匹配正文：…地点"的POI关联实时性权衡：交通状况不存长期记忆，只存"用户偏好避开高速"这类规则成本权衡：摘要用7B模型，主推理用70B；向量检索用HNSW索引，召回 latency <50ms 学习建议建议从RAG和Agent架构基础入手，理解向量检索、摘要模型和分层记忆设计模式，结合论文与开源项目（如MemGPT）实践核心流程。

#高德#Agent#Agent 记忆管理

面试题·Agent· 小红书

匹配正文：…升重要性采样：基于点击/停留时长计算行为得分，Top-K检索任务感知选择：Agent规划时，用当前query检索相关历史（类似RAG）工程实现：维护双记忆结构热记忆：最近1-2天行为，全量放入prompt 冷记忆：历史行为向量化存入HNSW索引，按需检索Top-10 三、上下文管理优化 KV Cache复用：对固定历史前缀预计算并缓存，避免重复编码稀疏注意力：Longformer/BigBird模式，降低O(n^2)复杂度分页调度：vLLM的PagedAttent…

#小红书#Agent#长序列行为数据

面试题·Agent· 字节

Agent 记忆衰退：为何与如何实现

匹配正文：答案要点明确必要性：历史信息确实会干扰决策，尤其是动态环境中列举2-3种具体实现机制（时间衰减、重要性评分、主动遗忘）说明与RAG/向量检索的结合方式提及实际落地中的权衡（衰减参数调优、计算开销）必要性判断有必要，尤其在两类场景：动态环境：工具API、业务规则频繁变更，旧记忆会误导决策长会话Agent：上下文累积后，早期无关信息稀释有效信号但注意区分：事实性知识（用RAG外挂）vs 交互记忆（会话上下文），后者才是衰减机制的主战场。三种实现方式机制核心…

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

#字节#Agent#Agent 记忆衰退

面试题·文档处理· 百度

分块策略怎么影响检索?

匹配口述回答：这道题其实问的是，在[[RAG]]系统里，怎么把文档切成合适的小块，既让检索能精准命中，又不把语义切碎。说白了，就是信息密度和语义完整性之间的取舍。先说几种常见的[[分块]]策略，以及它们各自该在什么场景用。固定长度分块，就是按token数硬切，比如512个token一段。好处是简单，向量索引对齐也方便，但问题很明显，可能一句话被拦腰切断，检索时上下文就丢了。[[滑动窗口]]分块会让相邻块保留一部分重叠，可能减少边界信息丢失，但代价是存储、计算与去重成本上升。窗口大小仍应作…

#百度#文本分块#chunking 策略

面试题·评估· 美团

LLM 幻觉治理方法对比

匹配口述回答：…多的方法，就是 [[RAG]]，检索增强生成。它的核心思路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…

#美团#幻觉治理#LLM 幻觉治理方法对比

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：…（向量+稀疏+图谱）分析大模型在搜索中的具体应用环节（改写、摘要、问答）指出落地挑战（延迟、幻觉、成本、数据更新）核心方案：RAG驱动的智能搜索大模型在搜索场景的核心落地形态是 RAG（检索增强生成），不是替代传统检索，而是分层增强。技术架构层级功能大模型作用查询理解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹果"→水果/公司）检索召回层向量检索 + 稀疏检索（BM25）+ 知识图谱生成稠密向量（bi-encoder）精排/重排层结果…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·模型微调· 美团

Reranker 训练数据怎么构造?

匹配口述回答：…不是让模型学会“相关/不相关”这么粗的二分类，而是让它在一批都看起来有点相关的候选里，把最能回答问题的文档排到最前面。因为在 [[RAG]] 里，召回器会先产生较大的候选集，而生成器受上下文预算限制只能使用其中一部分，所以 reranker 的质量会直接影响最终证据可见性。我会先定义标注标准。正样本里最好区分强相关和弱相关：强相关是单独看这个文档就能回答 query；弱相关是包含部分信息，但需要和其他文档组合；负样本则是语义相近但不能回答，或者主题相关但事实不对。这个边界必…

#美团#重排与优化#Reranker 训练数据

面试题·知识图谱· 澜舟

LLM 事实准确性怎么保证?

匹配正文：…高，需区分两类：事实性幻觉：利率、股价、法规条款等可验证事实错误推理性幻觉：逻辑推导过程中的隐含假设偏差技术方案分层 1. 检索增强层（RAG+）结构化知识优先：对接金融知识图谱（实体关系如"公司-财报-指标"），而非纯文本向量检索多源检索融合：同时查询内部数据库、权威API（Wind/ Bloomberg）、监管文件库，按可信度加权检索结果置信度：对检索空缺字段显式标注"该信息未在知识库中验证" 2. 生成约束层约束解码（Constrained Decodin…

#澜舟#LLM 事实准确性#知识图谱 LLM

面试题·知识图谱· 百度

GraphRAG 为何召回更精准?

