匹配正文：…tent压缩：空间或时空autoencoder减少进入生成模型的token/latent数量；压缩率、重建误差和时序一致性需要共同评测。时空建模：全时空attention为 O((THW)^2)；先空间后时间的分解仍为 O(T(HW)^2 + T^2HW)，并没有变成线性。局部与稀疏计算：窗口、块稀疏、token pruning或条件缓存可减少特定重复计算，但必须说明可见范围和复用条件。3D因果VAE描述的是编码/解码结构，不能单独证明主干使用因果或滑窗attention…

#视频生成#扩散模型加速#时序建模优化

面试题·多模态· 小红书

Stable Diffusion 各版本怎么选?

匹配标题与标签：…026真题 Stable Diffusion 版本对比 SDXL vs SD3 Stable Diffusion 架构演进多模态大模型小红书

#扩散模型#文生图#UNet架构

面试题·Agent· 百度

Agent模块协作机制与失败场景

匹配正文：整体架构：受控反馈循环 Agent 将输入解析、规划、状态、记忆和工具执行解耦。LLM 负责生成候选计划或结构化决策，确定性状态机、权限系统和工具层负责执行边界。 1. 感知与状态把用户请求、工具结果和环境事件转换为带来源的结构化状态，保留原始输入引用。意图分类不是不可变真值；低置信或高风险场景应请求澄清。 2. 规划简单任务直接选择下一动作，复杂任务拆成有完成条件的子目标。系统可以保存简洁的计划摘要和决策依据，但不依赖展示隐藏 Chain-of-Thought。每轮检查…

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#百度#Agent#Agent 系统架构

面试题·Agent· 字节

AI Agent 趋势与挑战怎么破?

匹配正文：…eep Research）、游戏NPC等场景专用化 2. 技术进展亮点模块关键进展规划从CoT到ToT（思维树），再到基于LLM的MCTS搜索记忆短期工作记忆（上下文压缩）+ 长期向量记忆 + 知识图谱结构化记忆工具调用 Function Calling标准化，MCP协议推动工具生态互通安全沙箱执行、权限分级、人机协同确认机制核心挑战：技术+工程双重困境技术层面规划可靠性：长程任务错误累积，"一步错步步错"；复杂约束下的最优解搜索仍是NP-hard 工…

#字节#百度#Agent

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…ction，不等同普通单向量稠密精排。增量更新：避免全量重建，用HNSW的动态插入或定期merge 五、效果验证闭环建立端到端评测：用真实query测试检索Top-K命中率，结合LLM评估生成质量，反向驱动分块策略、Embedding微调、索引参数调优。学习建议建议先掌握RAG整体架构，再分步学习数据清洗、分块策略和嵌入原理，结合开源工具如LangChain和FAISS动手实践，加深理解。参考资料 Pandoc官方输入格式 ColBERT原论文:文本late int…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配正文：…，再递归细分，保持层级语义分块高质量要求场景用embedding相似度判断边界，保证语义完整 Agentic分块复杂文档 LLM判断边界，成本高但最精准关键最佳实践 1. 重叠策略（Overlap）把零重叠、短窗口与较长窗口列为候选，在同一评测集上验证是否减少跨边界证据缺失对代码、法律条文等边界敏感内容尤为重要 2. 边界感知优先在段落、句子边界切分，不在词中间断开特殊内容（表格、列表）尽量保持完整 3. 尺寸匹配参考embedding模型的训练长度（如t…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 字节

RAG 长文档怎么切块?

匹配正文：…构依赖格式规范 Markdown、HTML、代码关键工程实践重叠策略（Overlap）比较零重叠、短窗口与较长窗口，用同一评测集确认是否改善边界上下文断裂对QA类任务尤为重要，答案常跨块边界多粒度设计（Parent-Child）较小块用于精准检索（具体长度作为候选变量）较大块用于生成上下文（具体长度受模型窗口与证据完整性约束）通过元数据关联，兼顾召回与理解动态切块结合LLM判断语义完整性（成本较高）或用聚类算法（如BERTopic）发现自然主题边界选…

#字节#文档处理#RAG 文本切块

面试题·文档处理· 字节

RAG 数据清洗与 Chunking 怎么选?

