匹配口述回答：…的基础模板是四层结构。先说角色层，给模型一个身份，比如资深数据分析师，这能激活它领域相关的知识，让输出更专业。然后是任务层，把输入是什么、要做什么处理、输出什么目标写清楚，避免模糊指令。再一个约束层，硬性规则比如长度限制、不能用某些词，软性偏好比如风格、详略程度，都要写进去。最后格式层，强制输出JSON或Markdown，方便下游解析。这四层下来，基础质量就稳了。但实际落地不能只靠静态模板，得动态调整。举个例子，做客服退款场景，用户问为什么退款没到账，模型需要理解政策、查订…

#脉脉#评估与监控#Agent

面试题·Prompt· 字节

RAG生成阶段Prompt整合策略

匹配口述回答：…塞，得先做筛选、排序和去重。比如相关性分数低于阈值的直接扔掉，保留Top-K，通常是3到5篇。排序上我会综合[[BM25]]分数、向量相似度还有时效性来加权。去重这块有个坑，就是语义重复，比如两篇文档用不同措辞说同一件事，得用[[Embedding]]聚类做语义去重，否则模型容易被重复信息带偏。第二层是上下文注入的结构化模板。我习惯把Prompt分成几段：先是系统指令，告诉模型你是基于检索文档回答的助手，必须引用来源；然后是检索上下文，每篇文档按「内容【来源：URL】」的格…

#字节#Prompt工程#RAG Prompt 设计

面试题·Prompt· 百度

AI Agent 架构与框架怎么选?

…：组件作用规划（Planning）拆解任务、制定执行策略、自我反思修正记忆（Memory）短期上下文 + 长期知识库（向量存储）工具调用（Tool Use）与外部API、数据库、计算资源交互主流框架对比 1. ReAct（Reasoning + Acting）核心机制：推理(Thought) → 行动(Action) → 观察(Observation) 循环特点：显式展示思考过程，行动有依据，可解释性强适用：需要多步工具调用的场景，如问答、数据分析局…

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

匹配正文：

#百度#Agent#AI Agent 架构

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配正文：…树）等模式动态调整计划，根据反馈迭代优化 3. 记忆系统（Memory）短期记忆：当前对话上下文、会话窗口内的信息长期记忆：向量数据库存储的历史经验、用户画像、领域知识通过检索增强实现跨会话的个性化服务 4. 工具/行动模块（Tools & Action）工具注册：外部API、数据库、计算引擎等工具选择：根据规划结果动态选择合适工具参数解析：将自然语言转化为结构化调用参数（Function Calling）结果处理：解析工具返回，决定继续规划或输出结果 5. …

#百度#Agent#AI Agent 核心组件

面试题·Prompt· 字节

Agent系统Prompt设计：架构与机制

匹配口述回答：…过滤，还有一个很关键的决策：判断这个请求是走完整的[[Agent]]链路，还是简单问答短路直接回复。比如客服场景里用户问“退款流程是什么”，直接给标准答案就行，没必要走规划执行。决策层是核心，负责任务分解和工具选择，我一般用 [[ReAct]] 范式，就是Thought、Action、Observation循环，也会结合 [[Chain-of-Thought]] 做复杂推理。执行层是工具注册中心，工具要标准化成OpenAI Function格式，还要做执行沙箱，控制超时和并发…

#字节#Prompt工程#Agent

面试题·Prompt· 百度

AI Agent 三大组件原理

匹配正文：…ct：推理（Reasoning）+ 行动（Acting）交替进行，形成"思考→行动→观察→再思考"的循环实现要点：Prompt中嵌入示例，约束输出格式为结构化JSON（thought/action/observation） 2. 工具调用（Tool Use）标准化协议：采用OpenAI Function Calling或LangChain的Tool接口工具描述：每个工具需定义名称、功能描述、参数Schema（JSON Schema）执行流程：模型生成调用参数 → 系统…

#百度#Agent#AI Agent 设计

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配正文：…时间和幻觉风险，RAG通过实时检索"开卷考试"。工作原理：三阶段流程阶段动作关键组件索引（Indexing）文档切分→Embedding→入库向量化模型（如BGE、text-embedding-3）检索（Retrieval）用户Query向量化→相似度搜索→Top-K召回向量数据库（Milvus、Faiss、ES）生成（Generation）拼接"Query+检索结果"→Prompt工程→LLM生成大模型+Prompt模板如何提升两大能力 1. 事…

#字节#RAG工作原理#RAG 工作原理

面试题·RAG· 美团

外挂数据库怎么提升大模型准确性?