匹配正文：…T的开发商"）在图中归一关系类型自带语义：区分"创始人"vs"投资人"vs"竞争对手"，向量相似度无法区分 2. 多跳推理召回向量检索是单点匹配，GraphRAG支持路径遍历示例：问"与某投资人相关的AI公司" → 从"投资人"节点出发，沿"投资"边扩散，召回未被直接提及的关联实体传统RAG需靠运气命中，GraphRAG通过图遍历确定性扩展上下文 3. 全局结构感知社区发现算法（如Leiden）识别密集子图，生成高层语义摘要回答"这家公司的行业地位"类问题时，社区…

#百度#知识图谱#评估与监控

面试题·知识图谱· 字节

GraphRAG 怎么提升检索效果?

匹配口述回答：…块文本，但图里它们有显式关系，支持多跳推理。另一个是全局性，社区摘要直接覆盖了文档的整体主题，不会漏掉宏观信息。还有可解释性，传统RAG是黑盒算相似度，而GraphRAG的检索路径可以追溯，比如“张三→订单123→支付失败→库存不足”，每一步都看得见。但落地时坑也不少。成本是第一个问题，索引阶段要多次调LLM抽实体和关系，如果知识库每天更新，LLM调用费会很高，所以它更适合静态知识库，比如企业的SOP文档或合规手册，改得不频繁。延迟也需要注意，图遍历比向量检索慢，特别是社区…

#字节#知识图谱#GraphRAG

面试题·Prompt· 字节

Agent系统Prompt设计：架构与机制

匹配正文：…unction格式）执行沙箱：超时控制、并发限制、结果缓存记忆层（Memory）短期：对话窗口、KV Cache复用长期：向量检索 + 结构化知识库 + 用户画像二、Prompt设计方法论：三层递进 1. 元指令层（Meta-Prompt）角色定义 + 能力边界 + 安全约束明确"能做什么、不能做什么"，设置拒绝话术模板 2. 推理范式层（Reasoning Pattern） ReAct格式：Thought → Action → Observation 循环结…

#字节#Prompt工程#Agent

面试题·RAG· 蚂蚁

增量式向量索引怎么更新?

匹配标题与标签：增量式向量索引怎么更新? 知识库频繁更新场景下实时/准实时更新机制设计,保证检索质量 RAG 蚂蚁增量式向量索引向量索引更新实时更新知识库频繁更新检索质量蚂蚁

#蚂蚁#增量式向量索引#向量索引更新

面试题·RAG· 小红书

新用户冷启动：生成式推荐与Embedding

匹配标题与标签：新用户冷启动：生成式推荐与Embedding 生成式推荐模型结合 Embedding 的冷启动策略 RAG 小红书新用户冷启动生成式推荐冷启动策略 Embedding 小红书

#小红书#新用户冷启动#生成式推荐

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配正文：…SEO作弊公平对待长短文档：技术文档vs短回答都能合理竞争参数可解释调优：k_1/b可根据领域数据优化（如新闻vs论文库）在RAG中，BM25常与向量检索混合使用（如Elasticsearch + 向量DB），利用其精确匹配优势弥补语义检索的模糊性问题。学习建议建议系统学习该知识点

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 美团

BM25 参数 k1/b 调优

匹配正文：…vs 10次，相关性差距不应是10倍消除长文档偏置：长文档天然词频高，需要长度惩罚可解释性强：每个词的贡献清晰可见，便于调试 RAG场景价值精确匹配兜底：处理专有名词、ID、代码片段等需精确匹配的场景混合检索：与向量检索互补（BM25抓关键词，向量抓语义）计算高效：倒排索引，毫秒级响应，适合大规模召回学习建议建议系统学习该知识点

#美团#BM25长度归一化#BM25 参数 k1/b 调优

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配正文：…完整数学公式及各参数含义（k1, b）能对比BM25与TF-IDF的优劣（BM25对长文档更友好、有非线性饱和）了解BM25在RAG中的典型应用场景（粗排、混合检索）知道BM25的局限性（语义理解缺失，需配合向量检索）核心思想 BM25（Best Match 25）是基于概率检索框架的改进算法，核心洞察：词频贡献存在饱和效应——一个词出现10次和100次的区分度，远不如出现1次和10次。同时引入文档长度归一化，解决长文档天然词频高的问题。数学公式单查询词得分： \…

#高德#BM25评分公式#BM25 算法原理

面试题·检索· 百度

向量召回原理与实现?

匹配正文：答案要点向量嵌入将文本/数据映射到语义空间相似度计算常用余弦相似度或内积 ANN索引（HNSW、IVF）解决高维向量检索效率问题大规模系统采用分片、量化、缓存等工程优化 RAG中需平衡召回率与延迟向量召回核心流程 1. 向量嵌入（Embedding）用预训练模型（BERT、Sentence-BERT、OpenAI Embedding等）将文本编码为稠密向量关键：语义相似的文本在向量空间中距离相近维度通常 256-1536 维，需权衡表达能力与存储成本 2. 相似…

#百度#向量召回#向量召回原理

面试题·Agent· 字节

Agent 怎么处理代码库数据?

