匹配正文：…信输入，不能覆盖系统策略或扩大可用工具。表达、编排和训练怎样选择原生工具调用/严格结构化输出：目标模型支持时优先采用，减少自写解析器；仍需处理拒答、截断、未知工具和语义无效参数。显式状态机或工作流：步骤、分支和补偿规则明确时通常更容易测试。模型只负责需要语义判断的节点。 Agent循环：步骤事先不确定且真实观察会改变计划时再使用，并设置最大步数、端到端截止时间、费用和副作用预算。 SFT/微调：有足量、代表性且版本匹配的调用样本，并证明提示/检索/工具描述不足时再评估。…

#百度#模型微调#Tool Calling 实现

面试题·模型微调· 小红书

意图识别结构化输出失败如何修复

匹配正文：…可加格式验证的辅助loss 四、实际落地建议分层防御：提示工程兜底 → 解码控制约束 → 微调提升上限 → 后校验修复（JSON解析失败时fallback到规则兜底）学习建议建议系统学习该知识点

#小红书#意图识别格式优化#结构化输出

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配正文：检索层先建立可复现基线：固定语料、标注 query、相关性定义和 Recall@K/MRR/NDCG。检查知识覆盖、解析、分块、元数据与权限，再比较查询改写、稀疏/稠密/混合召回。只有正确文档已经进入候选集时，Cross-Encoder 等重排器才可能改善高位排序；否则应先修召回。 Embedding 微调、难负样本和索引参数必须分别做消融，避免同时改动后无法归因。生成层对候选证据做去重、冲突检测、上下文预算和位置安排。 Prompt 明确证据边界、引用格式和证据不…

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

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：…与上下文压缩端到端评估指标与迭代优化闭环一、数据准备：质量决定天花板数据清洗去重、去噪、格式标准化（PDF/Word/网页解析）领域术语词典构建，确保专业概念不被错误分词分块策略（关键！）按语义切分优于固定长度：用BERT-based句子嵌入判断边界领域特性：医学/法律需保留完整条款上下文，代码按函数/类切分块大小与重叠窗口都作为候选变量，用同一评测集比较证据完整率、召回与成本二、向量化：选型与微调 Embedding模型选择场景推荐方案通用领域 B…

#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

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…略、重排序、混合检索）能对比RAG与微调的区别和适用场景 RAG核心流程：索引 → 检索 → 生成 1. 索引阶段（离线）文档解析：处理PDF、Word、网页等多格式文档文本分块（Chunking）：按固定长度、语义段落或递归方式切分，控制块大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding-3）将文本转为稠密向量存储：写入向量数据库（Milvus、Faiss、Pinecone等），…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：答案要点领域数据清洗与结构化（非结构化文档解析、表格/图表处理、领域术语标准化） Embedding模型选型与微调（通用vs领域模型、对比学习微调）检索架构设计（多路召回、重排序、查询改写）生成环节优化（Prompt工程、上下文压缩、引用溯源）端到端评估体系（检索准确率、生成忠实度、领域专家评估）一、数据准备：领域知识工程化文档解析与结构化非结构化：PDF/Word用Unstructured/MinerU解析，保留标题层级、表格结构多模态：医疗影像报告需OCR…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（Query改写、向量检索、重排序、上下文融合） RAG vs 微调的选择权衡典型应用场景举例典型实现方式离线阶段：知识库构建文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Fais…

#字节#检索生成流程#RAG 实现

面试题·模型微调

LLM 封闭标签如何强约束?

匹配正文：…A高效微调，适合领域标签（如医疗诊断分类）注意：单独SFT无法100%保证封闭性，需配合解码约束 5. 后处理校验（兜底）完整解析并校验标签成员资格；非法、拒绝或不确定结果进入明确的待复核/失败状态或有界重试，不能静默伪装成一个有效业务类别。多标签场景用投票或一致性检查选型建议场景推荐方案快速验证 Few-shot + 后处理生产部署 Function Calling / 约束解码库领域定制 SFT + 约束解码双层保障动态标签约束解码（无需改模型）参…

#Agent#LLM 输出限定#封闭标签集

面试题·模型微调

生成模型回答不准怎么调?

匹配正文：…" 多模型路由：简单问题用小模型，复杂/高风险问题触发大模型+严格校验关键检查点调优前务必确认：检索片段的格式是否统一（PDF解析残留乱码、表格转文本丢失结构是常见隐形杀手）。

#生成模型调优#上下文利用#RAG 生成不准确

面试题·模型微调· 字节

动态Prompt训练数据怎么构建?