匹配口述回答：…RAG也是白搭。一句话定位：数据分布快速变化时，外挂数据库+大模型本质是动态RAG 边界划分：RAG vs 微调，关键词 vs 向量，固定切分 vs 语义切分真实业务场景：外卖配送中商户状态实时变化落地风险与前提：高并发写入、地理位置过滤、冷启动工程师姿态判断：优先用检索而非训练，关注系统复杂度约4分钟动态RAG的瓶颈往往在检索系统的吞吐和一致性，而非模型本身。面试官可能会追问：数据更新频率极高时，索引重建的具体策略是什么？或者双缓冲影子索引如何保证一致性？

#美团#外挂数据库增强#外挂数据库

面试题·RAG

Deep Research vs RAG 怎么选?

匹配口述回答：… Research是自主迭代，模型自己决定下一步查什么，查完再分析，再查，反复很多轮。具体来说，RAG的流程是：用户提问，从[[向量库]]里召回相关文档，[[重排序]]，然后生成答案。它本质上是一次性的，检索次数通常就一两次。而Deep Research呢，它会先拆解问题，比如你问“某行业未来三年趋势”，它会自己生成子问题，像政策、技术、市场各是什么情况，然后分别去检索，把结果整合起来，再决定要不要继续深挖。整个过程可能涉及几十次甚至上百次检索，最后输出一份带引用的研究报告…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…设计三级索引：Dense（语义）+ Sparse（关键词）+ Graph（实体关系）二、检索器设计（多路召回+精排）召回层向量检索：领域微调Embedding（如医疗用PubMedBERT，法律用Legal-BERT）关键词检索：BM25 + 领域同义词扩展（UMLS/法律术语库）图谱检索：Neo4j存储"疾病-症状-药品"或"法条-案例-解释"关系精排层交叉编码器（Cross-encoder）做相关性打分引入时效性衰减因子：score_final = sc…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配口述回答：…果文档质量本身差，比如扫描件模糊，解析精度不够，后面全链路的收益都会打折。接下来索引构建。我的做法是混合召回，不只用一种。稠密向量擅长语义匹配，比如同义词泛化，但专业术语精确匹配不行，比如法律条文编号“第X条”必须精确命中，这时候稀疏向量比如[[BM25]]配合领域词表扩展就管用。还有一类跨文档的逻辑关联，比如医疗里药物相互作用，靠向量可能不够，我会引入[[Knowledge Graph]]做图索引。但真正落地时，这三种不是等权重，而是根据场景动态调。比如说订单异常场景，…

#字节#重排与优化#RAG 链路优化

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配口述回答：…查询改写，把指代消解掉，拆成“订单号xxx的退款进度”。这一步不做，后面检索全是错的。然后进入检索，这是最核心的部分。很多人以为向量检索就够，但实际落地，纯向量语义检索在专有名词、订单号、政策条款号上几乎必挂。我一般用 [[Hybrid Search]]，把向量召回和 [[BM25]] 关键词召回结合起来，分数加权融合。举个例子，客服场景里用户问“满200减30怎么用”，向量能理解“满减”语义，但BM25能精准匹配活动ID或商品SKU，两条腿走路才稳。检索出来Top-K比…

#美团#评估与监控#RAG 工作流程

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配口述回答：…来。这里有个关键前提：你不能指望单一检索方式解决所有问题。关键词召回比如 [[BM25]] 适合精确匹配，比如订单号、错误码这种；向量检索适合语义匹配，比如用户说“退款没到账”这种口语化表达。真正落地时我会做 [[Hybrid Search]]，把关键词和向量结合起来，再配合查询改写，比如用户说“退货”，我能自动扩展成“退货退款”“退货流程”，或者用 LLM 把模糊 query 转成更明确的意图。举个例子，在客服场景里，用户问“满减怎么用”，直接向量检索可能匹配到一堆满减规则…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· 快手

RAG 延迟与准确率优化

匹配正文：答案要点延迟挑战：检索耗时、多轮调用、大模型生成慢正确率挑战：检索不准、上下文噪声、多跳推理失败根因分析：向量检索局限、长上下文稀释、工具链复杂优化思路：预检索策略、重排序、缓存机制、混合检索延迟挑战与根因瓶颈环节具体表现根因检索阶段向量库查询+重排序耗时高大规模向量ANN搜索精度-速度trade-off，跨模态检索更慢工具调用 Agent多轮Planning-Action循环每次LLM调用串行，工具响应不可控生成阶段长上下文导致首token延迟…

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· 百度

RAG 工作原理与核心组件

匹配追问：…流程有哪些关键环节？直球架构请从系统架构角度讲一下RAG的工作原理，包括离线索引、在线检索和生成三个阶段，核心组件有哪些？比如向量数据库、Embedding模型怎么选，检索策略和优化手段是什么？

