匹配正文：…性差，易出错自动化决策 ⭐⭐☆☆☆ 责任边界模糊，容错成本极高代码生成的输出有客观验证机制（语法检查、单元测试、CI/CD），幻觉问题相对可控；而自动化决策一旦出错，商业损失难以估量。二、工程成本：边际成本递减代码生成：一次模型训练，无限复用；企业已有Git/DevOps基础设施，接入成本低网页交互：需要维护大量浏览器环境、处理反爬、适配页面变化，运维成本极高自动化决策：需要深度业务系统集成，定制化成本重美团这类公司的工程师密度高，代码生成工具的内部推广摩擦最小…

#Agent#代码生成#商业落地

面试题·Agent· 百度

Agent 工具类型怎么选?

匹配正文：…册与管理机制 Agent工具主要分为以下几类，每类解决不同能力边界问题： 1. 信息检索类搜索引擎/知识库：弥补模型知识时效性和幻觉问题，如实时新闻查询、企业内部文档检索数据库查询：SQL执行、向量检索，用于结构化数据获取 2. 计算与推理类代码执行器：Python/Shell执行复杂计算、数据分析，解决数学推理短板专用计算API：金融定价、科学计算等，避免模型自行计算出错 3. 外部服务类业务API：订单查询、天气、地图、支付等，打通真实业务系统第三方SaaS：…

#百度#Agent#AI Agent 工具

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配题目：请详细解释检索增强生成（RAG）架构如何通过引入外部知识源来缓解大语言模型的幻觉问题，阐述其在实际系统中的实现机制、核心优势、典型局限性，并结合应用场景说明其设计考量与优化方向。

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 美团

RAG 仍会幻觉的原因

匹配题目：检索增强生成（RAG）是如何通过引入外部知识源来缓解大语言模型生成内容中的幻觉问题的？请结合其工作流程说明关键技术机制及其有效性边界。

#美团#检索证据质量#RAG 仍会幻觉的原因

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配正文：…M生成最终回答解决的LLM核心局限局限具体表现 RAG解法知识静态模型参数固化，无法感知训练后事件动态检索最新知识库幻觉问题编造不存在的事实基于检索到的真实文档生成更新困难全量重训成本极高只需更新知识库，零模型改动可解释性差黑盒输出，难以溯源引用来源透明，可追溯验证为什么知识密集型任务需要RAG 准确性要求高：法律、医疗、金融等领域容错极低，必须基于权威文档知识时效性强：政策、产品信息频繁变动，静态模型无法跟上合规与审计：需要明确回答依据，…

#科大讯飞#阿里#RAG 架构

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配题目：RAG（检索增强生成）和强化学习（如RLHF）在缓解大语言模型幻觉问题方面分别起到什么作用？它们的技术路径和优劣有何本质区别？

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配题目：检索增强生成（RAG）方法适用于缓解哪一类幻觉问题？其有效性依赖于哪些前提条件？

#京东#知识型幻觉#RAG 幻觉

面试题·评估· 淘天

RAG 核心指标优先级

匹配正文：…声文档干扰生成二、生成质量指标（决定体验）事实一致性（Faithfulness）：答案是否忠实于检索到的文档，最关键，直接对应幻觉问题答案相关性（Answer Relevance）：是否回答了用户问题，而非泛泛而谈上下文利用率：模型有没有有效利用检索内容，而非依赖参数记忆三、端到端自动化指标 RAGAS：无需人工标注，用LLM打分评估忠实度和相关性 ARES：基于合成数据训练评判模型人工评估：最终仲裁，特别是边界案例四、业务实用指标延迟：检索+生成的总耗时，影…

#淘天#评估与监控#RAG 核心指标优先级

面试题·评估· 阿里

训练/推理/知识增强怎么选?

匹配题目：…模型在生成过程中容易产生事实性错误或虚构内容（即‘幻觉’）。请从模型训练、推理控制、知识增强（如RAG）和后处理等多个层面分析缓解幻觉问题的有效方法及其局限性。

#阿里#幻觉治理#大模型幻觉缓解

面试题·评估· 美团

Agent 功能模块怎么分工?

匹配正文：…LLM纯文本推理的局限，实现与外部计算环境的交互 2. Search 模块 —— 信息检索与知识补充功能定位：弥补模型知识截止和幻觉问题，获取实时/外部信息输入：查询query、检索策略参数（top-k、时间范围等）输出：检索到的文档片段、来源链接、相关性分数架构作用：典型的RAG增强路径，为推理提供事实依据，支撑决策的准确性 3. GUI 模块 —— 图形界面交互功能定位：实现与操作系统、网页、APP的视觉化交互输入：屏幕截图/界面元素描述、操作指令（点击/输入…

