗 关联面试题:5 道(覆盖 5 个角度,见 Part 3) 🧭 这一章讲什么:推理优化、并发、降本这些是大模型应用工程师的硬通货。本章把通用原理和调研 Agent 上线特有的挑战讲清楚,面试和实战都够用。这一章你会学到什么 ✓ 想清一个根本落差:训练好的模型 ≠ 能上线的服务,真实流量来了要面对并发、延迟、成本、稳定性 ✓ 搞懂推理服务的关键指标(TTFT / TPOT / 吞吐 / 单次成本),以及 LLM 推理为什么天生慢且贵 ✓ 掌握两个最核…

#Agent#Deep Research#项目实战

面试题·RAG

Chunk 为什么要带标题、页码和前后片段 ID？

匹配正文：…ta 不是备注，而是检索链路的一部分只保存正文和向量，确实能做出一个演示版本。用户问题被编码成向量，向量库找到相近文本，再交给大模型回答。只要知识库很小、文档没有版本、所有用户权限相同，系统看起来也能工作。一旦进入多文档场景，问题马上出现。下面仍然用教学场景说明常见故障。在这个纯教学例子里，假设用户只想查某个知识库，系统却从另一个知识库带回内容；旧制度与新制度文字相似，旧版本反而排得更靠前；检索命中“但以下情况除外”，模型却看不到上一段的适用条件；回答末尾只显示一个文…

#RAG#切分与索引#RAG Metadata

求职指南·求职

做一个 Agent 项目怎么做:从最小 Agent 到 Deep Research

匹配正文：…利等 Agent 方向机会 Agent 项目要能展示多步执行和工程约束,不是只展示调用 API 985 硕士,时序方向研究方向和大模型岗位连接不强做办公 Agent、PPT 智能体、RAG/Post-Train 项目,补业务闭环收到商汤、联想等 AI 相关机会反馈原方向可以保留,但要用 Agent 项目证明应用落地能力 211 本硕,项目零散只有浅层 Prompt 调优,简历项目不成体系围绕 Coding Agent 做闭环:任务拆解、代码生成、执行、错误修复和评…

#求职#职业转型

求职指南·求职

要不要做微调 / Post-Train 项目,轻量版怎么做

匹配正文：…错,比你没做过微调项目扣分更多。下面这张表按目标岗位给出优先级,先对号入座再决定投入。你的目标岗位微调优先级该做到什么程度大模型应用开发(RAG/Agent 工程) 低知道何时该微调、和 RAG/Prompt 怎么取舍;有余力做一个轻量 LoRA/SFT 加分,但别为它挤掉 RAG/Agent 主线应用算法 / 偏模型的算法岗高值得做深:自己构造数据、跑 SFT/LoRA、设计评估、能拿出实验证据说明收益和代价研究生算法向(想进模型团队) 高在应用算法基础…

#求职#职业转型

求职指南·求职

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：…防死循环。面试官担心的是你的 Agent 只在 demo 里跑通一次。站内 Agent 题库有 154 题,是题量最大的模块。大模型面试高频问题集中在哪几块? 从站内 851 题看,题量最密的是 Agent(154)、评估与监控(121)、Prompt 工程(77)、重排与优化(70)、RAG 基础(62)。这五块是应用岗几乎躲不过的高频区;微调(47)等题量少、门槛高,偏算法/平台岗选修。只背题库答案能过面试吗? 不能。面试官会把题目换个场景挂到你项目上追问,只背通用…

#求职#职业转型

面试题·RAG

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

匹配正文：…关性和完整性仍然不合格。因此，生成阶段至少要把三个维度分开：正确性：结论与参考答案或答案要点是否一致。相关性：内容是否直接回应用户问题。 Faithfulness：事实是否被本轮上下文支持。这三个维度互相补充，不能互相替代。常见 RAG 评估指标分别回答什么问题 Recall、Precision、MRR、nDCG 和 Faithfulness 分别定位不同故障。引用评估：有出处不等于出处能支撑答案很多 RAG 页面会在答案后面显示 [1]、[2]。引用存在，只能…

#RAG#评测与上线#RAG 评估指标

面试题·RAG

RAG 首字响应为什么慢？Embedding、检索和生成怎么逐段优化？

匹配正文：用户点下发送以后，页面空了很久，随后答案一口气开始出现。遇到这种现象，一种常见判断是大模型太慢，需要换一个更快的模型。但一条 RAG 请求在模型生成第一个字之前，已经经过 Query 处理、Query Embedding、关键词与向量检索、候选融合、Rerank 和上下文构建。真正的等待可能发生在其中任何一段。从调用依赖关系看，模型要等检索证据准备好，才能开始基于证据生成。因此，如果向量检索阶段很慢，流式输出只能改变第一个 Token 之后的展示，不能缩短前面的检索等待…

#RAG#评测与上线#RAG 首字响应

面试题·RAG

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

匹配正文：…时，检索 Chunk、引用、缓存和评测样本才能知道自己对应哪一版资料。失败和降级应该怎样设计？系统投入运行时，失败不会只发生在大模型。 Query 改写可能选错实体。可以回退原问题，或者向用户澄清。 Embedding 服务可能超时。如果系统同时有关键词路线，可以在明确标记降级的情况下只使用 BM25，但要重新应用证据门槛。向量检索可能失败。不能把空候选直接交给模型，让模型凭自身知识回答内部资料问题。 Rerank 可能超时。可以使用融合后的初排结果，但要记录本次未经过…

#RAG#评测与上线#RAG 系统设计

面试题·模型训练· 字节

MSE vs Focal Loss 分类怎么选?

