匹配正文：…保险知识库 RAG,通过切块策略、混合检索和重排将召回质量从错误样例中逐步修正,并支持引用溯源和离线评估”,面试空间就完全不同。 Agent 开发一天在做什么 Agent 开发的核心不是让模型“更聪明”,而是给模型设计可控的行动环境。它每天会碰到三类问题: 问题典型场景工程关键点工具怎么暴露搜索、数据库、代码执行、工单系统 schema 清晰、权限边界、参数校验任务怎么推进多步搜索、调研报告、自动排障状态机、ReAct、记忆、终止条件失控怎么兜底循环调用、成…

#求职#职业转型

求职指南·求职

大模型简历怎么写:项目怎么描述、怎么量化、怎么防追问

匹配正文：…字均为示意口径(标注为经验值),你要换成自己真实测出来的。三维该写什么 RAG 智能问答系统示例 Deep Research Agent 示例工程维度架构/状态/工具/权限/监控/成本文档解析 → 分块 → bge 向量检索 + 重排两路召回,加检索失败兜底与查询改写,接入调用日志监控单次成本 ReAct 迭代循环 + 工具注册(搜索/抓取/计算),长程记忆做上下文压缩,关键工具调用加权限确认与 trace 回放业务维度场景/用户/数据源/约束/边界面向某垂直…

#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：…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语版讲法。练的重点是「能顺畅讲出来」,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

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#求职

#职业转型

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：…程 + 题库 RAG 模块「有 Agent 落地经验」做过多步工具调用的东西,能说清编排与失败兜底 30 行最小 Agent、Agent 项目实战「熟悉主流开源模型」知道 Qwen/Llama/DeepSeek 等各自特点、会按场景选型在项目里实际换几个模型跑,记住体感差异「熟悉 LangChain / LlamaIndex 等框架」用过其一即可,更看重你知道框架替你做了什么用框架重写一遍你的最小 RAG 「熟悉 Function Calling / ReAc…

#求职#职业转型

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：…只讲功能、答不出细节的地方。追问点面试官想验证什么你该怎么答(带证据) 站内哪里补任务定义你解决的任务边界清不清说清 Agent 要完成什么、输入输出、成功标准为什么需要 Deep Research tool schema 你的工具设计是否规范每个 tool 的入参出参怎么定义、描述怎么写让模型会调工具设计 agent loop 你懂不懂 Agent 的核心循环 ReAct 还是别的、什么时候停、怎么防死循环 ReAct 与迭代式研究 memory 长任务里…

#求职#职业转型

面试题·Agent· 字节

工具集设计关键因素?

匹配口述回答：…。真正落地时，我倾向于把常用操作封装成中等粒度的工具，比如search_flights、book_flight，复杂任务再通过[[ReAct]]或[[Chain-of-Thought]]组合调用。再一个关键是工具描述。模型能不能正确调用，百分之八十靠描述。我一般会在description里写清楚触发场景和参数含义，比如“当用户问房贷月供时调用，本金单位是万元，利率是年化百分比”。如果参数有默认值或边界，我也会写进去，比如“贷款年限不超过30年”。这样能减少模型瞎填参数的情况…

#字节#Agent#Agent 工具集设计

面试题·Agent· 淘天

LangChain vs AutoGPT vs BabyAGI 怎么选?

匹配口述回答：…目标。AutoGPT 更重，带长期记忆和自我反思；BabyAGI 更轻，就是个任务队列驱动的小引擎。这两种适合探索性任务，比如让 Agent 自己上网查资料写个竞品分析报告，你只给个大方向，它自己折腾去。真正落地的时候，我很少只用一个框架，往往是混着来。举个例子，做一个电商售后的智能体。核心流程，比如退款、换货、查物流，这些确定性高的环节，我用 LangChain 把 [[Function Calling]] 和 [[ReAct]] 串成固定链路，出错了可以精准定位到哪一…

#淘天#Agent#LangChain vs AutoGPT

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…embedding、流式生成、推测解码 6. 复杂推理场景失效多跳问答、对比分析、数值计算等需要综合多源信息时表现差改进：引入Agent（ReAct迭代检索）、知识图谱增强、专用工具调用四、小红书场景的特殊考量社区内容RAG还需解决：UGC质量参差（需内容过滤）、实时性要求高（新笔记秒级索引）、多模态内容（图文联合检索）。

#小红书#RAG 局限性#RAG 缺陷

面试题·评估

LangChain vs AutoGPT vs MetaGPT 怎么选?

