匹配正文：…提升点击率更成熟，快手已落地"为你推荐"的个性化话术四、核心挑战与应对挑战应对策略幻觉（推荐不存在item）约束解码+检索增强（RAG），先召回候选集再重排实时性 LLM只做离线特征或粗排，精排保持轻量；或投机解码成本大小模型级联，简单请求走小模型，复杂请求触发LLM 评估困难离线用A/B test，在线关注用户停留时长等长期指标五、快手场景的特殊考量短视频推荐的核心是实时性+多样性： LLM适合做session级别的兴趣总结（如识别用户从"搞笑"转向…

#快手#LLM推荐系统#LLM 推荐系统

面试题·RAG· OPPO

时间窗口对话系统：约束与取舍

匹配正文：…（如[2024-01-15 09:23] 用户: ...）长上下文模型中，利用NTK-aware插值或YaRN适配时间跨度变化 RAG增强向量检索 + 时间衰减重排：score = semantic_score × exp(-λ·Δt) 避免硬过滤：保留高语义相关但较早的内容作为"背景知识" 用户体验设计渐进式遗忘：非突然截断，而是"我记得您之前问过X，但细节可能需要确认" 显式锚定：允许用户主动标记关键信息突破时间限制（"记住这个"）时效性提示：对可能过期的信息主动…

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

#蚂蚁#时间窗口对话#时间窗口对话系统

面试题·RAG· 小红书

生成式推荐的序列原理

匹配正文：…偏差：生成顺序影响多样性小红书场景的思考笔记推荐适合生成式范式——内容属性丰富（标题、标签、图文），可生成"为什么推荐"的解释增强信任。但需解决：① 十亿级笔记的ID压缩 ② 在线P99延迟<100ms的推理优化（推测解码、缓存）。学习建议建议系统学习该知识点

#小红书#Item Tokenization#生成式推荐的序列原理

面试题·RAG· 小红书

ROI 问题怎么影响推荐效果?

匹配正文：…ack of diversity 长期留存下降，探索利用失衡缓解方法训练阶段负采样优化：增加难负样本、按流行度降权采样数据增强：对用户历史序列做随机mask、reorder 解码阶段 Diverse Beam Search：分组搜索+多样性惩罚 Top-p/Nucleus采样：引入随机性，避免贪婪解码 MMR（最大边际相关）：相关性-多样性联合排序后处理/重排行列式点过程（DPP）：建模物品间相似度矩阵，优化子集多样性滑动窗口去重：过滤近期已曝光内容模型结构 …

#小红书#推荐多样性#ROI 问题

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：…的差异向量库与关系型数据库各自的优劣场景混合检索架构设计（多路召回、重排序）结构化与非结构化数据的融合策略知识库存储方式 RAG知识库的核心存储形态：向量数据库：文本/图像等embedding存储，支持语义相似度检索传统数据库：结构化元数据（来源、时间、权限等）+ 原始内容对象存储：原始文档、图片、音视频等大文件向量库 vs 传统数据库维度向量数据库传统数据库核心能力语义相似度（ANN）精确匹配、范围查询、聚合计算适用场景 "找相似内容" "找I…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配题目：在检索增强生成（RAG）系统中，常用的检索方法包括BM25、向量检索和混合检索等。请详细说明这些方法的工作原理，比较它们在准确性、召回率、语义理解能力、计算开销等方面的优缺点，并结合实际应用场景（如开放域问答、电商搜索、推荐系统）分析各自的适用条件。

#小红书#检索方法对比#BM25 向量检索混合检索

项目实战·Agent

Deep Research Agent

匹配正文：…验证关键信息保留率裁剪 vs 摘要、外部记忆与遗忘、指代消解训练数据 + 训练种子问题 → Teacher 轨迹 → 筛选与增强 SFT 冷启动学输出格式 RL 与负样本筛选的候选方案及风险验证 Loss Mask 掉 observation token 工程验证 + 评估为推理、并发与成本设计压测(KV Cache / continuous batching) 把 RACE、FACT 与 LLM-as-Judge 作为候选评测方法校验把失败样本回流到数据与策略验证…

