匹配正文：…一层层追问。这是整份准备里投入产出比最高的地方,务必先补。八股部分按岗位方向抽,不会全都问: RAG 方向:检索链路(切块策略、嵌入选型、混合检索、重排)、评估指标。 Agent 方向:工具调用与规划(Function Calling、ReAct、失败恢复、多步编排)。微调方向:LoRA/QLoRA 原理、数据构造、灾难性遗忘。推理方向:KV Cache、量化、批处理与吞吐优化。这些在领域八股速通里按模块整理好了,题库入口在 /questions,每道题有书面答案和口…

#求职#职业转型

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：…排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系统返回的每条候选都可能看起来相关，但只有能够直接支持参考答案的原文，才是这次问题应该追踪的对象。因此，一条可调试样本至少要准备三样东西：…

#RAG#生成与对话#RAG 检索优化

面试题·Agent

Agent 从海量记忆里怎么找对内容？相关性、时间性和重要性怎样组合

匹配正文：面试官可能会问：“长期记忆已经存了很多条，为什么不能直接向量检索 TopK？” 因为“语义相似”只回答文本像不像，不回答这条记忆属于谁、当前 Agent 有没有权限、信息是否还有效、来源是否可信、是不是被新版本替代，以及它对当前任务到底有多重要。用户今天问“帮我继续上次的 RAG 评测”，向量库可能召回一个月前的项目目标，也可能召回另一个项目里措辞相似的评测记录。旧目标语义很像，但当前阶段已经变化；另一个项目更像，却属于错误作用域。若系统只取相似度最高的几条，记忆越多，污染…

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#记忆与存储#Agent 记忆检索排序

求职指南·求职

大模型岗位 JD 怎么读:招聘要求逐条拆解

匹配正文：…用错力气准备,是转行阶段最贵的浪费。岗位画像 JD 高频关键词实际在干什么谁对口、怎么准备 RAG 应用工程检索、知识库、向量库、召回、rerank、问答把企业文档接进大模型做问答/助手转行主战场,吃透 RAG 教程全链路选型 Agent 开发 Function Calling、工具编排、ReAct、工作流、MCP、多轮让模型自主调工具完成多步任务后端逻辑强的人对口,练 Agent 项目偏算法的应用算法 SFT、LoRA、数据配比、评估集、DPO、微调用…

#求职#职业转型

面试题·RAG

资料里没有答案时，RAG 怎么避免强行生成？

匹配正文：…常见场景。知识库里只有国内差旅报销制度，用户却问：“海外出差时，当地交通票据丢失应该怎么补办？” 资料里没有海外票据补办规则，但向量库通常仍会返回几段“最相近”的内容，比如国内票据遗失说明、差旅报销材料清单，或者交通费用标准。这些内容都和问题有关，却没有真正回答问题。如果系统把它们直接交给大模型，大模型很可能把几段相近内容整理成一套完整流程。文字顺，步骤也像那么回事，但关键规定并不在资料里。这就是 RAG 面试中很容易被低估的一道题：资料里没有答案时，RAG 怎么判…

#RAG#生成与对话#RAG 无答案检测

求职指南·求职

项目深挖:面试官会怎么一层层追问你的项目

匹配正文：… 策略你的切分是拍脑袋还是有依据切多大、按什么切、试过别的没有、对召回的影响文档预处理与切分检索召回你懂不懂检索的取舍向量/关键词/混合怎么选,召回率怎么测、多少条测试集检索召回·混合检索 rerank 你的每个模块是不是都"知道为什么在" 选哪个 rerank 模型、不加会差多少、怎么量化的重排序引用溯源你有没有考虑可信和幻觉答案怎么带出处、怎么防"检索到了但答错" 引用与溯源评估你怎么证明"做得好"不是空话评估集怎么建、指标怎么定、离线还是在线…

