匹配正文：…项和场景，知识库很难找到正确原文。把整段聊天历史原样塞给检索器也不稳。历史越长，无关主题越多，当前问题反而越容易被稀释。这就是多轮 RAG 的一道高频面试题：当前问题依赖历史时，怎样把它恢复成可以独立检索的问题？对话历史太长以后，窗口、摘要和长期记忆又该怎样分工？只回答“把历史放进 Prompt”远远不够。面试官还会继续问：怎么判断当前是追问，还是已经换了话题？ Query 改写错了，系统怎样回退？历史窗口放多少轮，为什么不是越多越好？用户记忆和知识库事实冲突时…

#RAG#生成与对话#多轮 RAG

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

匹配正文：…与上下文漂移（主题偏离）的本质差异提出显式对话状态管理机制设计动态检索策略而非单次检索说明查询重写/扩展的具体方法给出评估多轮RAG效果的指标问题本质多轮RAG的两个核心挑战：知识遗忘：早期轮次的关键信息未被当前检索利用上下文漂移：用户意图变化导致检索偏离当前需求技术方案 1. 显式对话状态管理对话状态 = {主题实体集合, 用户意图, 未解决问题, 已确认事实} 每轮用轻量模型抽取状态更新状态向量化后参与检索相似度计算 2. 分层检索策略层级内容 …

#蚂蚁#RAG 多轮对话#知识遗忘

求职指南·RAG

多轮对话、引用与权限隔离项目模拟面试

匹配正文：…对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：多轮对话上下文状态管理机制、RAG多轮对话怎么防知识遗忘?。 5. metrics · metrics 多轮一致性、引用正确率、权限泄漏率和延迟如何定义？基线与对抗集是什么？考察重点：核验效果数字是否有定义、基线、样本和可归因证据。多轮一致性、引用正确率和权限泄漏率的判定规则同一会话与权限对抗集上的旧方案结果多轮、错引、越权和权限变更样本的…

第 1 / 6 页下一页 →

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

#模拟面试#简历项目#连续追问

项目实战·RAG

第 8 章:多轮对话与记忆管理

匹配正文：…它"补全) = 指代消解,本质是第 7 章 Query 重写的一种,只是信息来源是对话历史; 你这个"先补全、再检索"的流程 = 多轮 RAG 在线链路里,记忆模块坐在检索之前的位置。你手搓的是它最朴素的样子;Part 2 讲工程系统可以怎样选历史、控制上下文、管理长期记忆和用户画像。这一节你掌握了什么? ✅ 记忆模块是什么、为什么多轮对话离不开它 ✅ 短期 / 长期记忆的区别 ✅ 亲手实现了"带记忆 + 指代消解",看清了"没记忆就断片" 🎯 Part 2 · 面试深…

#RAG#检索#项目实战

面试题·RAG· 字节

豆包等产品多轮一致性挑战与方案?

匹配正文：…题需要区分临时插话 vs 真正的话题转移 3. 长程依赖与状态遗忘早期设定的约束（如"用简洁风格"）被模型遗忘关键实体属性在多轮后丢失 4. 一致性冲突模型前后回答矛盾（先否定后肯定）人设/风格不一致关键技术手段层级技术方案作用上下文管理滑动窗口 + 摘要压缩解决超长对话，保留关键信息记忆机制分层记忆（工作记忆/长期记忆）显式存储用户画像、对话摘要状态跟踪对话状态表（DST）结构化跟踪实体、意图、约束条件检索增强 RAG检索历史相关片段 …

#字节#多轮对话一致性#大模型多轮对话

项目实战·RAG

RAG 智能问答系统

匹配正文：…项目涉及的解析、切分、检索、重排、引用和评测问题，可以继续到题库按模块练习。题目用于检验理解，不能替代自己的项目证据。去题库刷 RAG 真题 → 按顺序学习第 1 章:为什么做 RAG? 第 2 章:RAG 整体架构第 3 章:文档预处理与切分第 4 章:Embedding 选型与向量化第 5 章:检索召回,混合检索(BM25 + 向量) 第 6 章:重排(Rerank)与检索优化第 7 章:Query 理解与改写第 8 章:多轮对话与记忆管理第 9 章:上下…

