匹配正文：…难、性能损耗实际成功率极低、token消耗爆炸灵活性受限、黑盒化适用场景企业级复杂工作流概念验证/研究快速POC/轻量应用技术本质差异 LangChain：强调链式组合，开发者显式控制流程 AutoGPT：追求自主决策，LLM主导循环（prompt工程极重）三、关键局限与突破方向三大硬约束可靠性天花板：LLM本身的不确定性无法通过框架消除成本失控：多轮调用+错误重试导致API费用激增调试黑盒：Agent行为难以追踪和归因务实落地建议采用**"半自动…

#滴滴#Agent#Agent 技术评估

面试题·评估· 字节

知识库更新策略怎么选?

匹配题目：在基于知识库的大模型应用（如RAG系统）中，知识库的更新策略有哪些？如何保证更新的实时性、一致性和检索准确性？

#字节#评估与监控#RAG 知识库更新

面试题·模型微调· 美团

RAG检索偏差怎么缓解?

匹配正文：…路召回（历史索引+增量索引），结果融合排序美团外卖场景：新商家/新菜品实时入增量索引，避免全量重建延迟 2. 查询重写与扩展用LLM将用户query改写为多个视角（时间敏感型、通用型），分别检索后聚合例："附近好吃的" → 扩展为"2024新店推荐"+"高评分老店" 3. 自适应向量微调收集新文档的点击/转化反馈，用对比学习微调embedding模型（LoRA轻量更新）关键：混合采样新旧数据，防止灾难性遗忘 4. 分布感知的重排序训练阶段引入领域标签，推理时检测q…

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

#美团#模型微调#RAG检索偏差

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…合）的权衡实际落地中的关键挑战（幻觉、时效性、多跳推理） RAG与微调的结合思路一、技术原理 RAG的核心思想：用外部知识弥补大模型的知识截止和幻觉问题，把LLM从"闭卷考试"变成"开卷考试"。标准流程三步走：索引（Indexing）：文档切分→Embedding编码→向量库存储检索（Retrieval）：Query向量化→相似度搜索→Top-K召回生成（Generation）：将检索结果拼入Prompt→LLM生成答案关键洞察：检索质量决定RAG上限，生成能力…

#字节#RAG 最佳实践#RAG 技术原理

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配追问：…哪款，还得从商品知识图谱里找到对应的库存信息。这种场景下，你觉得GraphRAG落地最大的坑会在哪里？层层追问你做过知识图谱+大模型的应用吧？……那如果让大模型基于图谱做多跳推理，比如查“张三推荐过且评分大于4的电影”，你觉得准确率和速度怎么平衡？……再进一步，图检索和向量检索怎么结合才不会互相拖后腿？直球架构从架构角度，你觉得GraphRAG在生产中最大的技术难点是什么？比如知识图谱构建、图与向量融合、动态更新这些，挑一个你认为最关键的，说说原因和你会怎么解决。

#淘天#知识图谱#评估与监控

面试题·知识图谱· 字节

GraphRAG 怎么实现复杂查询?

匹配正文：…过滤 2. 路径推理（结构推理层）基于图算法（BFS/最短路径/随机游走）发现实体间关联路径路径编码：将路径序列转为文本描述供LLM理解 3. 与向量检索的融合最终上下文 = α·子图文本化描述 + β·相关文档片段三、答案生成阶段结构化提示：将子图以自然语言描述或Cypher结果形式注入推理增强：显式利用关系路径进行多跳推理，而非单纯语义相似四、核心优势与应用价值场景传统RAG局限 GraphRAG解决方式因果推理分散在多篇文档，难以关联图谱路径显式…

#字节#知识图谱#GraphRAG 实现

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配正文：…"结构化语义网络"替代"扁平向量空间"。传统RAG把文档切成chunk后直接向量化，丢失了实体间的显式关系；GraphRAG则通过LLM抽取实体-关系-属性，构建知识图谱，并在此基础上发现"社区"(紧密关联的实体簇)，形成实体→关系→社区的三层索引结构。架构设计（微软开源方案）阶段关键操作输出索引阶段文本分块→LLM抽取实体/关系→生成社区摘要知识图谱 + 社区层级摘要查询阶段路由判断(Local/Global)→子图检索/社区遍历→上下文组装精准关联信息…

#美团#知识图谱#GraphRAG 架构

面试题·知识图谱· 淘天

GraphRAG 技术难点有哪些?

