匹配正文：…（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 Agent 更易按模块迭代，但检索、工具调用和多轮生成会增加延迟。应固定任务、评测集和预算，再比较事实正确率、引用支持率、延迟与成本。延伸阅读 DPO 原论文 DeepSeekMath：GRPO 的 critic 与奖励定义 Self-RAG 原论文

#百度#对话模型准确性#模型架构优化

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配正文：…滤条件（时间窗口、地域）动态权重：根据漂移强度调节外接知识vs模型参数的权重（门控网络或规则）更新机制的三种模式场景机制延迟一致性高频低危（推荐文案）准实时增量索引 <5min 最终一致中频中危（商品属性）小时级批量重建+热切换 ~1h 强一致（版本控制）低频高危（定价策略）人工审核+灰度发布天级强一致落地挑战与应对延迟与效果权衡问题：向量检索+LLM生成链路过长（>500ms）解法：检索结果缓存（LRU+语义去重）；预计算热门查询的RAG…

#美团#分布漂移#外接数据库增强

面试题·RAG· vivo

地图避障方法有哪些局限?

匹配正文：…）耗时10-100ms 动态障碍物预测+轨迹优化（MPC）需50Hz以上，CPU负载高权衡：降低规划频率导致碰撞风险，提高频率则延迟累积 4. 计算与存储开销地图类型内存占用更新成本稠密栅格(0.05m) ~MB级/100㎡全量更新点云地图 GB级增量困难拓扑地图 KB级抽象损失细节工程实践中的应对思路分层架构：全局拓扑+局部栅格，平衡精度与效率动态物体过滤：Ray-casting一致性检测，避免地图污染边缘轻量化：NanoMap、Ego-cent…

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

#vivo#机器人导航避障#地图避障局限

面试题·RAG· OPPO

搜索排序权重怎么动态调?

匹配正文：…l Bandit (LinUCB/Thompson) 显式处理探索-利用权衡复杂序列决策 RL + 用户模拟器长期收益优化，但延迟大深度模型在线梯度更新 / 蒸馏学习轻量模型实时更新，大模型定期同步关键实现路径 1. 反馈信号构建短期：点击、CTR、停留时长长期：转化率、GMV、用户留存设计延迟奖励归因（如7天转化归因到点击query） 2. 实时特征更新用户行为 → Flink实时流 → 特征拼接 → 增量更新权重 → 推送到排序服务 3. 稳定性保障 …

#OPPO#用户反馈排序#搜索排序权重动态调整

面试题·RAG· OPPO

查询文档相关性怎么算?

匹配正文：…BERT 取 [CLS] 输出过 MLP 得相关性分数效果最优但计算昂贵，仅用于 Top-K 重排优化方向： ColBERT：延迟交互，token 级相似度，平衡效率与效果 Poly-encoder：多向量表示查询，兼顾速度与精度四、RAG 场景的特殊考量阶段方法职责召回向量检索（双塔）+ BM25 混合高召回、低延迟精排 Cross-Encoder / LLM 重排高精确、可接受延迟关键权衡：RAG 的检索延迟直接影响用户体验，通常用向量召回 + …

#OPPO#查询文档相关性#语义匹配

面试题·RAG· OPPO

多信号评分函数原理与陷阱

匹配正文：…，应处理位置和选择偏差，避免把曝光机会误当相关性。离线使用 NDCG、MRR、Recall、校准误差和分桶指标，同时测 P95 延迟与稳定性；线上用受控实验观察业务指标、长尾和护栏。评分函数要支持版本化、特征监控和回滚。最有效的函数不是最复杂的，而是在目标、偏差、约束和服务成本之间可验证地取得更好结果。图解多信号评分函数原理与陷阱图解

#OPPO#多信号排序#评分函数设计

面试题·RAG· 小红书

生成式推荐的序列原理

匹配正文：… 天然融合内容信息（标题、图文），缓解ID冷启动统一框架支持多任务（推荐+解释+对话）利用预训练LLM的泛化能力挑战：推理延迟：自回归生成 vs 向量内积检索 ID词汇表爆炸：百万级物品需高效Token化（如Semantic ID、分层编码）位置偏差：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…

#小红书#Item Tokenization#生成式推荐的序列原理

面试题·RAG· 小红书

生成式推荐系统未来怎么发展？

匹配正文：…场景：笔记生成需对齐"收藏率"而非单纯点击率 3. 推理效率：动态解码策略核心矛盾：生成式逐token解码 vs 推荐系统毫秒级延迟要求优化方向：投机采样（Speculative Decoding）：小模型草稿+大模型验证提前退出：置信度达标时终止生成缓存复用：用户长期兴趣KV Cache持久化 4. 应用场景：多模态生成推荐小红书特有优势：图文/视频内容可直接作为生成目标演进方向：从"推荐现有笔记"到生成个性化内容摘要、组合生成穿搭方案等关键挑战挑战应对…

#小红书#生成式推荐趋势#生成式推荐系统

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配口述回答：…写，变成「红色连衣裙」，或者「苹果」这个词，根据上下文判定是手机还是水果。这个方法的优势是能处理口语化和不完整的Query，劣势是延迟高、成本高。所以我不会所有流量都走语义重写，而是只对长尾Query或者对话场景做重写，或者用个小模型先过滤一遍。再一个就是对话历史融合，这个在[[RAG]]系统里特别重要。用户多轮对话里经常有指代，比如「它多少钱」，得结合前面的「iPhone 15」才能理解。还有意图漂移，用户先问手机，又问充电器，系统得知道话题变了。做法分两种，一种是显式改…

#京东#Query改写#Query 改写

面试题·RAG· OPPO

推荐不精准怎么诊断?