#项目实战#Deep Research Agent

求职指南·求职

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

匹配正文：…不下时,切块、摘要、检索、记忆各自解决什么? Prompt、Function Calling、Agent、MCP 分别在哪一层? RAG 和微调怎么选,什么时候组合使用? 检索召回率、重排、引用溯源、离线评估为什么决定上线质量? 学习方式建议很朴素:每个概念先写一句人话定义,再写一个工程场景,最后找 2-3 道真题练口述。比如 RAG 不要背“检索增强生成”六个字,要能说出“公司制度经常变,把知识放进向量库比重新训练模型更可控,但效果取决于切块和检索质量”。研一/研二可以在…

#求职#职业转型

面试题·Agent

Deep Research 报告有引用就可信吗？多个来源互相矛盾怎么办？

匹配正文：…个来源口径相反，Agent 没有解释，直接选了更符合自己结论的那一个。这说明“报告带引用”和“结论可以核验”不是一回事。普通 RAG 的引用通常围绕一次回答和几段检索证据展开。Deep Research 的报告更长，结论更多，来源横跨多个网站和时间点，还会经历多轮搜索、摘要和综合。引用链一旦在中间断掉，最终报告仍然可以写得很顺，却很难知道哪一句是事实、哪一句是推断。所以这道题真正考的是： Deep Research 怎样让每个关键结论都回到原始证据？多个来源相互矛盾时，…

#Deep Research#问题边界与研究闭环#Deep Research 引用溯源

求职指南·求职

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：…步、限流、监控、数据管线,这些都不是 AI 独有的东西,是你每天在写的东西。真正新的部分只有中间那个会「胡说」的模型,以及围绕它的检索增强和效果评估。换句话说,一个大模型应用工程师的日常,大概是这样的构成:一半以上是标准后端工程(把模型服务跑稳、把数据喂进去、把延迟压下来),剩下的才是模型这一层的活。后端出身的人不是从零开始,而是已经站在起跑线往前的位置,只要把「模型这一层」补上,就能接住岗位。处理不确定组件反而更吃工程能力,这恰恰是后端的护城河。能力映射:JD 里写的,…

#求职#职业转型

求职指南·求职

大模型岗面试流程全解:每一轮考什么、怎么准备

匹配正文：…均花 10 秒扫一份简历,逻辑是关键词匹配加上项目含金量扫一眼。两个动作直接提升通过率: 技术栈对齐目标 JD 的措辞。JD 写「检索增强生成」你就别只写 RAG,两个都写;JD 强调「Agent 落地」你的项目标题就别停在「问答机器人」。JD 逐条怎么翻译成简历语言,见JD 怎么读。项目描述按「业务问题 → 方案 → 量化结果」三段式写,让筛选者一眼看到你做过真东西,而不是跟着教程复现过。写完按简历项目追问模板逐条自问,检查每条经历能否讲清实现、取舍与验证,提前找出答不上…

#求职#职业转型

面试题·项目与经历· OPPO

深度学习项目怎么介绍?

匹配正文：…一步。禁止项不要把联邦学习简化为“只聚合特征”；典型联邦优化聚合的是本地模型更新/梯度等信息，仍需隐私与攻击面分析。Self-RAG 是文本检索增强生成方法，不应拿来解释图像分类置信度。若项目没有使用这些技术，就不要为了显得复杂而加入。

#项目经验#深度学习#模型架构

面试题·Agent· 字节

Attention 在 Agent 多轮对话有哪些局限?

匹配正文：…，降复杂度至O(n) 线性注意力/状态空间模型：RWKV、Mamba，以RNN式隐状态替代KV Cache，支持无限长上下文记忆增强分层记忆：工作记忆（当前上下文）+ 短期记忆（会话摘要）+ 长期记忆（向量数据库检索）显式记忆写入：关键信息（实体、约束、计划）结构化存储，按需检索注入工程策略动态上下文压缩：基于重要性分数的token剪枝、分层摘要（如Hierarchical Attention）检索增强生成：将历史对话编码为向量，实时检索相关片段补充上下文学习建…

#字节#淘天#Agent

面试题·Agent· 淘天

架构 vs 模块 vs 工具集成怎么选?