匹配正文：…对话、叙事文本结构化切分按章节、标题、表格等文档结构切分 PDF/Word等富格式文档；需保留层级关系 Agentic切分用LLM判断最佳切分点高质量要求场景，成本较高工程实践要点：把零重叠、短窗口和较长窗口作为候选，用同一评测集验证是否减少边界信息丢失保留元数据（来源、页码、标题）用于过滤和重排序对表格/代码等特殊内容单独处理，不强行按长度切学习建议建议系统学习该知识点

#字节#文档处理#RAG 数据清洗

面试题·文档处理· 字节

医学论文与法律条文切块

匹配正文：…混杂、主题跳跃的长文档结构感知按Markdown/HTML标签、目录层级切技术文档、法律条文（条款级） Agentic分块 LLM判断边界，生成摘要标题高精度要求、预算充足专业领域特殊处理法律条文以"第X条""第X章"为硬边界，绝不截断条款保留上下文：每条附带所属章节标题医学文献按IMRAD结构（引言/方法/结果/讨论）切分表格单独处理：表头+关键行作为独立chunk 重叠窗口（Overlap）把零重叠、短窗口和较长窗口作为候选，用同一评测集验证是否减…

#字节#医学论文与法律条文切块#医学论文和法律条文为什么要用不同的切块策略

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…留文档逻辑结构、支持精确引用溯源依赖文档解析质量（如OCR、版式分析）法律合同、病历、监管文件智能体切块（Agentic） LLM先读全文，按主题/事件主动划分最贴合人类理解、可提取跨段落关联成本高、延迟大、需设计prompt 超高价值文档、需要深度推理的场景医疗/法律领域的实践要点 1. 优先保结构法律：以"条款→款→项"为最小单元，而非固定长度医疗：以"主诉-现病史-检查-诊断"等病历章节为边界 2. 元数据增强 chunk = { "content": …

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配正文：…：法律合同、学术论文等结构清晰的文档 3. 滑动窗口/重叠分块实现：设定块大小与滑动步长，相邻块重叠；两者都作为待测变量，由同一评测集决定优点：避免边界信息丢失，保证上下文连贯性缺点：存储冗余增加（~2倍），检索可能返回重复内容需去重适用：对话历史、代码等强上下文依赖场景 4. 智能分块（进阶） Agentic分块：用LLM判断断点（如"此处是否完成一个完整论点"）结构化分块：针对Markdown、JSON、代码按语法树切分选型建议场景推荐策略快糙猛上线固…

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 京东

RAG 分块策略选型

匹配正文：…界；计算成本高递归分块层次化文档（法律、论文）先按章节/标题粗分，再细粒度切；保留结构信息 Agentic分块复杂文档用LLM判断分割点；成本最高但效果最优关键实践技巧重叠分块（Overlapping）把零重叠、短窗口与较长窗口作为候选，在同一评测集上比较证据完整率、召回与冗余成本特别适合问答场景，答案恰好跨边界的情况元数据增强为每个chunk附加标题、来源、时间等标签检索时可做过滤，生成时可注入prompt提升可信度动态分块根据查询意图选择块大小…

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·文档处理· 百度

RAG 分块参数调优

匹配正文：…用于PDF、Markdown、HTML等结构化文档关键考虑因素因素建议块大小需结合Embedding输入限制、文档结构和LLM上下文预算提出候选重叠（Overlap）比较零重叠、短窗口与较长窗口，用同一评测集验证边界证据完整性边界对齐优先在句号、换行处切割，避免截断句子元数据保留记录来源位置、标题等，用于重排序和答案溯源实践选型建议通用文档：递归分块 + 适度重叠，平衡效果与成本问答场景：比较多组粒度与重叠窗口，联合验证命中率和证据完整性长文摘要…

#百度#RAG 分块参数调优#RAG 分块大小和 overlap 怎么调？指标与实验方法

面试题·文档处理· 百度

常用分块方法有哪些?

匹配正文：…量，需针对不同格式定制适用：合同、论文、报告等结构化文档工程实践建议多数场景应先比较结构分块、递归分块与不同重叠窗口，用同一评测集权衡效果与成本块大小候选由Embedding输入限制、文档结构、查询类型和LLM上下文预算共同决定复杂场景可组合策略：先结构分块，大块再语义细切

#百度#文本分块策略#RAG chunking

面试题·评估· 美团

Agent 训练链路怎么搭建?

匹配正文：…“高/中/低”当通用配方。权限、金额、数据范围等硬约束应由运行时服务执行，而不是只依赖奖励学习。 6. 离线、沙箱与线上评估离线评测覆盖正常、无效参数、工具失败、超时、恶意工具返回、重复提交和需要确认的写操作；在隔离沙箱做可回放执行，检查真实副作用而非只看模型文本。上线先影子流量或小比例灰度，观察任务成功率、错误副作用率、P95/P99 延迟、token/工具成本和人工接管，并保留版本、轨迹与回滚点。LLM 裁判可辅助分桶，但安全边界和关键成功条件应由规则、真实执行结果或人…

#美团#Agent#Agent 训练链路

面试题·评估· 美团

Agent 训练与迭代闭环怎么设计?

匹配正文：…器替代真实任务分布。生产日志进入训练前要做用途与授权核对、最小化、去标识、保留/删除管理，并按用户、时间或任务族先切分再增强，防止评测泄漏。 2. 设计服务端可执行的动作空间模型可以输出 tool_call、respond、ask_for_confirmation 或 stop 等结构化候选；工具结果属于环境观测，不是模型动作，也是不可信输入。参数由 JSON Schema 与业务规则校验，工具名来自服务端注册表，对象权限在执行时重新检查。内部推理不应作为必须公开或长期保存…

#Agent#训练闭环#工具调用

面试题·评估· 高德

Agent 多工具如何评分选路?