匹配正文：…模型流量作对照，排除外部因素（大促、季节）三、快速定位决策树在线指标异常？ ├── 是 → 检查特征实时性、模型Serving延迟 └── 否 → 离线指标异常？ ├── 是 → 样本偏差、目标函数设计问题 └── 否 → 体验指标异常？→ 多样性/新颖性不足学习建议建议系统学习该知识点

#OPPO#推荐精度诊断#推荐不精准诊断

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：…y识别：基于规则+小模型做意图分类，拦截违规请求 Prompt改写：自动注入安全约束（如"请确保回答符合法律法规"）上下文注入：RAG场景下动态插入合规知识片段 2. 生成层：过程控制解码策略干预：调整temperature、top-p，或对特定token降权动态停止条件：检测到风险模式时触发early stopping 工具调用约束：Agent场景下限制可调用的工具白名单 3. 输出层：审核与修正规则拦截：正则/关键词匹配高风险内容模型审核：用独立的安全模型做二分…

#快手#人工反馈控制#人工干预 LLM 生成

面试题·RAG· 字节

上下文错误时怎么保证输出准确?

匹配口述回答：…，同一个问题多次采样，取高频答案；如果结果很离散，就标记不确定。这有点像 [[Self-Consistency]] 的思路，但用在RAG里要控制采样次数，不然延迟太高。最后是系统层的持续迭代。用户反馈闭环肯定要做，点赞点踩数据回流到知识库修正队列。另外我会用 A/B 测试监控事实性错误率，对比不同检索策略的效果。但说句实话，这些策略都有代价，严格校验会增加延迟和成本，所以一定要按场景分级。比如客服闲聊可以宽松点，但医疗诊断、法律文书就必须多重校验。这里有个我特别想展开的点…

#字节#错误上下文处理#RAG 上下文错误

面试题·RAG

LLM 封闭标签方法对比

匹配口述回答：…方案是分类头微调。把LLM的最后一层换成线性层，直接映射到标签空间，本质上变成了传统分类模型。类别索引天然在有限集合内，但准确率和延迟仍要测。分类接口不负责通用生成，是否保留基座生成能力取决于冻结与微调方案，并非加头就必然失去通用性；它仍需要标注数据。所以它适合那种标签固定、数据量够、对延迟要求极高的场景，比如电商客服的退款原因分类；响应目标与可达延迟要在实际模型、硬件和负载下验证。实际落地我很少只用一种方案，往往是组合使用。比如主链路用Function Calling，因…

#封闭集合分类#约束解码#LLM 封闭标签方法对比

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配追问：场景切入假设你在做一个电商客服的RAG系统，用户问“这个手机多少钱”，你从商品库检索后回答。现在用户又追问“那拍照怎么样”，你肯定要结合前文。但问题是，你的检索库可能有上百万个商品，如果每个都拿去做深度匹配，延迟根本扛不住。你怎么设计这个检索流程？层层追问 RAG系统里，query来了之后，你怎么从海量文档里找到相关的？……直接用最精准的模型去全文搜一遍行不行？……为什么实际工业界都分成召回和重排两步？这样设计有什么好处和坏处？直球架构 RAG里为什么通常采用召回+重排…

#字节#两阶段检索#RAG 重排序

面试题·检索· 京东

向量数据库选型关键因素有哪些？

匹配追问：…一个知识库问答，用户问“我的订单什么时候到”，需要从几百万条商品和物流数据里找答案。你选向量数据库时会考虑哪些因素？层层追问做RAG的时候向量数据库怎么选？……如果数据量从百万涨到十亿，你的选型会变吗？……那实时性要求高，比如用户对话延迟要控制在200毫秒内，你优先看哪些指标？直球架构给一个RAG应用选向量数据库，从性能、扩展性、索引类型、集成难度这几个维度，说说你的评估要点和取舍逻辑。

#京东#向量检索#向量数据库选型

面试题·检索· 小红书

中文知识库检索选型

匹配正文：RAG检索方法主要分为稀疏检索和稠密检索两类，实际生产环境常采用混合方案。一、稀疏检索：BM25 / TF-IDF 原理：基于词项精确匹配，计算query与文档的词频、逆文档频率相关性。优点：零训练成本，即插即用对关键词匹配精准（如商品ID、专业术语）索引轻量，CPU即可 serving 缺点：无法捕捉语义相似（"苹果手机"≠"iPhone"）对长尾query、口语化表达效果差二、稠密检索：DPR / ColBERT DPR（Dense Passage Ret…

