匹配追问：…_k而不是d_k或其他值？ Self-Attention的时间复杂度和空间复杂度是多少？如何优化？多头注意力中"多头"的设计动机是什么，各头学到什么不同？场景切入假设你在做一个电商搜索的排序模型，用户搜'苹果手机'，你希望模型能自动关注商品标题里的'苹果'和'手机'这两个词，同时忽略'原装正品'这种修饰。这种token之间的关联度，底层是怎么算出来的？层层追问 Transformer里每个token是怎么跟其他token交互的？……那它怎么知道该关注谁？这个关注的程度…

#Self-Attention#Transformer#注意力机制

面试题·评估· 美团

LLM 幻觉治理方法对比

匹配口述回答：…是让模型在生成时参考外部知识，不依赖自己的记忆。但这里有个边界要划清楚：RAG 特别适合事实性幻觉，比如客服场景里用户问“退款政策是什么”，你从知识库拉回最新文档，模型照着说就行。但它不太适合那些需要模型深度推理的任务，比如合同条款分析，因为检索回来的片段可能互相矛盾，模型自己又没能力做逻辑仲裁。那落地的时候，RAG 最大的风险其实不在生成，而在检索。检索质量决定了 RAG 的上限。如果你用简单的向量检索，召回率可能很高但精度差，混进一堆噪声，模型反而更容易被带偏。所以我会…

#美团#幻觉治理#LLM 幻觉治理方法对比

面试题·评估· 京东

RAG vs RLHF 幻觉治理

…，原因是它不知道最新的库存信息。你会怎么用RAG和RLHF分别解决这种‘不知道瞎编’的问题？层层追问大模型产生幻觉，你觉得主要是什么原因？……那RAG和RLHF各自是怎么缓解的？……它们一个从输入入手，一个从输出入手，你觉得本质区别在哪？直球架构请从技术原理和优缺点上对比RAG和RLHF在缓解大模型幻觉问题上的作用。它们分别解决什么类型的幻觉？路径上有什么本质不同？

← 上一页第 9 / 9 页

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

匹配追问：

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 阿里

主流Agent框架优缺点与场景怎么选?

匹配口述回答：…快速验证想法，真要上线，你得把它当参考实现，自己重写精简版。再来说LlamaIndex。它的核心是Index，各种索引结构，比如向量、树、关键词、图。它天然是为[[RAG]]设计的，Query Engine封装了检索加合成的标准流程。所以如果你要做企业知识库问答，或者结构化数据查询，LlamaIndex非常顺手。它的检索策略很丰富，RAG效果容易调优，而且它和LangChain可以互操作，通过一个工具包装就能把LlamaIndex的检索能力当工具给LangChain用。但…

#阿里云#评估与监控#Agent

面试题·评估· 商汤科技

AI Agent 核心理解与未来趋势

匹配追问：…订单再退款，中间还可能调用API。这种自主决策和被动响应的区别，你是怎么理解的？层层追问你觉得大模型落地到业务里，最关键的升级是什么？……如果只是问答，那和之前的聊天机器人有什么区别？……那如果要让它自主完成任务，比如订机票，它需要哪些能力？……这些能力组合起来其实就是Agent，你理解中的Agent核心是什么？直球架构谈谈你对AI Agent的理解，包括它和普通LLM的本质区别，核心组件，以及主流架构模式。另外你个人对Agent未来的发展趋势怎么看，比如短期和长期的…

#商汤科技#评估与监控#AI Agent 理解

面试题·评估· 百度

Reflection 和 Memory 怎么协同?

匹配口述回答：…加时间衰减；底层是语义记忆，存领域知识和规则，比如公司的退款政策、合规要求，这个用[[知识图谱]]或者结构化存储更合适。写入记忆不是什么都记，我会重点关注失败案例和关键决策点，比如Agent A在某个场景下做了错误判断，这个案例一定要归档。检索时有个坑，就是相关性排序不能只看语义，还要结合重要性和时效性，不然旧的低价值记忆会冲淡有用的经验。反思和记忆怎么协同？我举个例子，在客服退款场景里，一个多智能体系统，有客服Agent、审核Agent、财务Agent。客服Agent在处…

#百度#Agent#Multi-Agent System

面试题·评估· 字节

RAG 文档检索选型

匹配追问：…比如‘iPhone 15 Pro Max 256G 钛金属’，纯语义检索会不会漏？……那你怎么把关键词和语义结合起来？具体融合策略是什么？直球架构说说你在RAG系统里用了哪些检索方法？技术选型怎么考虑的？针对检索效果做了哪些优化？比如索引切分、查询改写、重排序这些具体怎么落地？

#字节#混合检索#RAG 文档检索选型

面试题·评估· 美团

Agent 功能模块怎么分工?

匹配追问：…什么？层层追问你理解Agent系统里一般会集成多种功能模块，对吧？……比如coding、search这些。那它们各自的核心职责是什么？……再具体一点，输入输出分别是什么样子？……它们之间怎么协作来完成任务？直球架构直接说，在一个Agent架构中，coding、GUI和search三个模块的功能定位、输入输出形式以及整体协作关系是怎样的？请详细说明。

#美团#评估与监控#Agent

面试题·评估· 百度

MRR 在 RAG 中怎么定义?

匹配口述回答：…个相关文档的位置，不关心后面还有没有更多相关信息。对于那种需要多个证据片段才能回答的问题，比如“某个产品的功能、价格和适用限制分别是什么”，只看 MRR 就不够了。第一个相关文档排得很靠前，但如果其他关键信息没召回，最终答案还是会漏。所以我实际评估 RAG 时，不会单独看 MRR。我通常会组合看几个指标：MRR 看首个有效证据的排序质量，Recall@K 看正确证据有没有被召回，NDCG 看多个相关文档的整体排序质量；到了生成端，还要看 faithfulness 和答案正确…

#百度#评估与监控#MRR 定义

面试题·知识图谱· 海尔

训练/推理/外部知识怎么选?

匹配口述回答：…死循环。多采样投票就是多次采样取一致答案，能降低随机性带来的幻觉，但成本翻倍。举个例子，企业 SOP 查询场景，员工问“报销流程是什么”，我会用 [[Chain-of-Thought]] 让模型一步步推理，每步都引用文档。如果置信度低，就触发人工审核。这里有个坑：自我验证如果模型本身知识不足，会越检查越错，所以要结合外部知识。外部知识集成，[[RAG]] 是核心。检索相关文档作为上下文，把生成约束在检索内容里。但 RAG 不是万能的，检索失败时生成会崩。所以我会做两件事：…

#海尔#外部知识集成#大模型幻觉

面试题·RAG· 百度

RAG 项目指标化复盘

匹配追问：…这种多源文档整合起来，让检索又快又准的吗？层层追问你之前做过RAG项目吧？先聊聊整体流程……数据是怎么处理的？……检索部分呢，向量加关键词召回有做吗？……那效果怎么样，有没有遇到特别难搞的问题，比如表格或者版本冲突？直球架构请详细讲一个你主导的RAG项目，从数据层、检索层到生成层，你的具体贡献是什么？遇到过哪些技术挑战，比如表格解析或结果冲突，怎么解决的？最好有量化指标。

#百度#RAG项目复盘#RAG 项目指标化复盘