匹配口述回答：… 另一个优化方向是查询改写。比如用户问“怎么退款”，系统可以先把它改写成“退款流程和条件”，再检索，能提升召回。这块可以结合 [[ReAct]] 模式，让模型边思考边检索。最后说一下RAG和微调的边界。微调适合让模型学习特定风格或格式，比如把回答变得幽默；但微调不能注入新知识，而且成本高、更新难。RAG适合知识频繁更新、需要溯源、或者涉及隐私数据的场景。真正落地时，我倾向于RAG为主，微调为辅：用RAG保证知识和溯源，用微调优化输出风格。所以我会把RAG看成是模型的外挂知…

#商汤科技#检索生成流程#RAG 技术流程

面试题·Agent

Function Calling 是什么?

匹配口述回答：… 约2分钟多工具协作时，Function Calling 逐次调用容易出错，需要编排机制。面试官可能追问：具体怎么编排？比如 ReAct、状态机、DAG 各自的适用场景。

#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：…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”，结构化库看成“事实表”，符号记忆看成“工作台”。没有银弹，关键是把场景分清楚，然后做好三者的同步和优先级融合。本质是记忆分层与场景匹配向量库适合语义模糊召回，结构化库适合精确事实符号记忆做任务状态管理落地常三层叠加，风险在一致性约4分钟让Agent自主决定用哪种…

← 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

#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：…ngineering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· 字节

RAG生成阶段Prompt整合策略

匹配口述回答：…，还是引入Self-RAG让模型自主判断？面试官可能会追问：Self-RAG的具体实现、矛盾检测的准确率如何保证、或者是否考虑用ReAct让模型主动查证？

#字节#Prompt工程#RAG Prompt 设计

面试题·Prompt· 百度

Prompt 工程最佳实践有哪些?

匹配口述回答：…s 结构化角色，落地常混用业务案例：客服工单分类，格式不稳与术语偏差设计原则：指令分层、动态示例、A/B测试收尾+可延伸点：ReAct模式下的工具描述粒度约90秒 ReAct模式下工具描述粒度要分层，关键指令前置避免长上下文失效追问会涉及如何设计工具描述、如何处理长上下文、ReAct与Function Calling的区别

#百度#Prompt工程#Prompt 工程实践

面试题·Prompt· 蚂蚁

AI Agent 项目实战经验

匹配口述回答：…及失败后能否安全收口。一句话定位：Agent落地的核心是边界和风险项目背景：智能客服工单处理，解决效率低、标准不一技术实现：ReAct + 多工具编排，状态机管理，人工兜底个人贡献：方案设计、Prompt优化、效果量化踩坑与风险：幻觉校验、长链路超时、前提条件可延伸点：Multi-Agent vs 单Agent的适用场景约90秒 Multi-Agent的通信开销是规模化落地的关键瓶颈面试官可能会追问Multi-Agent的通信协议设计、消息丢失处理、Agent…

#蚂蚁#Agent#AI Agent 项目

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配口述回答：… Agentic RAG让模型自主决定检索策略，能处理多跳推理但复杂度高面试官可能会追问Agentic RAG的具体实现方式、与ReAct的关系、或者如何评估其可靠性。

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：… RAG的边界和落地方式不同。面试官可能会追问Agentic RAG的具体实现，比如Self-RAG如何判断是否需要检索，或者与ReAct模式的区别。

#淘天#重排与优化#Naive RAG

面试题·检索· 快手

RAG 延迟与准确率优化

匹配口述回答：…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“资金返回周期”，向量相似度高但语义不直接匹…

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配口述回答：…化约4分钟检索失败时的自检与回退策略，模型主动决策而非被动拼接面试官可能会追问：这种自检机制具体怎么实现？会不会增加延迟？和ReAct模式有什么区别？

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配口述回答：…场景下，单次RAG不够，需要用Agentic RAG让模型自主决定多次检索。面试官可能会追问Agentic RAG的实现方式、与ReAct或Function Calling的关系，以及如何控制成本和避免检索爆炸。

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配口述回答：…案有明确来源的场景，比如客服、合规、产品文档。如果知识库频繁变动，或者问题需要多步推理，那可能要上 [[Agent]] 或者 [[ReAct]] 方案。我更倾向把RAG当成一个基础模块，和微调、Agent组合使用，而不是孤立地看。一句话定位RAG本质索引阶段：切分与向量化查询阶段：检索与生成优化手段与边界落地风险与取舍约4分钟 RAG的召回质量高度依赖Embedding模型和切分策略的配合，需要领域适配或引入GraphRAG补足语义。面试官可能会追问：领域适配具…

#字节#RAG系统实现#RAG 实现

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配口述回答：…弹，它更适合知识密集型、答案可溯源的场景，而对需要强推理或者多步交互的场景，我更倾向用 [[Agentic RAG]] 或者 [[ReAct]] 模式。一句话点题：RAG本质上在解决模型的时效性和幻觉问题输入输出与两种检索范式：稀疏和稠密各适合什么场景，落地常混用关键技术组件：向量数据库与索引结构，以及工程上的取舍与生成器的协同：上下文融合、置信度过滤、重排，以及背后的原理落地风险与收尾：常见失败场景和我的工程师判断约4分钟检索结果冲突时，生成器会更困惑，需要额…

#字节#Retriever#RAG Retriever