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配正文：…00） IVF：nlist（聚类中心数）与nprobe（查询桶数）联合扫描；4×√N只是某些配置的起点，还要检查训练样本、簇分布与延迟/质量曲线。量化：PQ按子向量编码，SQ按坐标量化；码长、校准/训练和具体数据共同决定存储与误差，不能预设SQ一定更准。 4. 构建与部署下面是省略import与数据准备的Faiss流程示意。dim需与向量匹配并能被PQ的子向量数32整除，训练样本要覆盖分布且足以训练4096粗簇和PQ码本。这里HNSW用于搜索IVF粗聚类中心，不是对召回候…

#拼多多#ANN索引构建#ANN 索引构建

面经·项目面试

Reranker 的上限，藏在候选集里

匹配正文：…处理可能改善设备利用和吞吐，但单请求是否更快，要看模型、硬件、长度分布以及是否等待凑批。不能把“支持batch”直接换算为单次请求延迟下降。候选更长，也会改变同样条目数的实际成本。十对很短的文本和十对接近长度上限的文本，输入规模并不一样。成对条目数适合在这个离线检查中先记清楚，进入模型服务后，还要连同真实长度分布和批次处理条件一起解释，不能只用一个N估算所有请求。如果为了降低成本减少N，应同时回放哪些问题丢了目标；如果扩大N，也要检查新增候选是否只是重复或无关内容。参数选…

#RAG#Rerank#候选召回

系统教程·检索

重排与检索优化面试题大全

匹配正文：RAG 做不好，大多数问题出在召回和排序。面试官会追问为什么加重排、怎么权衡延迟、怎么构造训练数据、怎么评估召回和排序质量。这一页集中整理检索优化链路。配套教程 RAG 教程第 6 章：Rerank 重排怎么选型和提速 RAG 教程第 5 章：混合检索与召回策略知识模块重排模型、排序指标与召回优化重排模型、排序指标与召回优化常见问题 Rerank 为什么是 RAG 面试高频题？因为它直接影响最终上下文质量。面试官会看你能否解释粗召回和精排的分工、Cross-Enc…

#专题学习#重排与检索优化面试题大全

系统教程·检索

向量检索面试题大全

匹配正文：…量检索面试怎么准备最高效？先把 Embedding、相似度、ANN 索引、Chunking 和召回评估这五件事串起来，再用一个 RAG 项目讲出调参和 badcase 过程。 Chunk 大小有没有标准答案？没有。要按文档结构、问题粒度和评估集试出来。面试里能讲出实验方法，比报一个固定数字更靠谱。向量数据库选型要讲哪些维度？常见维度是索引类型、过滤能力、更新频率、吞吐延迟、运维成本、权限隔离和生态集成。不要只比较名字。继续学习用 30 行代码跑通你的第一个最小 R…

#专题学习#向量检索面试题大全

系统教程·AI 编程

面试高频:LLM、Token、上下文、Agent 到底是什么

匹配正文：…nt 比直接调 LLM 多了什么」,答的就是这后三样。配套站内概念图:题库里 Transformer、注意力、KV Cache、RAG、Agent 等都配了示意图,看图理解更快。面试常踩的点「大模型为什么会幻觉?」→ 它是概率预测,不是知识库;不知道也会"流畅地编"。「上下文越长越好吗?」→ 不是,注意力稀释 + 成本 + 延迟,够用就好。「Token 和字符是一回事吗?」→ 不是,token 是子词,中英文切分粒度不同。关联面试题(去站内练手) 「请解释一下大语…

#Agent#AI 编程

求职指南·求职

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选

匹配正文：…都重要,但日常问题完全不同。维度大模型算法岗大模型应用开发岗核心产出更好的模型、训练策略、评估方法可上线的大模型应用、RAG/Agent 系统、业务流程自动化日常关键词 SFT、DPO、RLHF/GRPO、数据配比、loss、benchmark API、RAG、Agent、工具调用、检索、评估、延迟、成本面试重点数学基础、论文理解、训练细节、实验设计项目深挖、系统设计、工程取舍、真题口述简历筛选硕博、论文、竞赛、模型训练经历加分明显工程经验、项目深度…

#求职#职业转型

求职指南·求职

大模型应用开发岗一天在做什么?细分岗位画像

匹配正文：…he、batching、并发、上下文长度对成本的影响。做灰度、监控、日志、告警、限流、熔断。对不同业务设置模型路由,平衡质量、延迟和成本。和 RAG/Agent 团队一起定位线上质量问题。后端和 SRE 背景在这个方向很有优势,但也要补模型推理直觉。比如 P99 延迟升高时,你不能只看服务 CPU,还要知道输入长度、输出长度、并发和 KV Cache 都会影响显存压力。应用算法/微调一天在做什么应用算法/微调介于纯算法和应用开发之间。它不是从零训基座模型,更常见的…

#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