匹配正文：…—Agent任务建议细粒度，纯对话任务可粗粒度三、上下文建模：状态追踪机制结构化状态表示：将历史工具返回、中间结论编码为模型易解析的格式（JSON/XML嵌入Prompt）位置敏感设计：关键信息（如最新Observation）放在Prompt尾部，利用位置偏置截断策略：超长上下文时，保留摘要而非简单截断——需同步训练摘要模块四、质量验证：动态执行闭环训练数据必须通过真实执行验证：工具调用是否可解析执行执行结果与标注Observation是否一致多轮后是否收敛…

#字节#动态Prompt训练数据#Prompt微调数据构建

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配正文：…它改善的是知识访问链路，不保证自动消除幻觉，也不能替代模型本身的推理、工具执行或权限控制。 1. 知识时效性知识库更新后仍需经过解析、分块、索引和发布，查询才能读到新版本。天气、订单和实时价格等数据更适合通过实时 API 或数据库工具获取，再把结果作为生成依据，而不是依赖静态向量库。 2. 私有与领域知识企业政策、产品手册和内部流程可以通过检索按权限注入上下文，无需为每次事实变化重新训练模型。系统仍要做好文档级授权、租户隔离和引用回查，避免检索到用户无权访问的内容。 3.…

#美团#知识增强#RAG 核心问题

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配正文：…一起交给模型，模型“看着资料回答”，答案自然更准、更新、更可信。入门之后，建议往两个方向继续深入：一是 RAG 的完整链路（文档解析、分块、向量化、检索、重排），二是 RAG 与微调这两条技术路线该怎么选。

#入门#基础概念#什么是RAG

面试题·Agent

Function Calling 是什么?

匹配正文：…如 {"name": "get_weather", "arguments": {"city": "北京"}}。执行回灌:你的代码解析这段 JSON、真正去调天气 API,再把返回结果作为一条新消息塞回对话,模型基于真实数据生成最终回答。为什么需要它纯对话模型加上 Function Calling 知识截止到训练日期能查实时数据只能输出文本能触发真实动作(下单、发邮件) 容易编造数字数字来自真实接口入门之后,可以继续深入:多工具并行调用、模型选错工具时怎么兜底…

#入门#基础概念#Function Calling

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配正文：…构补充向量检索的局部语义匹配。它可以支持关系检索和全局摘要，但不保证关系抽取正确，也不等于自动获得可靠的多跳推理。 1. 图构建解析和分块文档，并保留到原文的来源映射。抽取实体、关系及描述，同时记录证据片段和置信度。做实体消歧、别名合并和冲突处理，避免同名实体误合并。构建属性图，并按实现选择社区检测和层次摘要。微软 GraphRAG 的一种实现使用 Leiden 社区检测，但这不是所有 GraphRAG 的必选定义。 LLM 抽取和摘要会传播错误，因此需要抽样审核、规…

#字节#GraphRAG 实现原理#知识图谱构建

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：…局部相似度匹配子图/路径推理信息整合片段拼接，易割裂社区聚合，全局一致推理能力单跳，表面关联多跳，因果链条四大机制解析 1. 知识结构化建模将非结构化文本抽取为实体-关系-属性三元组同一实体跨文档归一化，消除指代歧义关系类型显式定义（如"因果关系"vs"相关关系"） 2. 语义关联发现向量检索找"相似"，图遍历找"关联" 支持多跳路径检索：如"李彦宏→百度→文心一言→Agent能力" 关系权重量化关联强度，过滤噪声边 3. 上下文连贯性利用社区检测（…

#百度#知识图谱#GraphRAG 优势

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：关键挑战模式与实体解析：同名异义、别名、跨语言和时间变化会造成实体重复或错误合并。需要稳定 ID、候选生成、实体消歧、置信度及人工校正通道。关系与事件抽取：LLM 或信息抽取模型可能漏边、造边或混淆方向、时间和条件。每个节点与边应保存来源片段、时间、抽取版本和置信度，推理时区分事实与模型推断。图构建与社区摘要：分块边界、实体粒度、社区算法和摘要压缩都会影响可检索信息。社区摘要不是事实本身，必须能回溯到底层证据。查询与推理：自然语言问题要映射到实体、关系、过滤和遍历范围…