匹配正文：…ndex/Query Engine）+ 代理层自主目标分解 + 执行循环设计哲学 "可组合"——像搭积木一样拼装LLM应用 "检索增强"——让LLM更好地连接外部数据 "自主代理"——模拟人类自主决策模块化高度模块化，组件丰富但学习曲线陡模块化适中，RAG相关组件深度优化模块化较弱，偏向端到端黑盒关键能力拆解工具集成 LangChain：通过@tool装饰器或BaseTool基类注册，支持同步/异步，但工具间状态管理较复杂 LlamaIndex：工具即"查询引…

#淘天#字节#Agent

面试题·Agent· 小红书

生成式推荐系统有哪些改进方向？

匹配正文：…样本治理：曝光未点击可作为带噪候选，须考虑用户是否看见、位置与反馈延迟；与随机负样本、人工偏好及去偏方案做对照。 3. 系统集成：RAG与Agent的深度融合用户Query → Agent规划（意图识别→工具调用）→ RAG检索实时热点/库存 → 生成式模型融合多源信息 → 交互式澄清（多轮）→ 最终推荐 RAG增强：接入实时笔记池、趋势话题，解决生成内容"过时"问题 Agent协同：支持多轮对话式推荐，主动询问偏好（如"喜欢户外还是室内活动？"），突破单次请求的信息局限 …

#小红书#Agent#生成式推荐系统

面试题·Agent· 淘天

LangChain vs LlamaIndex vs AutoGPT 架构差异?

匹配正文：四大框架核心定位框架核心定位设计哲学 LangChain 通用LLM应用编排模块化链式组合 LlamaIndex 检索增强型Agent 数据索引优先 AutoGPT 自主决策Agent 目标驱动循环 LangGraph 复杂状态流Agent 图结构状态机关键维度对比 1. 架构设计 LangChain：Chain为核心，线性/分支结构，通过LCEL语法糖组合 LlamaIndex：QueryEngine封装检索+生成，Agent是AgentRunner包装器 Aut…

#淘天#Agent#Agent 框架对比

面试题·Agent· 字节

多轮对话上下文遗忘怎么解?

匹配正文：…图、约束条件，作为附加输入分层注意力区分话语级与token级先对话语做粗粒度交互，再token细粒度计算，降低长序列复杂度检索增强对话动态检索相关历史用query编码检索最相关的K轮历史，而非简单截断最近N轮持久化角色嵌入固定风格/角色表示学习不随轮次更新的角色向量，与每轮输入拼接推荐组合：显式记忆模块 + 分层注意力，兼顾效果与效率。记忆模块解决"记什么"，分层注意力解决"怎么高效记"。学习建议建议系统学习该知识点

#字节#Agent#多轮对话上下文遗忘

面试题·Agent· 美团

大模型输出怎么做真实性验证?

匹配正文：…模型自我约束，而是通过外部信号或交叉验证来确认输出可靠性。主要技术路线： 1. 事实性核查（Fact Verification）检索增强验证将生成内容拆分为原子声明（claim segmentation）对每个声明独立检索权威知识源使用NLI模型判断"检索证据→支持/反驳/无关"生成结论典型工具：RARR、FAC2框架工具调用验证对可验证实体（时间、数值、人物）调用API/Wikipedia查询结构化数据比对，直接判定真伪 2. 引用溯源（Attributio…

#美团#Agent#大模型真实性验证

面试题·Agent· 阿里

Agent框架模块化与工具集成怎么比?

匹配正文：… 框架核心定位设计哲学 LangChain 通用LLM应用编排 "Chains"串联组件，强调灵活组合 LlamaIndex 检索增强生成(RAG) 数据索引与查询为核心，Agent是上层封装 AutoGen 多Agent对话系统以对话为中心的Agent交互模式模块化设计对比 LangChain LCEL (LangChain Expression Language): 用 | 管道符组合组件，如 prompt | llm | parser 抽象层：Model → P…

#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?