#项目实战#RAG 智能问答系统

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…用自己能够说明测法与证据的事实。学习背景经验：适合有后端基础、正在准备大模型应用开发岗位的读者项目背景：练习场景：企业文档 RAG；项目规模、指标与个人职责由读者按真实经历填写目标岗位：大模型应用工程师准备时间：按自己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉…

#RAG#项目深挖#教学复原

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：适合简历中写过企业知识库或 RAG 项目的人，重点练自己负责的部分、项目架构、检索效果和上线问题。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实业务场景】企业知识库 RAG，承担【真实职责】，交付【真实工件】。需要准备：真实业务目标；个人职责边界；可核验工件。在【固定评测集】上将【真实指标】从【真实基线】改善到【真实结果】，同时满足【时延或成本约束】。需要准备：指标定义；评测集来源；基线与结果；工程…

#模拟面试#简历项目#连续追问

求职指南·RAG

RAG 评测集与 bad case项目模拟面试

匹配正文：适合做过 RAG 评测的人，重点练评测数据怎么来、指标怎么算、错误怎么定位，以及怎样持续改进。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实 RAG 场景】评测体系，承担【样本、标注、指标或平台模块】。需要准备：个人职责；样本来源；评测工件。建立【真实评测集与指标】，定位【真实失败类型】并验证【真实改动】。需要准备：指标与基线；样本切片；失败分类；验证结果。逐层练习 1. ownership · …

#模拟面试#简历项目#连续追问

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：很多团队第一次做 Deep Research，会把它理解成“检索次数更多的 RAG”。于是系统不管收到什么问题，都先拆计划、反复搜索、打开网页、整理报告。用户只是问一句“这个产品支持哪些文件格式”，也要等 Agent 跑完一整轮研究。流程看起来很智能，实际却把一个本来一次检索就能回答的问题，做得更慢、更贵、更不稳定。反过来，如果用户问的是“请比较三种技术方案在小团队、低运维和数据合规约束下的适用性，并给出能够核查的依据”，只查一次再生成也不够。一次检索可能只拿到某个厂商…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：📊 学习时长:60-75 分钟 🎯 完成后能力:能用一段端到端代码跑通 RAG 的完整骨架,并讲清四大模块各管什么、怎么联动 🔗 关联面试题:5 道(覆盖 5 个不同角度,见 Part 3) 这一章你会学到什么 ✓ 把第 1 章的"迷你流水线"展开成端到端骨架,亲手跑通"建库 → 提问 → 召回 → 拼上下文 → 回答" ✓ 看懂 RAG 的四大模块(解析切分入库 / Query 理解 / 检索召回重排 / 上下文生成)各管什么 ✓ 理解在线检索为什么是"双路召回 + …

#RAG#检索#项目实战

项目实战·Agent

第 4 章:多轮对话与长程记忆管理

匹配正文：📊 学习时长:55-70 分钟 🎯 完成后能力:讲清多轮对话 / 长程任务里记忆怎么管(短期 vs 长期、历史选择、裁剪 vs 摘要、外部记忆与遗忘、指代消解),并能跑通一个带记忆 + 指代消解的多轮对话 demo 🔗 关联面试题:5 道(覆盖 5 个角度,见 Part 3) 这一章你会学到什么 ✓ 跟着做:用零依赖代码跑通一个「带滑动窗口记忆 + 指代消解」的多轮对话,亲眼看「它」怎么被补全 ✓ 看懂短期记忆 vs 长期记忆的分工,以及为什么「把全部历史塞给模型」是错…