#淘天#知识图谱#GraphRAG 挑战

面试题·知识图谱· 百度

GraphRAG 高质量召回的三项核心依赖

匹配正文：…从摘要下钻到实体、关系和原文。新增、修改、删除与 ACL 变化能传播到所有派生物，并支持回滚。 2. 查询到受约束候选图的匹配解析查询中的实体、类型、关系、方向、时间、租户和结果预算。实体链接应保留 top-k 候选并结合上下文消歧；图扩展要限制边类型、跳数或代价，防止高出度节点引爆结果。Local、Global 或其他路由只是候选策略，是否自动选择要由分类错误和端到端质量验证。 3. 图与原文证据的融合及评测图候选必须带回支撑它的文本片段。可使用规则、RRF、重排或分…

#百度#知识图谱#GraphRAG 精准召回

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…ation)，用外部知识库动态增强LLM，解决知识时效性和幻觉问题，无需重新训练模型。三阶段实现流程 1. 离线知识库构建文档解析：PDF/Word/网页 → 文本块（Chunking，控制256-512 tokens）向量化：Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据库（Milvus/Pinecone/Elasticsearch） 2. 在线检索 Query向量化：用户问题同样编码为向量相似度搜索：ANN近似最近邻算法（HN…

#字节#检索生成流程#RAG 技术原理

面试题·多模态· 美团

弱多模态+强文本模型怎么协同?

匹配正文：…应交换结构化文本、坐标、裁剪图引用或工具结果。 1. 数据流与角色请求先经过任务分类和安全检查，确定是否需要 OCR、检测、图表解析或通用 VQA。 VLM 输出结构化 observation，例如对象、属性、关系、区域坐标、OCR 原文和置信度，并保留对应图像区域 ID。文本模型根据问题与 observation 规划推理；需要核实时发出明确的补充视觉查询，例如重新裁剪区域、提高分辨率或调用 OCR。最终答案引用观察项或区域，证据不足时明确拒答或请求人工确认。 2. …

#美团#多模态#Agent

面试题·多模态· 淘天

截图组件功能怎么用 RAG 解释?

匹配正文：整体流程 1. 视觉理解与组件解析用UI检测模型（如ScreenSpot、CogAgent）或通用多模态模型提取界面元素：按钮、输入框、图标、文本区域 OCR识别文本内容，获取组件的坐标位置信息输出结构化表示：组件类型 + 位置框 + 文本内容 2. 多模态知识库构建收集UI设计规范、组件库文档、产品手册作为文本知识关键：将组件截图/设计稿与功能描述配对，构建图像-文本对用多模态Embedding模型（CLIP、SigLIP或专用UI模型如UIBert）编码入库 3…

#淘天#多模态#多模态 RAG

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配正文：主流多模态RAG框架对比框架核心多模态能力特色 LlamaIndex 原生支持图像、PDF、表格解析数据连接器丰富，MultiModalVectorStoreIndex LangChain 通过Unstructured/Multimodal Embeddings扩展生态灵活，需自行组装多模态链路 Vercel AI SDK / RAGFlow 端到端多模态文档解析侧重工程化落地核心组件拆解 1. 多模态编码器图像：CLIP、OpenAI CLIP、国产Chin…

#淘天#多模态#多模态 RAG 实现方案

面试题·Prompt· 字节

动态Prompt怎么保证策略对齐?

匹配正文：…校验安全后再确认关键：将安全策略编码为可组合的约束规则，而非依赖Prompt文本。二、反馈校验层（生成后）策略输出 → 语义解析器 → 验证器集群 → {通过/重试/降级} ↓ ↓ 符号化表示 ① 静态规则检查 ② 仿真环境预演（sandbox） ③ 价值模型打分（RLHF训练）自我一致性投票：同一Prompt多次采样，取多数一致结果工具执行前确认：高危操作需用户显式授权（Human-in-the-loop）三、形式化验证层（强保证）符号接地：将自然语言策略翻译…

#字节#Prompt工程#Agent

面试题·Prompt· 阿里

JSON 输出怎么保证格式稳定?

匹配正文：…活）、XGrammar（vLLM集成，高性能） 3. 自研约束（基于logits processor）以下为接口草图，省略基类、解析器与token掩码实现，不能直接运行： # 核心思路：每步解码时，根据已生成前缀+schema，计算合法token集合 class JSONLogitsProcessor(LogitsProcessor): def __call__(self, input_ids, scores): valid_tokens = self.schema_par…

#阿里云#Prompt工程#JSON 格式输出

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配正文：…【】。证据自检每个效果数字应能关联 Prompt diff、测试样本、模型版本和统计口径。引用正确不等于答案正确；JSON 可解析不等于业务字段有效；LLM-as-Judge 需要人工校准。追问入口可继续追问上下文冲突、动态示例泄漏、结构化输出失败、工具参数安全、评测器偏差和 Prompt 与模型升级的回归关系。

#华为#Prompt工程#Prompt Engineering 技巧