匹配正文：答案要点 RAG整体架构的三阶段流程（索引-检索-生成）检索器的核心组件（Embedding模型、向量数据库、重排序）生成器的Prompt工程与上下文融合策略检索与生成的协同机制（检索结果如何注入生成） RAG的典型优化方向（查询改写、多路召回、Rerank） RAG典型架构：三阶段流水线 1. 索引阶段（离线）文档切分：按语义/固定长度切分，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量向量…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配追问：…意什么？……那检索的时候，光用向量够吗？……怎么把检索结果喂给生成模型，上下文太长怎么办？直球架构请详细说一下 RAG 系统的技术实现，从文档预处理、检索器的多路召回和重排序，到生成器怎么集成检索结果，包括 Prompt 设计和上下文压缩，完整的 pipeline 怎么搭？

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：…存储：写入Milvus/Faiss/Elasticsearch，构建HNSW索引加速检索第二阶段：在线检索生成模块职责关键技术检索器从知识库召回相关文档稠密检索（向量相似度）+ 稀疏检索（BM25）混合重排序器精排Top-K结果 Cross-Encoder（如bge-reranker）生成器基于检索上下文生成答案大模型+Prompt工程，控制幻觉协同机制——上下文融合用户Query → 检索Top-K文档 → 拼接Prompt模板： "基于以下参考…

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

#美团#RAG架构#RAG 系统架构

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…关键词查询稠密检索双塔编码器，语义向量相似度 DPR、Contriever、BGE 语义理解好，泛化能力强，需GPU推理关键技术组件向量数据库与索引存储：FAISS、Milvus、Pinecone 存储文档Embedding 索引结构：HNSW（图索引，快但内存大）、IVF-PQ（磁盘友好，略慢）量化：FP16/INT8降低存储，平衡精度与速度与Generator的协同 Query → [Retriever] → Top-K Docs → [Prompt拼接] …

#字节#Retriever#RAG Retriever

面试题·检索· 快手

LLM怎么融入推荐系统？特征提取与召回

匹配正文：核心思路 LLM融入推荐不是"替换"而是"增强"，关键是找到传统模型做不了或做不好的环节，用LLM的语义理解能力补位。三阶段技术路径 1. 特征提取层（最成熟）物品语义特征：用LLM生成item的文本摘要、标签、情感极性，替代人工标注用户兴趣画像：将用户行为序列（点击、评论）输入LLM，抽取动态兴趣标签交叉特征生成：LLM理解item A和item B的语义关联，生成隐式交叉特征快手实践：用LLM解析短视频标题/ASR文本，生成结构化标签，喂给双塔模型 2. 召回层…

#快手#LLM推荐系统#LLM 推荐系统

面经·项目面试

Agent 说“文档建好了”，你怎么验收？

匹配正文：Agent 说“文档建好了”，你怎么验收？用户给 Agent 一个任务：“查一下这项技术的主要方案，整理成飞书文档，发给我。” 几分钟后，聊天窗口里出现了链接，最后一句是“文档已创建，可以查看”。如果把这个项目写进简历，接下来有个问题很值得准备：你凭什么判断它完成了？链接能打开，正文可能只写进去一半；正文完整，引用可能对应错了；服务账号能读，接收者可能没有权限。每一步都返回过成功，用户仍然可能拿不到想要的东西。做 Agent 项目时，我会先把“完成”拆开。模型结束回复、…

#Agent#工具调用#工程实践

面试题·RLHF与对齐· 京东

PPO vs DPO vs GRPO 怎么选?

匹配正文：…cy KL 逻辑上有 policy、reference、reward、value 等角色，但不要求四个独立骨干 DPO 固定的 (prompt, chosen, rejected) 偏好对直接优化策略相对 reference policy 的偏好概率无独立 RM、critic 和在线 rollout；依赖偏好对覆盖与质量 GRPO 每个 prompt 从当前/旧策略采样一组回答并逐个打分用组内奖励的相对值构造 advantage，再做 clipped policy up…

#RLHF#PPO#DPO

面试题·推理优化· 京东

vLLM vs TensorRT-LLM 怎么选?

匹配正文：…PU 混合支持远不止 Llama，但具体算子、模态与量化需查模型列表框架不能脱离模型和硬件排名。应固定 checkpoint、prompt/output 长度、dtype/量化、并发和质量门槛，分别测冷启动、TTFT、TPOT、吞吐、P95/P99、峰值内存与能耗。任何“固定 50ms”都缺少模型、batch、上下文与硬件前提。

#vLLM#TensorRT-LLM#推理引擎

面试题·模型训练· 美团

训练数据清洗：规则 vs LLM

匹配正文：…报告precision、recall和误杀高质量样本的比例，并按语言、来源和长度切片。规则可能精确但漏长尾，LLM可能召回更高却受prompt和模型版本漂移。不能只看模型给自己的质量分。常见级联是先做低风险确定性规范化与去重，再用规则或轻量分类器过滤明显样本，把不确定语义案例交给LLM，最后对高风险删除进行人工复核。各层都应保留原因码和原文引用，支持回滚。规则先删掉多少数据完全由当前语料决定，不设固定比例。 LLM清洗还要防提示注入、内容泄露和输出不稳定。如果文本包含指令，…