#求职#职业转型

面试题·RAG

RAG 引用怎么做到可核验？为什么让模型自己标来源不够？

匹配正文：…用”，同时仍然引用这段原文。词面高度重合会让相似度看起来很好，但结论方向相反。数字、否定词、时间和条件词需要单独检查，不能只靠句向量相似度。第四种，文档更新后跳到了另一段旧答案保存的是“第 5 个 Chunk”，文档重新切分以后，第 5 个 Chunk 已经变成别的内容。引用不能只依赖数组顺序。需要保存文档版本、稳定 Chunk ID 和原位置。旧答案可以继续指向旧版本，也可以明确提示来源已更新，但不能悄悄跳到新内容。这四类错误分别来自 metadata、证据完整性…

#RAG#生成与对话#RAG 引用溯源

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：…多密。 RAG 基础(62 题):验证你懂不懂检索链路的取舍 RAG 是应用岗第一主战场,面试官不是要你背定义,而是看你对"分块、embedding、检索、拼 prompt"这条链路的每一环有没有做过取舍。维度内容面试官在验证什么你是否理解 RAG 每一环为什么这么设计、召回和忠实度怎么保证,而不是只会调库先看哪个 RAG 教程:为什么需要 → 架构 → 分块 → 检索一路做完代表题型 "为什么用 RAG 不直接微调""分块粒度怎么定""检索到无关内容怎么办""怎…

#求职#职业转型

面试题·RAG

多轮 RAG 如何理解“这个怎么申请”？

匹配正文：…“不再支持”“能否免除”“除了哪些情况”等表达时，可以把否定词、比较对象和限定条件单独抽出，与改写结果做一致性核对。只比较两句话的向量相似度，可能看不出方向已经反转，因为正反陈述往往共享大量词。改写器也不应把旧答案写进新 Query。上一轮模型回答“A 产品通常支持线上办理”，下一轮用户问“那纸质材料呢”，可补全为“A 产品线上办理是否需要纸质材料”，不能直接改成“A 产品线上办理不需要纸质材料吗”。前一句只恢复问题，后一句已经把未经当前证据确认的结论带入检索。因此，验收…

#RAG#生成与对话#多轮 RAG

求职指南·求职

大模型系统设计和编码环节怎么准备

匹配正文：…就动手,默认一个自己想当然的规模数据与索引文档怎么解析、按什么粒度切块、元数据怎么带、索引多久重建、增量更新怎么做只说"存进向量库",说不清切块策略和更新机制检索/召回方案向量检索 + 关键词(BM25)混合、召回多少、要不要重排、多路召回怎么融合只上单路向量检索,答不上召回不全怎么办模型与 Prompt 选什么模型、上下文怎么拼、引用怎么带、幻觉怎么约束、要不要 function calling 把 Prompt 当细节略过,不提引用和防幻觉评估怎么做检索…

#求职#职业转型

面试题·RAG

对话历史太长怎么办？滑动窗口、摘要和长期记忆怎么分工？

匹配正文：…一轮。长期记忆：跨会话找回真正有用的信息长期记忆保存跨会话仍有价值的信息，可以放在持久数据库中，也可以为需要语义查找的内容建立向量索引。数据库擅长按用户、类型、状态和时间做精确过滤；向量索引擅长从大量历史里找出语义相关条目。实际设计可以组合两者，但不能把向量相似度当作权限。长期记忆不等于永久记忆。偏好会变化，任务会结束，旧事实会过期，用户也可能撤回授权。每条长期记忆都应有作用域和生命周期，而不是只存一段文本和一个向量。一条记忆从产生到消失，应走完七个步骤记忆系统每轮…

#RAG#生成与对话#RAG 记忆模块

面试题·Agent

Text2SQL 面对上百张表，怎样选对 Schema 并处理业务歧义

匹配正文：…Text2SQL 歧义类型与处理方式指标、时间、实体、粒度和范围歧义需要不同的澄清与默认策略。常见的四种错误方案第一种是只做向量 TopK 表召回。它可能找对语义相似表，却漏掉中间 Join 表和关键外键。第二种是把历史 SQL 当唯一真相。历史查询可能使用旧口径、旧 Schema 或特定用户权限，只能作为带版本候选。第三种是让模型自行发明业务定义。答案流畅不代表“活跃”口径正确。第四种是每个模糊词都追问。过度澄清让系统不可用，应把产品默认、低风险展示选择和真正改…