匹配正文：… 分层记忆工作记忆(短期) + episodic记忆(长期) 复杂Agent、多轮深度交互架构复杂，需设计记忆写入/读取逻辑检索增强历史向量化，按需检索Top-K 超长历史、稀疏访问检索延迟，需维护向量索引小红书场景建议混合架构：近期对话（如50轮）：直接保留原始文本，保证细节中期历史：滑动窗口摘要，每20轮生成一段摘要远期记忆：关键事件（种草商品、决策节点）向量化入库关键设计：记忆写入：识别"里程碑"（用户明确偏好、购买决策）优先入库记忆读取：当前…

#小红书#Agent#长历史行为处理

面试题·Agent· 百度

Agent 核心组件架构

匹配正文：…ory）类型作用实现方式短期记忆当前对话上下文滑动窗口、Prompt内维护长期记忆跨会话知识积累向量数据库存储+检索增强工作记忆中间执行状态临时变量、执行轨迹 3. 工具调用（Tools）功能：扩展LLM能力边界（计算、搜索、API操作等）关键机制：Function Calling（模型输出结构化JSON）→ 外部执行 → 结果回传工具描述需清晰定义：功能说明、参数schema、返回值格式 4. 行动执行（Action）将规划结果转化为具体操作…

#百度#Agent 核心组件架构#Agent 系统架构怎么搭？规划、记忆、工具与行动

面试题·评估· 字节

Agent 系统优缺点怎么分析?

匹配正文：…更、返回格式异常导致 Agent 崩溃缺乏有效的中断恢复机制 4. 可观测性与调试长链路黑盒，难以定位哪一步规划出错三、与 RAG 的协同设计维度 RAG Agent 定位知识检索增强任务执行与决策融合方式 Agent 将 RAG 作为工具之一，或 RAG 结果注入 Agent 上下文典型架构：用户 query → Agent 规划 → 判断需检索 → 调用 RAG 工具 → 基于检索结果继续规划 → 执行最终动作四、工程落地要点容错设计：工具调用失败重试…

#字节#Agent#Agent 系统优缺点

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配口述回答：…以用户点击反馈作为运行前提；领域偏移与实体匹配效果仍要评估。评估指标我重点看三个。质量上，Recall@k 是首要的，因为 [[RAG]] 里漏检代价最高，你漏了相关文档，后面生成就没了依据。然后是 MRR，它看第一个相关结果排得多靠前，对排序质量敏感。效率上，P99 延迟是红线，向量检索可以选择精确搜索或HNSW等近似索引；延迟、构建、更新与资源成本依实现和负载测量。权重的考量完全由业务场景驱动。举个例子，电商客服的退换货场景：用户问“我买的鞋码不对怎么办”，如果只靠 …

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

LLM怎么融入推荐系统？意图理解与生成

推荐不准的分层诊断

时间窗口对话系统：约束与取舍

生成式推荐的序列原理

ROI 问题怎么影响推荐效果?

向量数据库 vs 传统数据库怎么选？

BM25 vs 向量检索 vs 混合检索怎么选?

Deep Research Agent

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

Deep Research 报告有引用就可信吗？多个来源互相矛盾怎么办？

后端工程师转大模型应用开发:已有经验怎么迁移

大模型岗面试流程全解:每一轮考什么、怎么准备

深度学习项目怎么介绍?

Attention 在 Agent 多轮对话有哪些局限?

架构 vs 模块 vs 工具集成怎么选?

生成式推荐系统有哪些改进方向？

LangChain vs LlamaIndex vs AutoGPT 架构差异?

多轮对话上下文遗忘怎么解?

大模型输出怎么做真实性验证?

Agent框架模块化与工具集成怎么比?

长历史行为怎么处理?

Agent 核心组件架构

Agent 系统优缺点怎么分析?

BGE-M3 vs BM25 怎么选?