匹配正文：…_call": 0.002, "success_rate": 0.995, "accuracy_score": 0.92 # 离线评测 } 二、决策引擎层：三种实现策略策略适用场景实现方式规则引擎工具少、规则明确优先级表 + 硬约束过滤（如延迟<200ms）打分模型中等复杂度线性加权或小型神经网络，输入任务特征+工具画像，输出综合得分 LLM-based 复杂决策、需推理 Prompt内嵌工具描述，让LLM直接选择并解释理由打分模型公式示例： score …

#高德#评估与监控#Agent

面试题·评估· 美团

RAG 指标权衡与阈值

匹配正文：…ecall@K 相关文档是否被召回知识库场景优先保召回，客服场景可适当降低 MRR/NDCG 排序质量，高相关文档是否靠前影响LLM输入质量，但计算成本高上下文相关性召回内容与query的语义匹配度需过滤噪声，避免无关信息干扰生成二、生成质量指标指标意义实践考量答案相关性回答是否切题，有无答非所问最基础指标，但无法检测幻觉事实一致性生成内容是否与检索文档一致最关键指标，需用NLI模型或人工校验信息覆盖率是否完整回答用户问题多跳问答场景尤为重…

#美团#评估与监控#RAG 指标权衡与阈值

面试题·评估· 字节

召回策略怎么评估，Recall@K 怎么解释？

匹配标题与标签：…K 怎么解释？从相关性标注、Hit/Recall、排序、候选预算到端到端证据使用，说明检索指标的定义与边界。评估 RAG 检索评测 Recall@K Hit@K MRR nDCG 端到端评测字节

#RAG#检索评测#Recall@K

面试题·评估· 字节

RAG 文档检索选型

匹配正文：…字面信号两套索引增加延迟、成本和维护复杂度 RRF 只依赖名次，适合不同召回分数难以直接比较的情况；线性加权需要先校准分数，并用评测集确定权重，不能凭经验写一个固定值。 2. 优化顺序先按文档结构切块，并保留标题、章节和权限等元数据。用 query 类型分析决定是否改写、扩展或路由，避免所有查询都调用 LLM。评估召回集合后再考虑 Cross-Encoder 重排，防止用重排掩盖召回缺失。分别记录召回质量、P95 延迟、索引更新时效和单次查询成本。建立 bad c…

#字节#混合检索#RAG 文档检索选型

面试题·评估· 滴滴

Agent 技术实际有效性怎么评?

匹配正文：…当前真实状态 Demo惊艳，落地困难：ReAct、Function Calling等模式在可控场景有效，但复杂任务成功率仍低（公开评测约30-60%）核心瓶颈：LLM的规划稳定性不足，幻觉导致工具参数错误，长程任务易偏离目标有效场景：单步工具调用、有明确SOP的流程、人机协同模式与宣传的差距 AutoGPT早期"全自动完成任意任务"的愿景已被证伪当前共识：Agent = LLM + 工程约束，而非自主智能体二、主流框架对比维度 LangChain/LangGrap…

#滴滴#Agent#Agent 技术评估

面试题·评估· 淘天

RAG 核心指标优先级

匹配正文：…成数据训练评判模型人工评估：最终仲裁，特别是边界案例四、业务实用指标延迟：检索+生成的总耗时，影响产品体验成本：向量检索+LLM调用的综合开销用户满意度：点击率、采纳率、后续追问率等为什么这些最关键？ RAG的核心价值是用外部知识约束生成，所以"检索准不准"和"生成真不真"是根基。自动化指标解决规模化评测问题，业务指标则锚定实际价值。如果只关注生成流畅度而忽视事实性，RAG就失去了意义。

#淘天#评估与监控#RAG 核心指标优先级

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…合）的权衡实际落地中的关键挑战（幻觉、时效性、多跳推理） RAG与微调的结合思路一、技术原理 RAG的核心思想：用外部知识弥补大模型的知识截止和幻觉问题，把LLM从"闭卷考试"变成"开卷考试"。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…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：…关键优化：Query改写（HyDE、伪文档生成）、多向量表示（ColBERT）四、模型集成与生成上下文压缩：检索结果去冗余，用LLM摘要或选择性上下文 Prompt设计：明确引用格式要求，强制"不知道就拒绝" Citation生成：要求模型标注信息来源，提升可信度五、效果评估：闭环迭代层级指标方法检索 Recall@K、MRR 人工标注或合成评测集生成忠实度、答案相关性 LLM-as-Judge（GPT-4/Claude）端到端用户满意度、任务完成率 A…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索