#Agent#工具调用与安全#Text2SQL Schema 选择

面试题·RAG

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

匹配正文：…要人。怎么用评测集验证一次改动？先冻结知识库版本、问题集和正确证据。记录当前基线的完整配置，包括解析版本、Chunk 策略、Embedding、候选数量、融合方式、Rerank、阈值和生成模型。一次只改变一个主要因素，再运行同一批样本。保存每条问题的候选原文、排名、最终上下文、答案和引用，而不是只保存汇总指标。汇总时分层看检索、生成和无答案表现，再按题型查看。总分上升但否定题下降，不能直接宣布改动成功。最后运行回归集和保留集，确认已知问题没有退化，新问题也能得到同…

#RAG#评测与上线#RAG 评测集

求职指南·求职

转行大模型最常见的 12 个坑

匹配正文：…gent 一追就露怯按题量补齐地基,方向分布看大模型技术栈全景 8 把 RAG 当普通 CRUD 拼接觉得 RAG 就是"存向量、查向量、拼 prompt",套后端惯性搭一遍面试考的是分块、召回、重排、忠实度的取舍,不是接口拼装过一遍检索链路取舍,看怎么攒真项目经历里的 RAG 主线 9 demo 跑通就当项目写简历跟着教程复现一遍能跑,就直接写进简历当项目 demo 没有你自己的取舍和踩坑,一问设计原因和 badcase 就答不上把 demo 改造成有取舍…

#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：很多人做 RAG 评测时，会先算一个“答案准确率”。如果分数上涨，就认为系统变好了；如果分数下降，就继续换 Embedding、调 TopK 或改 Prompt。问题是，RAG 不是一次模型调用。用户问题要经过 Query 处理、检索、排序、上下文组装、答案生成和引用回跳。最终回答错了，可能是正确证据根本没有被找回，也可能是证据已经排在前面，生成模型却漏掉了限制条件。只看一个端到端分数，团队仍然不知道应该修哪一段。这也是项目面试里很容易被追问的一道题： Recall@K、…

#RAG#评测与上线#RAG 评估指标

求职指南·求职

转行大模型应用开发常见问题(FAQ)

匹配正文：…候用 RAG、怎么评估效果、延迟和成本怎么权衡,不是公式推导。你需要的原理是概念级的,知道模型为什么会幻觉、上下文窗口意味着什么、embedding 大致在做什么,这些不需要先修完一整门深度学习课。真要补到什么程度、哪些能力必须要、哪些可以跳过,转大模型应用开发数学要学到什么程度里按岗位分了层。一定要会 Python 吗?我只会 Java,能用吗? 需要会 Python,但不需要精通,Java 能力本身不浪费。大模型生态(LangChain、vLLM、各家 SDK)以 Py…

#求职#职业转型

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：一个 RAG Demo 往往只有几步：上传文件，切成 Chunk，写进向量库，然后在同一个接口里提问并生成答案。本机演示时，这样很直观。可一旦真的有用户上传文档，问题就出现了。复杂 PDF 解析可能持续很久，某一页 OCR 失败，部分 Chunk 已经写入，用户却不知道任务进行到哪一步。与此同时，在线问答要求尽快返回，不能被后台解析占满资源。入库和问答使用不同资源，面对不同失败，追求的目标也不同。这就是 RAG 系统设计面试最常问的一类题：一个可上线的 RAG 系统…

#RAG#评测与上线#RAG 系统设计

面试题·模型训练· 海尔

LoRA 低秩分解 vs 全量微调怎么选?

匹配正文：…。参数量必须按实际模块尺寸计算，不能只用隐藏维乘rank漏掉两个矩阵，也不能忽略Q、V两个投影和全部层。若同时训练K、O、MLP或embedding，数量会继续增加。 LoRA不保证任何任务都等价于全参微调。rank过小、目标模块选错、领域偏移很大或数据复杂时会有容量瓶颈；rank提高会增加参数和显存，却不一定单调提高泛化。风格迁移并非LoRA天然不适用，事实上许多生成和语言适配都能学习风格；是否适合要看基座是否已有相关能力、样本覆盖、是否还需新增知识以及质量评测。多适配器服…

#LoRA#参数高效微调#低秩分解

面试题·模型训练· 高德

参数量增长如何影响模型能力?