#Agent#Deep Research#项目实战

求职指南·求职

手把手把 RAG 教程做成"你自己的"项目

匹配正文：照教程跑通一个 RAG demo,不等于你有了一个能写进简历的项目。真正能写的 RAG 项目,是你围绕一个具体真实场景,产出一条完整的"证据链":需求、架构、可运行代码、评估集、badcase 复盘、方案对比、简历描述、面试追问稿,每一环都能讲清"为什么这么做"。面试官不看你会不会调 API,而看这条链断在哪。这一篇教你把站内 RAG 教程的 10 章,变成一个证据齐全、追问打不穿的个人项目。作者:吴师兄 | 适合:跑过 RAG demo 但简历写不出深度、面试被追问就卡住…

#求职#职业转型

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：RAG 回答错了，最常见的第一反应是什么？改 Prompt，换大模型，或者把 Top-K 调大。这三个动作都可能有用，但它们不应该成为排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系…

#RAG#生成与对话#RAG 检索优化

面试题·RAG

RAG 首字响应为什么慢？Embedding、检索和生成怎么逐段优化？

匹配正文：用户点下发送以后，页面空了很久，随后答案一口气开始出现。遇到这种现象，一种常见判断是大模型太慢，需要换一个更快的模型。但一条 RAG 请求在模型生成第一个字之前，已经经过 Query 处理、Query Embedding、关键词与向量检索、候选融合、Rerank 和上下文构建。真正的等待可能发生在其中任何一段。从调用依赖关系看，模型要等检索证据准备好，才能开始基于证据生成。因此，如果向量检索阶段很慢，流式输出只能改变第一个 Token 之后的展示，不能缩短前面的检索等待…

#RAG#评测与上线#RAG 首字响应

面试题·RAG

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

匹配正文：…果正确证据根本没找到，bad case 进入解析或检索回归集。如果证据已经在前面，模型仍然错答，则进入生成和引用回归集。可上线 RAG 的监控与反馈闭环线上 Trace 负责定位，bad case 回归负责防止复发，评测集再验证下一次改动是否真的有效。这才叫闭环。监控不是只画一张资源仪表盘，而是让线上错误能够回到可执行测试。怎么验收一个“可上线”版本？功能验收覆盖文档上传、解析、版本发布、检索、拒答、引用和多轮问答。故障验收主动注入解析失败、部分写入、检索超时、R…

#RAG#评测与上线#RAG 系统设计

项目实战·RAG

附录:把这个 RAG 项目写进简历 & 面试应答

匹配正文：📊 学习时长:45-60 分钟 🎯 完成后能力:能把本书学的 RAG 项目,写成一段经得起追问的简历经历,并答得上每个模块的高频面试追问 🔗 关联面试题:5 道(覆盖 5 个不同角度,见 Part 3) 这一章你会学到什么 ✓ 跟着做:把一句空泛的"做过 RAG"改写成有深度、能打的简历 bullet ✓ 看懂项目经历的四要素(背景 / 架构 / 个人贡献 / 方法论) ✓ 掌握写简历的万能公式:动词 + 技术方案 + 量化指标 ✓ 学会五条事实核验原则,只写自己真正做…

#RAG#检索#项目实战

面试题·Agent· 字节

Attention 在 Agent 多轮对话有哪些局限?

匹配正文：…lf-Attention的O(n²)计算/内存复杂度，导致实际部署中上下文窗口受限（通常4K-128K tokens） Agent多轮对话中，工具调用记录、观察结果、用户偏好等快速填满窗口，触发截断或滑动窗口遗忘 2. 历史信息稀释效应 Softmax归一化使Attention权重随序列长度增加而趋于平均化，早期关键信息（如任务目标、已确认的用户约束）被"淹没" 实验观察：超过20轮后，首轮系统指令的Attention权重常降至1%以下 3. 关键记忆选择性遗忘缺乏显式的"…