匹配正文：… 动态更新成本：增量知识融合时的实体消歧和冲突消解实践思路：采用"抽取+生成"双轨策略，对高置信结构化数据用规则抽取，长尾知识用大模型生成式构建。二、实体链接：指代消解与歧义消解的双重挑战跨文档指代：同一实体在不同文档中的表述变异（如"Apple"公司 vs 水果）新实体冷启动：未见实体缺乏上下文锚点，链接模型失效链接与检索的耦合：链接错误会直接污染后续子图检索关键点：需要结合实体嵌入、上下文共现和知识库先验的多维相似度计算，而非单一字符串匹配。三、推理路径搜索…

#淘天#多模态#GraphRAG 难点

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配正文：…联） GraphRAG的核心改进（构建实体关系图、社区发现、分层摘要） GraphRAG的检索优势（多跳推理、全局信息聚合）实际应用场景举例 RAG基本原理 RAG = 检索(Retrieval) + 生成(Generation)，解决大模型知识截止和幻觉问题：索引阶段：文档切分→Embedding→存入向量数据库检索阶段：用户查询向量化→相似度搜索→召回Top-K片段生成阶段：将检索结果作为上下文，LLM生成最终回答传统RAG的痛点：文本切块导致语义碎片化，缺乏实…

#字节#知识图谱#GraphRAG

面试题·多模态· 字节

截图界面怎么用 RAG 解析?

匹配正文：…ID）融合排序：用轻量模型（如ColBERT）对多模态候选重排生成：输入结构化的UI上下文 + 检索到的知识，用VLM或纯文本LLM生成回答实际优化考虑问题方案延迟高预计算热门界面的解析结果；检索用HNSW近似；生成用蒸馏小模型 UI频繁变更建立组件指纹（布局哈希），变更时增量更新索引冷启动先用通用UI知识库（Android/iOS设计规范），再逐步积累业务数据复杂交互理解引入时序：支持多张截图（点击前/后）判断状态变化学习建议掌握OCR、视觉理解…

#字节#多模态#多模态 RAG

面试题·多模态· 快手

多模态 RAG 与传统 RAG 差异在哪?

匹配正文：…率图像token数远超文本，触发长上下文瓶颈训练数据稀缺：高质量的<问题, 图像证据, 文本答案>三元组数据难以构建典型实现与应用实现方式： CLIP-based双塔：图像和文本共享嵌入空间，用FAISS/Pinecone构建多模态向量库多模态LLM + RAG：GPT-4V/InternVL等原生支持图像输入，检索阶段返回图像+文本混合上下文应用场景：电商客服：用户上传商品瑕疵图 → 检索相似案例图+解决方案文本医疗诊断：CT影像 + 病历文本联合检索，辅助报…

#快手#多模态#多模态 RAG

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配正文：…↔ image embedding）存储：Milvus/Pinecone的多模态索引，或分离存储+联合检索 3. 生成器多模态LLM：GPT-4V、Qwen-VL、LLaVA 接收图文交错输入典型应用场景电商商品问答：用户上传商品图+提问，检索详情页图文信息研报/财报分析：解析PDF中的图表、表格、文字联合问答医疗影像辅助：CT影像+病历文本联合检索关键挑战（一句话）模态对齐质量决定检索精度，延迟成本随模态数倍增，ColPali类方案正在改变"先解析再嵌入"的…

#淘天#多模态#多模态 RAG 实现方案

面试题·多模态· 字节

Agent 优势与局限怎么分析?

匹配题目：请系统阐述智能Agent在大模型应用中的主要优势与局限性，并结合当前技术趋势分析其未来发展方向和潜在挑战。

#字节#Agent#Agent 优势与局限

面试题·多模态· 哔哩哔哩

RAG意图识别原理与检索协同

匹配正文：作用意图识别是可选的路由层，用于决定是否检索、访问哪个知识域、应用哪些元数据过滤、是否改写查询，以及选择问答、摘要、操作或拒答流程。简单单库 RAG 可以不单设该模块；多租户、多工具或多索引系统中，它能减少无关检索并执行路由策略。实现方式规则与结构化信号：关键词、实体、会话状态、产品入口，延迟低且可解释；监督分类器：BERT 等编码器输出意图与置信度，适合稳定且有标注的类别体系； LLM 结构化路由：用 schema 约束输出 intent、index、filters…

#b站#意图识别与检索路由#RAG 意图识别

面试题·Prompt· 阿里

JSON 输出怎么保证格式稳定?