匹配正文：…通常提升函数容量和样本效率，但效果取决于数据、算力和训练配比。Kaplan等人在特定Transformer实验中拟合到测试损失随非embedding参数规模按幂律下降，参数指数约为0.076，也就是损失项近似N的负0.076次方，而不是负0.74。这个数是经验拟合，不是跨架构常数。大模型训练仍是非凸优化，没有“近似凸”或SGD保证找到全局极小值的结论。机制与边界规模带来的正面作用包括更丰富的表示、更好的少样本迁移和在一定范围内可预测的损失下降。负面是训练计算、通信、显存、…

#缩放定律#过参数化#双下降现象

面试题·模型架构· 海尔

Encoder vs Decoder 功能区别?

匹配正文：…er-only：读取有效输入的双向上下文，输出通常是[B,L_src,D]的一组hidden states，而不是天然压成单个固定向量。分类时可再池化。 Encoder-decoder：encoder把源序列编码成随源长度变化的memory；decoder对目标前缀做causal self-attention，并用cross-attention读取整段memory。机器翻译属于典型场景。 Decoder-only：没有独立encoder，把条件和输出前缀放进同一因果序列。训…

#Seq2Seq#Encoder-Decoder#Transformer

面试题·模型架构· 海尔

Layer Norm 怎么稳定训练?

匹配正文：LayerNorm 的机制对单个 token 的隐藏向量 x∈R^d，LayerNorm 计算 hidden 维均值与方差，再做 y=γ⊙(x-μ)/sqrt(σ²+ε)+β。它不使用 batch 统计，因此训练和推理的统计口径一致，也适合变长序列。γ、β 可学习，所以最终输出并未被固定为零均值、单位方差。对训练的实际影响数值尺度：限制送入 attention/FFN 的幅度漂移，降低激活或梯度极端放大的风险；优化条件：减少网络对初始化和学习率的敏感性，但不保证固定倍…

#Layer Normalization#Transformer#训练稳定性

面试题·项目与经历· OPPO

ML项目流程：特征工程到评估

匹配正文：…则说明流量、观察窗口和回滚。复盘：错误样本、数据漂移、监控和下一步【】。模型链路必须来自候选人的实际系统。候选生成可以是规则、向量检索、协同过滤或学习模型，排序可以是树模型、深度模型或其他方法。方法名不决定流水线位置，目标函数、特征可用性、延迟与部署约束才决定。

#特征工程#模型选型#超参数调优

面试题·模型训练· 美团

合成数据怎么系统构建?

匹配正文：…关性与任务正确性。强模型打分同样要用人工gold校准。分布治理要保留真实数据锚点，并按来源、意图、难度、长度和语言检查覆盖。只按embedding分散也不保证业务多样性，还要限制单种子与单模板贡献，做近重复和基准污染检测。涉及用户或专业数据时，合成并不会自动消除隐私与许可风险。我会用相同训练预算比较真实数据基线、不同合成配比和过滤方案，在完全真实且未参与生成的held-out集上评测，并按错误类型人工抽检。若合成数据只提升类似模板而损伤真实长尾，就降低权重或停止。合成是扩…

#数据合成#Self-Instruct#指令微调

面试题·模型架构· 百度

VQ-VAE 码本塌缩治理

匹配正文：核心判断 VQ-VAE由编码器、离散码本、向量量化器和解码器组成。编码器产生连续表示，对每个位置选最近的码本向量，再由解码器重建输入。离散选择不可导，经典方法用straight-through estimator把重建梯度传给编码器，并配码本更新与commitment loss。离散code只是模型学到的索引，不天然对应人可解释概念，也可能出现大量code闲置的码本塌缩。机制与边界相比普通VAE的连续随机变量，VQ-VAE让潜变量取有限码本中的向量，并学习一个先验来生成c…

#VQ-VAE#变分自编码器#离散隐空间