#数据清洗#数据工程#训练数据构建

面试题·RLHF与对齐· 美团

稀疏与延迟奖励的塑形与权衡

匹配正文：…的 off-policy RL，不是所有长序列或 RLHF 的通用解法。延迟奖励要区分信号来源。典型 RLHF 奖励模型对完整 prompt-response 给一个序列级标量，训练中再叠加逐 token KL，并由 value function、return 或 GAE 把终局信号用于各时间步更新；这不等于奖励模型把偏好自动蒸馏成每步即时正确奖励。若有可验证中间状态，可以设计过程奖励，但需单独标注或校验其因果有效性。多目标可用归一化加权、约束优化、词典序优先级或 Par…

#奖励塑形#稀疏奖励#多目标优化

面试题·推理优化· 百度

13B模型INT8/INT4量化后多大?

匹配正文：…定质量门槛下仍有收益，才接受该量化配置；裸权重估算不能替代端到端profile。部署还要区分预填充和逐token解码。预填充在长prompt下可能更偏计算瓶颈，解码在小batch时更偏权重带宽；同一个INT4模型在两阶段的加速比可能完全不同。权重压缩也不会自动压缩KV，除非另外采用KV量化或改变注意力头结构。多卡时，张量并行通信和每卡分片粒度也会改变收益，模型能装下只代表容量达标，不代表延迟达标。因此性能结论必须同时注明阶段、并发、序列长度、硬件和推理框架版本。图解 1…

#模型量化#INT8/INT4#显存优化

面试题·RLHF与对齐· 美团

GSPO 与 SFT、PPO、GRPO 区别

匹配追问：…较大。你会怎样用 GSPO 的序列级比率与裁剪组织更新，并验证它是否改善训练稳定性？层层追问 GSPO 的全称是什么？……同一 prompt 的成组回答如何形成相对优势？……序列级 importance ratio 怎么计算和裁剪？……它与 GRPO 的逐 token 更新、PPO 的 critic 以及 SFT 的交叉熵目标有何边界？直球技术说明 Group Sequence Policy Optimization 的核心目标，解释成组 rollout、序列级 imp…

#GSPO#策略优化#离线强化学习

面试题·RLHF与对齐· 快手

PPO vs GRPO vs DPO 适用场景?

匹配追问：…说明是否需要 rollout、critic 和显式奖励模型？层层追问 PPO 的奖励可以来自哪些来源？……GRPO 如何用同一 prompt 的成组样本构造优势，是否仍需奖励信号？……DPO 为什么不需要单独训练奖励模型？……三者各自主要受什么数据与系统约束？直球技术从数据/反馈、在线采样、critic、奖励来源和优化目标五个维度比较 PPO、GRPO 与 DPO，并说明各自适用边界。

#RLHF#PPO#DPO

面试题·模型训练· 美团

GLoRA 比传统 LoRA 强在哪?

匹配追问：…类可重参数化分支，并为各层搜索合适结构？层层追问标准 LoRA 的更新形式是什么？……GLoRA 的 generalized prompt module 包含哪些适配候选？……layer-wise structure search 解决什么问题？……训练后哪些分支可以合并，搜索成本又如何评估？直球技术解释 Generalized LoRA 相对标准 LoRA 的改进：统一适配形式、逐层结构搜索、结构重参数化、优势与适用边界。

#PEFT#LoRA#低秩适配

面试题·多模态· 小红书

Stable Diffusion 各版本怎么选?

匹配口述回答：…个文本编码器，并把原始尺寸、裁剪位置和目标尺寸等微条件输入模型，通常由 base 直接生成，也可以再接 refiner。SD3 的技术路径不同，MMDiT 为文本和图像 token 保留不同参数并进行双向交互，训练目标采用 rectified flow。论文的 scaling study 从约 450M 扩到 8B；Stability AI 当时公布的初始发布规划是 800M 到 8B。研究缩放范围和发布规划分别回答不同问题，部署时还必须指出实际使用的 checkpoint。…

#扩散模型#文生图#UNet架构

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配题目：在实际落地的Agent应用中，RAG系统可能面临哪些影响响应延迟和结果正确率的关键技术与工程瓶颈？请结合典型场景，系统分析性能权衡、可扩展性、检索精度与生成质量之间的矛盾，并提出优化思路。

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 阿里

Agent框架模块化与工具集成怎么比?