匹配题目：在大模型应用中，如何通过提示词设计、约束解码或其他技术手段，确保模型稳定、可靠地输出符合指定格式的JSON结构？请系统阐述常用方法（如JSON模式提示、Schema约束、后处理校验等）及其适用场景、优缺点对比，并结合实际部署需求分析不同方案的稳定性与可行性。

#阿里云#Prompt工程#JSON 格式输出

面试题·Prompt· 脉脉

Prompt 怎么系统设计与优化?

匹配题目：在大语言模型应用中，如何系统性地设计与优化提示词（Prompt）以提升输出质量、准确性和稳定性？请结合具体策略、评估方法及实际应用场景，阐述你在提示工程中的实践方法与思考。

#脉脉#评估与监控#Agent

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配题目：在实际的大模型应用中，你使用过哪些有效的Prompt Engineering技巧来提升模型输出的质量、准确性和一致性？请结合具体应用场景（如RAG、Agent等）举例说明其设计思路、实施过程及实际效果。

#华为#Prompt工程#Prompt Engineering 技巧

面试题·Prompt· 华为

Few-shot 提示怎么用?

匹配题目：在设计大模型提示（prompt）时，什么情况下应使用few-shot示例？请结合其作用机制、优势及典型应用场景，说明few-shot提示工程如何提升模型的推理与任务执行能力。

#华为#Few-shot 提示#Prompt 工程

面试题·Prompt· 华为

思维链(CoT)什么时候用?

匹配正文：…问题作用机制与示例核心机制：将隐式推理显式化，通过"思考→行动→观察"的循环，利用自回归特性逐步生成中间状态。示例对比（数学应用题）：方式输入输出标准Prompt "小明有5个苹果，给了小红2个，又买了3个，现在有几个？" "6个"（可能错） CoT Prompt "让我们一步步思考：[问题]" "初始5个→给掉2个剩3个→再买3个→3+3=6个" 关键：中间步骤（5-2=3, 3+3=6）成为显式上下文，降低跳步错误概率。常用变体 Zero-shot CoT…

#华为#思维链 CoT#Chain-of-Thought 使用场景

面试题·Prompt· 阿里

Prompt 系统设计原则与技巧

匹配题目：在大模型应用中，如何系统地设计和构建有效的prompt？请说明构建原则、常用技巧（如少样本学习、思维链等）及实际应用场景。

#阿里#Prompt工程#Agent

面试题·Prompt· 商汤科技

ReAct 范式核心思想与工作流程

匹配口述回答：这道题其实是在问，当我们想让大模型像人一样去调用工具、完成任务的时候，怎么让它既能推理规划，又能实时获取外部信息，还能根据反馈调整。[[ReAct]]就是目前最主流的方案，它的核心思想很简单：推理和行动是交错循环的，而不是先想完再做或者边做边想。具体来说，它的工作流程就是 Thought → Action → Observation 这样一个循环。Thought 是模型在内部推理，规划下一步；Action 是调用外部工具，比如查天气、搜数据库；Observation 是拿到…

#商汤科技#Agent#ReAct 范式

面试题·Prompt· 美团

ReAct 框架怎么实现推理+行动?

匹配题目：请详细解释ReAct（Reasoning + Acting）框架的基本思想、工作机制及其在大模型代理（Agent）中的应用，包括它如何结合推理与外部操作来提升任务完成能力，并举例说明其实现流程。

#美团#评估与监控#Agent

面试题·Prompt· 美团

ReAct 框架怎么工作？

匹配题目：请介绍ReAct（Reasoning + Acting）框架的基本思想、工作流程及其在大模型代理（Agent）任务中的应用，例如问答、工具调用等场景。

#美团#Agent#ReAct 框架

面试题·Prompt· 美团

ReAct 框架怎么用?

匹配正文：…ht → Action → Observation的循环机制能对比ReAct vs CoT vs 纯Action的优劣给出典型应用场景（如知识问答、复杂决策）说明ReAct如何解决幻觉和工具使用问题核心思想 ReAct = Reasoning（推理）+ Acting（行动），核心是让LLM在思考和行动之间交替进行，而非先想后做或只做不想。关键洞察：人类解决问题时，推理和行动是紧密交织的——行动获取新信息，推理指导下一步行动。工作机制标准循环结构（每轮迭代）： T…

#美团#Agent#ReAct 框架