#字节#淘天#Agent

面试题·Agent· 蚂蚁

多轮对话上下文状态管理机制

匹配题目：在构建多轮对话系统（如聊天机器人、Agent或RAG系统）时，请详细说明你如何设计和实现对话上下文的状态管理机制，包括上下文的存储策略、动态更新机制、长度截断与信息保留方法、会话生命周期管理，以及在分布式或高并发场景下如何保障上下文的一致性与系统性能。

#蚂蚁#Agent#多轮对话上下文管理

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配正文：…ding语义漂移、稀疏检索（BM25）与稠密检索融合权重难调 2. 上下文层瓶颈长度限制：长文档截断导致关键信息丢失，Agent多轮后历史膨胀噪声引入：检索top-k中的低相关文档污染生成，"中间丢失"现象 3. Agent特有瓶颈决策链累积错误：ReAct循环中检索→推理→工具调用，任一环节出错级联放大状态管理复杂：多Agent协作时知识同步延迟，工具返回结果格式不统一二、典型场景的矛盾权衡场景核心矛盾表现智能客服响应速度 vs 答案准确性用户容忍<2…

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配正文：核心问题分析 RAG与Agent结合时，延迟和正确率问题呈乘法放大效应——Agent的多步决策特性使RAG缺陷被反复累积。一、响应延迟的成因与优化延迟来源具体成因优化方案检索层向量库冷启动、跨地域查询、Embedding计算预加载热数据到内存；本地缓存高频Query的Embedding；采用HNSW+量化索引 Agent决策层 ReAct多轮迭代、工具调用链过长、LLM推理本身设置最大迭代阈值；并行化独立工具调用；用小模型做意图路由，大模型仅做最终生成编排开…

#阿里云#Agent#RAG Agent 延迟优化

面试题·Agent· 字节

多轮对话上下文遗忘怎么解?

匹配正文：… 指代不清模型缺乏显式共指链接，依赖隐式注意力学习指代关系，对复杂跨句指代（如"这个方案"指代前文多个提议中的某一个）容易混淆多轮中实体状态变化未被显式追踪一致性缺失无持久化角色/风格表示，每轮独立生成导致语气、立场漂移缺乏对话状态显式建模，无法保证承诺、约束的跨轮一致性架构改进方案方案核心思想实现要点显式记忆模块分离短期上下文与长期记忆用摘要模型压缩历史为记忆向量，每轮显式查询；或引入外部记忆网络（如Memory Transformer）对话状态编…

#字节#Agent#多轮对话上下文遗忘

面试题·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配正文：… 函数、类或接口级别定义与用法是否仍在同一语义单元论文/报告标题与段落级别论点、证据与结论是否被拆散对话记录单轮或相关多轮合并指代与话题是否连贯关键判断：同一个chunk能否独立解释被命中的事实，以及加入上下文后是否真的改善最终答案。不能只看块长，还要看Recall@K、证据完整率、答案正确性、延迟和索引膨胀。重叠处理不要预设固定比例：把零重叠、短窗口和较长窗口作为候选方案，在同一评测集上回放作用：缓解答案跨越切分边界时的信息丢失代价：重复索引会放大存…

#蔚来#文档处理#RAG文本分块

面试题·评估· 美团

Agent 训练 vs RAG 怎么选?

匹配正文：…能客服），定义清晰的输入输出边界明确成功指标：任务完成率、用户满意度、平均交互轮数划分任务类型：信息查询、订单操作、异常处理、多轮协商二、环境构建：三层仿真体系层级功能实现方式工具层 API模拟沙箱环境+Mock数据，覆盖正常/异常/边界case 用户层对话模拟基于真实日志构建用户画像，支持多轮意图漂移评估层实时反馈自动标注+人工抽检，形成数据闭环三、动作空间设计（精简版ReAct）动作类型： ├── thought: 推理过程（可输出用于监督）…

#美团#Agent#Agent 训练流程