匹配标题与标签：…oss 分类任务样本权重 2026真题 MSE 分类损失 Focal Loss 类别不平衡 Focal Loss γ α 参数大模型训练与微调字节

#损失函数#类别不平衡#Focal Loss

面试题·模型架构· 字节

FFN 隐藏层维度为何扩 4 倍?

匹配标题与标签：…er FFN 维度扩展模型容量信息瓶颈 2026真题 FFN 隐藏层维度 Transformer d_ff 前馈神经网络扩维大模型架构与原理字节

#Transformer#FFN#维度扩展

面试题·RLHF与对齐· 美团

环境训练 vs 监督学习怎么选?

匹配题目：…ronment-based）’的训练方法在智能Agent或强化学习系统中的含义，它与传统监督学习训练方式有何区别？并举例说明其典型应用场景。

#环境交互#在线学习#探索与利用

项目实战·RAG

附录:把这个 RAG 项目写进简历 & 面试应答

匹配正文：…请详细介绍一个你参与的 RAG 项目:背景、技术方案、你的具体贡献、遇到的挑战。中等 → 【RAG 技术细节】请说明你在项目里应用 RAG 的技术细节:检索器设计、知识库构建、与生成的结合。中等 → 【RAG 解决了什么问题】 RAG 在你的项目里解决了哪些具体问题?带来了什么影响? 中等 → 【项目深挖追问】二三面里,面试官通常会针对项目深挖哪些技术实现细节? 中等 → 【自我介绍】做一个简要自我介绍:教育背景、工作经历、技术专长,以及你对大模型领域的理解。基础…

#RAG#检索#项目实战

面试题·多模态· 百度

高噪 vs 低噪专家怎么划分?

匹配标题与标签：… 多模态扩散模型 MoE 噪声调度信噪比生成模型 2026真题扩散模型专家网络高噪低噪专家划分噪声水平划分标准多模态大模型百度

#扩散模型#MoE#噪声调度

面试题·模型架构· 美团

Transformer 架构核心组件原理

匹配口述回答：…sal mask下并行算所有位置；推理时因为下一个token依赖已生成前缀，通常逐token进行。 FFN对每个token位置独立应用同一组两层MLP。原始论文使用ReLU，现代模型可能换GELU或SwiGLU。各子层外还有残差、dropout和LayerNorm。这里要准确：原始Transformer是Post-LN，形式是LayerNorm作用在x加Sublayer x之后；x加Sublayer作用在LayerNorm x上，是后来常见的Pre-LN，不能倒过来介绍。 A…

#Transformer#自注意力机制#位置编码

面试题·RLHF与对齐· 快手

PPO vs GRPO vs DPO 原理区别?

匹配正文：核心判断 PPO、GRPO和DPO都能用于语言模型后训练，但数据闭环不同。PPO用当前策略采样，再依据奖励与价值估计更新；GRPO同样依赖在线或近在线采样，却用同一提示下的一组回答构造相对优势，省去独立价值模型；DPO直接消费偏好对，在参考策略约束下优化胜负回答的相对对数概率，训练阶段不需要单独拟合奖励模型或从当前模型做 rollout。机制与边界 PPO的核心是 clipped surrogate objective，通常还配价值函数、GAE、KL惩罚和熵项。它能利用标量…

#RLHF#PPO#DPO

面试题·模型架构· 京东

位置编码怎么选? RoPE vs ALiBi

匹配标题与标签：… 模型架构位置编码 RoPE 相对位置编码 ALiBi Transformer 2026真题 Transformer 位置编码大模型架构与原理京东

#位置编码#RoPE#相对位置编码

面试题·模型架构· 百度

DDPM vs Flow Matching: 建模与训练差异?

匹配标题与标签：…扩散模型流匹配概率流ODE 生成式AI 2026真题 DDPM vs Flow Matching 扩散模型对比生成模型选型大模型架构与原理百度

#生成模型#扩散模型#流匹配

面试题·项目与经历· OPPO

运筹学最优化 vs 机器学习最优化

匹配题目：最优化问题在运筹学中有哪些典型应用场景？请列举几种常见的数学建模方法（如线性规划、整数规划等），并说明它们与机器学习中最优化问题的异同。

#运筹优化#数学规划#凸优化