匹配口述回答：…有银弹。真正落地的项目，往往是混合的。比如客服系统，核心退款流程用LangChain编排，保证可控；同时加一个AutoGPT风格的Agent做异常场景的探索，但限定它的行动步数，超时就人工接管。MetaGPT的模式，我只在生成标准化文档或代码模板时用，而且会简化角色，比如只留架构师和工程师两个角色。其实现在有一个趋势，就是从框架依赖转向模型能力优先。比如直接用[[ReAct]]或者[[Self-RAG]]让模型自己决策，框架只做轻量调度。这样灵活性更高，但对模型的推理能力…

#Agent#AI Agent 框架对比#LangChain vs AutoGPT

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配口述回答：…好，是看场景和成本五大范式按原理和边界拆开讲，重点对比RAG和微调落地选型三步走：需求拆解、成本权衡、组合使用给出可延伸点：Agent的稳定性问题约4分钟 Agent的自我反思机制（如Reflexion）能提升稳定性，但推理成本高且反思质量不可控面试官可能会追问Reflexion的具体实现、与ReAct的区别、以及如何评估反思效果

#滴滴#模型微调#Agent

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…索内容与模型参数知识矛盾→设计冲突消解Prompt 时效性：知识更新后向量未同步→增量索引+版本管理多跳推理：单轮检索无法回答→ReAct循环检索或构建知识图谱五、进阶方向 Agentic RAG：检索作为Tool，由Agent决策何时检索、检索什么 GraphRAG：用知识图谱显式建模实体关系，解决多跳问题 RAG+微调：用检索数据构造SFT数据，提升模型对检索内容的利用能力

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 字节

动态Prompt训练数据怎么构建?

匹配正文：…失、用户意图漂移等异常分支合成+真实混合：用强模型（GPT-4/Claude）基于规则模板生成基础轨迹，人工精修关键决策点例：ReAct场景下，每条样本需包含 (Thought, Action, Observation) 的完整链条，而非仅最终答案二、标签定义：明确优化目标粒度适用场景标注内容粗粒度端到端微调最终输出是否满足用户意图细粒度过程监督每步Thought是否合理、Action是否正确调用对比级 RL/DPO训练同一状态下，优/劣响应的偏好…

#字节#动态Prompt训练数据#Prompt微调数据构建

面试题·Agent

Function Calling 是什么?

匹配正文：…具 schema → 模型出参 → 程序执行后把结果回灌给模型解决了纯文本模型"只会说不会做"、拿不到实时/私有数据的问题是 Agent(智能体)的地基能力核心概念 Function Calling 是一种让大模型以结构化 JSON 的形式"表达调用意图"、由外部程序真正执行函数、再把结果交还给模型继续生成的机制。要先破除一个常见误解:模型自己并不能执行代码,它只是根据工具描述,决定"该调用哪个函数、传什么参数",真正跑代码的是你的程序。三步流程声明工具(schem…

#入门#基础概念#Function Calling

面试题·知识图谱· 字节

向量库 vs 知识库 vs 符号记忆？

匹配口述回答：…ent就可能给出矛盾的回答。上线我会特别关注数据同步延迟，通常用事件驱动或定时批处理来协调。常见失败场景是符号记忆写得太随意，导致Agent自己都读不懂，所以我会限制记忆的格式，比如用JSON结构。另外，我最近在关注一个方向：怎么让Agent自主决定用哪种记忆，而不是硬编码。比如根据query的意图，动态选择走向量库还是结构化库，甚至自动写符号记忆。这可能涉及到模型本身的推理能力，比如用 [[ReAct]] 模式来做决策。所以总的来说，我更倾向把向量库看成“快照”，结构化…

#字节#Agent#Agent 长期记忆

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配追问：…ompt Engineering技巧，重点是提升输出质量和一致性。你用过哪些？从基础的角色锚定、格式约束，到针对RAG的引用强制、Agent的ReAct框架，具体怎么设计、效果怎么样？

#华为#Prompt工程#Prompt Engineering 技巧

面试题·Prompt· 华为

思维链(CoT)什么时候用?