匹配口述回答：…t对话，天然就支持Agent之间聊天协作。具体说一下。LangChain最大的特点是它的LCEL，就是用管道符把组件串起来，比如prompt、llm、parser，你想怎么组合都行。而且它的工具生态特别丰富，上百个集成，你要调个API、查个数据库都很方便。但它的代价是版本迭代太快，API动不动就变，生产环境我踩过不少坑。 LlamaIndex呢，它把RAG链路优化到了极致。从数据摄取、索引构建到查询，它都有专门的抽象。比如你要做知识库问答，它内置了各种索引策略和检索器，开箱…

#阿里云#Agent#Agent 开发框架

面试题·Agent· 小红书

长历史行为怎么处理?

匹配口述回答：…ecall 和摘要的 [[Faithfulness]]，不达标就回滚。所以我的倾向是，把长历史处理看成记忆架构设计，而不是单纯的技术选型。我更愿意用分层记忆，工作记忆存短期、episodic 记忆存长期，写入时识别里程碑，读取时让当前 query 先去检索，再拼接进 prompt。成本兜底也很重要，比如超长用户自动降级为纯摘要模式，避免 OOM。这里有个延伸点，就是记忆写入的时机怎么判断。比如用户说了句“这个口红颜色不错”，算不算里程碑？如果算，那所有类似表达都入库，索引…

#小红书#Agent#长历史行为处理

面试题·Agent· 百度

为何拆解任务给多Agent协作?

匹配口述回答：…生成场景，我可以让一个Agent专门写代码，另一个专门做代码审查，第三个负责测试。每个Agent只关心自己的领域，可以针对性地优化提示词和工具集，质量自然更高。故障隔离也很关键，单一Agent如果某个环节出错，整个任务就崩了；多Agent下，一个子任务失败可以重试或降级，不影响其他部分。举个例子，电商客服退款流程。用户发起退款请求，我不会让一个Agent处理全部。我会拆成几个子任务：先由一个意图识别Agent判断用户是退货还是换货，然后一个信息提取Agent从对话中抓取订单…

#百度#Agent#多Agent架构

面试题·Agent· 淘天

Agent 开发框架对比

匹配正文：…消息总线 4. Dify / FastGPT 核心特点：低代码可视化编排，内置RAG和Workflow 适用场景：业务快速落地、非技术团队主导的项目 5. OpenAI Assistants API / Function Calling原生方案核心特点：轻量，直接利用模型function calling能力适用场景：简单工具调用、已有成熟工程体系的团队选型建议场景推荐框架快速验证/POC LangChain + LangSmith 复杂多步骤任务 LangGrap…

#淘天#Agent#Agent 开发框架对比

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配口述回答：…模型生成前，我先从外部知识库检索相关文档，比如用 [[Hybrid Search]] 把关键词和向量检索结合起来，然后把文档拼到 prompt 里，告诉模型“你就按这些材料回答”。这样给模型提供了可追溯证据，但提示不是硬约束，模型仍可能误读资料或编造。这在客服场景特别典型，比如用户问退款政策，我检索到最新的满减规则文档，模型应基于文档回答，仍需检查退款比例与引用是否受证据支持。但 RAG 有个前提：检索质量必须高。如果检索出来的文档跟问题不相关，或者 chunk 切碎了导致信…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 阿里

Agent 工具调用用 Workflow 吗？

匹配口述回答：…那些流程固定、失败成本高的任务。比如金融审批、医疗诊断，还有企业里的售后工单处理。举个例子，一个售后工单流程：用户提交、客服初判、技术分派、维修反馈、用户确认。每一步都很确定，分支也有限。用Workflow的好处是，每个节点都透明可控，异常处理能写死，Token消耗也稳定。而且审计起来很方便，每一步都有日志。反过来，要是让LLM自由发挥，它可能把工单派错部门，或者编个不存在的处理步骤，那风险就大了。再说说动态Agent的优势。当任务边界模糊、用户意图可能漂移的时候，Work…

#阿里云#评估与监控#Agent

面试题·评估· 字节

RAG 文档检索选型

匹配题目：在 RAG 系统中，稠密、稀疏和混合检索应如何选型？请说明技术考量、优化路径，以及项目回答中需要补充哪些可核验事实。

#字节#混合检索#RAG 文档检索选型

面试题·评估· 得物

AI Agent 核心能力现状与差距

匹配口述回答：…么程度，哪些能力是模型自己能搞定的，哪些必须靠工程手段补。我倾向于从两个维度来拆：一个是理想Agent该有的能力谱系，另一个是现有技术到底卡在哪。先说理想状态。我自己梳理了六项核心能力，规划、工具调用、记忆、反思、多轮交互、安全边界。但真正落地时，我不会一把抓，而是看场景挑重点。比如做一个客服退款Agent，工具调用和短期记忆是刚需，规划反倒没那么复杂，因为流程相对固定；但如果做一个企业级数据分析Agent，那规划能力和长期记忆就变成了核心瓶颈。所以这里有个边界划分：规划适…

#得物#Agent#AI Agent 核心能力