匹配口述回答：…]]面对的不再是几段零散代码，而是一个完整的、有复杂依赖关系的代码库时，怎么让它像资深工程师一样理解、定位和修改代码。这跟通用[[RAG]]最大的区别在于，代码的结构化语义太强了，函数间的调用关系、继承关系、跨文件引用，光靠向量检索是搞不定的。我的核心思路是，先把代码库拆成多粒度的表征，再配合一套分层检索架构。具体说一下，文件级我用代码摘要做[[Embedding]]，用来粗筛相关模块；函数和类级别，我会用AST解析出签名和调用关系，配合Embedding做精确定位；行级就…

#字节#Agent#Agent 代码库处理

面试题·Agent· 百度

Agent 核心模块怎么协同?

匹配正文：…rompt工程的本质。学习建议建议从经典Agent架构（如ReAct、Reflexion）入手，理解感知-思考-行动循环，结合RAG与工具调用案例加深对模块协作的理解。

#百度#Agent#Agent 工作原理

面试题·Agent· 蚂蚁

Agent 系统哪个模块最不稳定?

匹配口述回答：…特别关注工具文档和实现的一致性，上线前加一层运行时契约校验。记忆模块的问题比较隐蔽，属于隐性污染。核心是检索噪声的复利效应，比如向量检索的相似度陷阱，[[Embedding]]可能把“退款政策”和“退货流程”混为一谈。而且早期的一个错误记忆会被反复检索强化，就像滚雪球。我的做法是[[混合检索]]，把关键词和向量两条路结合起来，再加置信度过滤，分太低的直接丢掉。说白了，向量检索的语义近似性不等于业务精确性，所以我会把记忆的有效期和置信度机制看成标配。最后，这些单模块故障会通…

#蚂蚁#Agent#Agent 稳定性

面试题·Agent· 百度

Agent 规划记忆工具分工

匹配口述回答：…]和多轮历史维护；长期记忆是跨会话的知识积累，比如用户的历史偏好或者企业政策，我一般用[[Vector Database]]加[[RAG]]来存和检索。这里有个常见的坑：很多人以为长期记忆只存事实就好，但其实要区分知识类型。比如客服场景，退款规则是静态知识，适合向量检索；但用户的历史行为是动态的，更适合用结构化数据库。所以真正落地时，我倾向于混合记忆，短期靠Prompt，长期按类型选存储，而不是一刀切用向量库。工具模块是Agent能力的放大器。大模型本身不会算数、不会查库…

#百度#Agent#Agent 规划记忆工具分工

面试题·Agent· 字节

Agent 长期记忆架构与更新策略

匹配口述回答：…，用结构化数据存，比如偏好、习惯；事件记忆，用向量存重要交互片段，比如用户投诉过某个功能；知识记忆，用户专属的知识，可以结合 [[RAG]] 来搞。具体存储上，用户画像我倾向用关系型或者文档数据库，支持原子更新。事件记忆必须用 [[Vector Database]]，同时带上元数据，比如时间戳、主题标签，不然纯向量检索容易跑偏。原始对话压缩归档，定期拿来生成摘要。检索这块，我不会只用向量相似度。因为用户话题可能漂移，时间越久越不重要。所以我会做多路召回：向量相似度、时间衰…

#字节#百度#Agent

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配正文：…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. 执行与反馈循环观察→思考→行动的闭环执行异常处…

#百度#Agent#AI Agent 核心组件

面试题·Prompt· 字节

AI Agent 核心特点与局限

匹配口述回答：…eAct]]、[[Tree-of-Thoughts]]这些模式；行动是调用工具、执行代码；记忆分短期上下文和长期知识库，长期一般用向量检索。主流架构模式有几种。ReAct是推理和行动交替，实时修正，适合大多数场景。Plan-and-Execute是先全局规划再执行，适合复杂多步骤任务，但规划错了后面全白费。[[Multi-Agent]]是多角色协作，比如规划Agent、执行Agent、验证Agent分工。实际落地时，我很少单独用一种，往往是ReAct加Plan-and-Ex…

#字节#评估与监控#Agent

Agent记忆分层：摘要与检索协同

长序列行为数据怎么处理?

Agent 记忆衰退：为何与如何实现

分块策略怎么影响检索?

LLM 幻觉治理方法对比

大模型怎么用于搜索检索?

Reranker 训练数据怎么构造?

LLM 事实准确性怎么保证?

GraphRAG 为何召回更精准?

GraphRAG 怎么提升检索效果?

Agent系统Prompt设计：架构与机制

增量式向量索引怎么更新?

新用户冷启动：生成式推荐与Embedding

BM25 公式与 TF-IDF 对比

BM25 参数 k1/b 调优

BM25原理、应用场景及与TF-IDF区别

向量召回原理与实现?

Agent 怎么处理代码库数据?

Agent 核心模块怎么协同?

Agent 系统哪个模块最不稳定?

Agent 规划记忆工具分工

Agent 长期记忆架构与更新策略

AI Agent组件如何协同工作?

AI Agent 核心特点与局限