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：答案要点离线文档处理Pipeline（解析、清洗、分块、向量化）在线检索流程（向量检索+关键词混合、重排序优化）生成阶段集成策略（上下文组装、Prompt工程、引用溯源） RAG典型痛点与优化（幻觉、检索失效、上下文长度限制） RAG系统三层架构一、离线文档处理层核心流程：文档解析：PDF/Word/网页等多格式解析，处理表格、图片OCR 文本清洗：去噪、标准化、敏感信息脱敏智能分块：按语义段落切分（非固定长度），常用策略：递归字符切分 + 语义边界检测滑动…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 字节

RAG 架构：检索到生成全链路

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（查询改写、向量检索、重排序、上下文拼接、LLM生成）关键设计决策（分块策略、检索top-k数量、上下文长度控制）系统优化点（混合检索、缓存机制、多路召回）一、整体架构：离线+在线双链路 ┌─────────────────┐ ┌─────────────────┐ │ 离线知识库构建 │ │ 在线检索生成 │ │ (Index Pipeline)│ │ (Query Pipeline)│…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配追问：…假设你做一个客服知识库，用户问“怎么退货”，系统得从海量文档里找相关步骤。这个从查文档到生成答案的流程，你怎么设计？关键组件和顺序是什么？层层追问你想给大模型外挂知识库，一般流程是怎样的？……那文档怎么切分成块？……检索完怎么把内容和用户问题拼起来喂给大模型？……如果检索结果不相关，有什么优化手段？直球架构讲一下 RAG 的完整实现方案，从离线索引构建到在线查询生成，包括文档切分、向量化、检索策略、重排序、以及提示拼接这几个环节，你是怎么设计和落地的？

#字节#RAG系统实现#RAG 实现

面试题·检索· 美团

RAG 架构怎么搭?

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· OPPO

Context vs Prompt Engineering 区别?

匹配正文：…织核心问题 "怎么问" "给什么" Context Engineering 的三层方法检索层（Retrieval）多路召回：向量检索 + 关键词 + 知识图谱查询扩展：HyDE、子查询分解重排序层（Reranking）相关性打分：Cross-encoder精排多样性控制：MMR算法避免冗余压缩层（Compression）上下文压缩：LLMLingua、选择性上下文结构化组织：树状摘要、时间线梳理协同关系用户问题 → Context Engineerin…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：…查数据库，而不是走静态索引。还要看查询改写成本：用户 query 经常很短或者有歧义，比如“怎么退”，需要先让模型扩写成“退货流程是什么”，但这会多一次 LLM 调用，延迟和成本都要考虑。其实 [[Naive RAG]] 和 Advanced [[RAG]] 的核心区别不在于索引，而在于检索策略。比如 [[Self-RAG]] 让模型自己判断是否需要检索、检索结果是否够用，不够就迭代检索多次。这个方向我觉得比单纯优化 Embedding 模型更有价值，因为它解决了“什么时候…

#美团#RAG架构#RAG 系统架构

面试题·检索· 美团

混合检索为什么用 Sparse+Dense?

匹配追问：…你平时做检索一般用什么方式……如果只用BM25，遇到“苹果”和“水果”这种同义替换是不是就丢了？那你怎么补上语义理解……那如果只用向量检索，遇到罕见词比如“三羧酸循环”会不会搜不到？直球架构混合检索在RAG里几乎成标配了，你给我讲讲为什么需要混合？分别说一下Sparse检索和Dense检索的原理，还有各自用的相似度度量是什么？

#美团#Hybrid Retrieval#混合检索

面试题·模型架构· 百度

DDPM 为什么随机采样时间步?

匹配追问：DDPM的变分下界（VLB）与简化损失（MSE）之间的关系是什么 DDPM与DDIM在采样效率上的核心区别是什么扩散模型与流模型（Flow-based）在训练目标上的异同场景切入假设现在训练一个 DDPM，希望网络覆盖不同噪声水平。标准做法会为样本采一个时间步并直接构造 x_t；你会怎样解释这种做法的目标与效率？层层追问训练目标怎样写成对 t 的期望？……均匀采样 t 是什么估计？……能不能使用非均匀时间步采样？……改变采样分布后为什么可能需要重加权？直球技术请…

#扩散模型#DDPM#加噪过程

面试题·评估· 字节

LLM 幻觉与安全风险怎么缓解?

匹配追问：RLHF 在缓解幻觉和安全性上的 trade-off 是什么，如何解决？实际业务中如何平衡安全性和有用性（helpfulness vs harmlessness）？有没有遇到过安全机制被越狱（jailbreak）的情况，如何应对？场景切入假设现在构建一个高风险知识问答系统，模型可能编造事实，也可能输出不安全内容。你会怎样让关键断言可回溯，并限制工具与数据权限？层层追问数据治理和后训练能解决什么？……检索与工具怎样提供证据，又怎样防提示注入？……解码能保证事实吗？……

#幻觉检测#内容安全#RLHF