匹配正文：…hot CoT：提供带推理过程的示例，引导格式 Self-consistency：采样多条CoT路径，投票选最优答案实际落地时，Agent场景常将CoT与ReAct结合，让模型输出Thought: → Action: → Observation:的结构化推理链。学习建议建议系统学习该知识点

#华为#思维链 CoT#Chain-of-Thought 使用场景

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…回答证据与经过校准的不确定性信号。token 概率低不直接等于事实错误，阈值应在目标任务上验证。四、外部工具集成工具调用架构 ReAct循环：Thought → Action → Observation，多轮交互获取精确信息多工具编排：搜索引擎+计算器+代码解释器，按场景路由知识库构建向量检索（Dense）+ 关键词匹配（Sparse）混合，召回率与精确率平衡实时索引更新机制，解决知识时效性问题关键权衡：架构与训练改动成本较高，也需要持续评估；RAG 与 Age…

#百度#对话模型准确性#模型架构优化

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：…ngChain LlamaIndex 设计目标通用LLM应用编排框架数据驱动的检索增强框架核心抽象 Chain（链式调用）、Agent（自主决策） Index（索引结构）、Retriever（检索器）、QueryEngine（查询引擎）优势领域复杂工作流编排、多工具Agent 大规模文档索引、结构化检索关键功能对比 LangChain强项 Agent系统：ReAct、Plan-and-Execute等推理模式，支持工具调用与多轮决策模块化链：通过LCEL灵活组合…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：…应用编排框架数据检索与知识库专用框架抽象层级高，覆盖完整应用生命周期聚焦数据摄入→索引→检索→合成核心优势工具链整合、Agent编排、记忆管理数据连接器、索引策略、检索优化技术侧重点对比 LangChain的核心能力链式编排：通过LCEL构建复杂工作流，支持条件分支、并行执行工具生态：内置大量第三方工具集成（搜索、数据库、API） Agent系统：ReAct、Plan-and-Execute等多模式Agent实现记忆管理：ConversationBuff…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：…下文处理：Recomp压缩、选择性上下文适用：企业知识库、产品手册等噪声多、需精排的场景 3. Modular RAG（模块化/Agent化）架构：检索与生成解耦，支持多轮迭代、主动决策关键能力：模块功能检索器可切换（向量/图谱/搜索引擎）调度器判断是否需要检索、何时停止生成器支持Self-RAG（反思token）、FLARE（动态检索）代表：Self-RAG、ReAct、RAG-Fusion 适用：科研分析、多跳推理、开放域复杂任务架构差异对比维…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 华为

逻辑引导怎么用？

匹配正文：…多步复杂推理数学计算、逻辑谜题、因果推断等需要严格步骤验证的任务模型容易跳步或中间结果出错，导致最终答案偏差 2. 工具调用与Agent决策 ReAct/Function Calling场景：思考→行动→观察的循环必须按序执行防止模型"幻觉"调用不存在的工具或跳过观察直接结论 3. 需要可解释输出的业务场景医疗诊断、金融风控等高风险决策，要求输出可追溯的推理链条实现方式举例方式一：结构化CoT Prompt prompt = """请按以下步骤回答： [分析] 提…

#华为#逻辑推理引导#逻辑引导

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…度匹配，依赖静态索引关键优化：分块策略、重排序、Hybrid Search Deep Research 架构：Planning Agent + Tool Use + Memory 核心机制：动态生成子问题（Decomposition）基于中间结果决定下一步检索方向多源信息整合与交叉验证典型实现：ReAct/CoT + 浏览器工具 + 长上下文整合应用场景对比 RAG适合 Deep Research适合企业内部知识库问答行业调研、竞品分析客服机器人、文档助手 …

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 快手

RAG 延迟与准确率优化

匹配口述回答：…F-PQ]]做近似搜索，本身就有精度和速度的trade-off，再加上后面还要做[[重排]]，耗时很容易飙到几百毫秒。另一个是[[Agent]]的多轮调用，每次[[ReAct]]循环里LLM想一步、调一个工具，串行下来用户感知的延迟会累积。还有一个是生成阶段，上下文一长，[[KV Cache]]的计算量就上来了，首token延迟明显变高。正确率这边，常见问题有三类。先说检索不准，用户的query和文档的表述往往有语义gap，比如用户问“退款多久到账”，文档里写的是“资金返回…

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…时效性：静态索引难更新，需增量索引+版本管理幻觉与归因：模型不看检索内容瞎编，需强制引用溯源多跳推理：复杂问题需多次检索，引入ReAct/ToT等Agent架构实际落地中，检索质量决定RAG上限，建议先做检索评测（Recall@K、MRR）再优化生成。

#百度#RAG技术架构#RAG 工作流程