#美团#评估与监控#Agent

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配正文：幻觉问题的分类先区分两类幻觉：事实性幻觉：模型编造不存在的事实（如错误的人物关系）忠实性幻觉：输出与输入/上下文不一致（如摘要偏离原文）缓解方法需针对性选择。主流技术方法 1. 检索增强（RAG）核心思路：外接知识库，将生成约束在检索到的证据上标准流程：查询改写 → 向量检索 → 重排序 → 上下文增强生成关键优化：多路召回、HyDE（假设文档嵌入）、Self-RAG（反思token）局限：检索失败时幻觉反而加重，需配合置信度校准 2. 微调策略事实性SF…

#联通#大模型幻觉缓解#检索增强

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配正文：…的核心价值是解耦知识存储与模型参数，解决大模型固有缺陷：知识时效性：模型参数冻结后无法感知新知识，RAG通过实时检索外部库解决幻觉问题：生成内容可溯源到检索文档，大幅降低"一本正经胡说八道" 训练成本：SFT需要重新训练模型，RAG只需更新知识库，边际成本极低可解释性：能展示"参考了哪些资料"，满足合规审计需求 RAG vs SFT 的适用边界维度 RAG更适合 SFT更适合知识特性频繁更新、领域专精通用能力、长期稳定数据规模海量文档（TB级）高质量指令对…

#美团#模型微调#RAG vs SFT

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：…与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query + 检索上下文 → LLM生成最终回答二、系统架构要点模块关键技术文档处理分块策略（固定长度/语义切分/递归切分）、元数据保留 Embedding模型通用…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 百度

RAG 端到端工作流程

匹配正文：… RAG（Retrieval-Augmented Generation）将外部知识检索与大模型生成结合，解决纯生成模型的知识截止和幻觉问题。核心思想：不依赖模型参数记忆知识，而是动态检索相关文档作为上下文，让模型基于检索结果生成回答。系统架构模块功能索引模块文档切分 → Embedding编码 → 向量数据库存储检索模块查询向量化 → 相似度搜索（Top-K召回）生成模块检索结果+原始查询 → 拼接Prompt → LLM生成工作流程离线准备：文档分块…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…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，生成能力决定下限。二、系…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…检索内容2] 问题：{用户提问} RAG解决的核心问题问题说明知识时效性大模型训练数据有截止日期，RAG可接入实时数据库幻觉问题生成有溯源依据，可标注参考来源私有数据无需训练即可利用企业内部知识成本可控比全量微调成本低得多关键优化方向混合检索：向量检索 + 关键词检索（BM25）结合查询改写：HyDE、Query Expansion提升召回率多路召回：摘要、标题、正文分别建索引

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配正文：答案要点明确RAG的核心动机：解决大模型知识截止和幻觉问题清晰描述"检索-增强-生成"三阶段流程说明向量检索的关键作用提及RAG相比微调的优势（成本低、数据更新灵活） RAG 核心思想用外部知识库"喂"给大模型，解决知识截止和幻觉两大痛点，无需重新训练模型。三阶段工作流程 1. 索引阶段（离线）文档切分：按语义/固定长度分块（chunk）向量化：用 Embedding 模型（如 BGE、M3E）转为稠密向量存储：写入向量数据库（Milvus、FAISS、El…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…G核心定位 RAG = 检索(Retrieval) + 生成(Generation)，用外部知识库动态增强LLM，解决知识时效性和幻觉问题，无需重新训练模型。三阶段实现流程 1. 离线知识库构建文档解析：PDF/Word/网页 → 文本块（Chunking，控制256-512 tokens）向量化：Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据库（Milvus/Pinecone/Elasticsearch） 2. 在线检索 Quer…

#字节#检索生成流程#RAG 技术原理

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配正文：… 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，缺乏实体间的全局关联，难以回答需要多跳推理的复杂问题。 GraphRAG的核心改进微软提出的GraphRAG，核心是用图结构替代…

#字节#知识图谱#GraphRAG

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：…判断是否需要检索）、RAG-Fusion 一句话总结 RAG的本质是用检索代替记忆，让大模型基于外部实时知识生成，解决知识时效性和幻觉问题。

#百度#RAG核心组件#RAG 工作原理

大模型面临哪些核心挑战?

多模态大模型面临哪些挑战?

多模态大模型有哪些技术挑战?

幻觉一致性延迟诊断

Agent 商业落地评估框架

Agent 工具类型怎么选?

RAG 缓解幻觉的机制

RAG 仍会幻觉的原因

RAG 解决了 LLM 哪些局限?

RAG vs RLHF 幻觉治理

RAG 缓解哪类幻觉?

RAG 核心指标优先级

训练/推理/知识增强怎么选?

Agent 功能模块怎么分工?

RAG/蒸馏/微调怎么选?

RAG vs SFT 场景怎么选?

RAG 工作原理与架构怎么搭?

RAG 端到端工作流程

RAG 技术原理与架构怎么搭?

RAG 技术流程怎么跑?

RAG 基本工作流程是什么?

RAG 技术原理和实现流程

GraphRAG 怎么提升检索质量?

RAG 工作原理与核心组件