匹配正文：适合做过多轮对话、引用或权限控制的人，重点练上下文管理、引用准确性和不同用户的数据隔离。教学示例：先换成自己的真实项目描述，再逐题练习。下面按面试追问顺序练习，最后用自查项补齐回答。项目描述示例负责【真实多轮问答场景】的状态、引用或权限模块，承担【真实职责】。需要准备：会话场景；个人职责；数据与权限边界。通过【真实方案】改善【多轮一致性或引用指标】，并满足【权限与延迟约束】。需要准备：指标基线；权限策略；失败样本；线上代价。逐层练习 1. 说清你的职责简历原句…

#模拟面试#简历项目#连续追问

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：一份研究报告在每段后面都标了来源，看起来很专业。可点开引用后，常见的问题并不少：来源只提到了相关主题，没有支持报告里的具体数字；三条引用其实都转载同一篇文章；报告引用的是新页面，结论却来自旧版本；两个来源口径相反，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…

#Deep Research#问题边界与研究闭环#Deep Research 引用溯源

项目实战·RAG

第 9 章:上下文问答与引用溯源

匹配正文：…50-65 分钟 🎯 完成后能力:能讲清 RAG 最后一环怎么把检索结果"翻译"成有据、可溯源的回答,会用 30 行代码实现"带引用 + 会拒答"的问答,并讲清引用溯源两条路线和幻觉检测 🔗 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 ✓ 零基础也能跟着做:用一段零依赖代码,看到"有依据就带出处答、没依据就拒答" ✓ 看懂上下文问答:LLM 是基于检索到的资料作答,而不是凭记忆 ✓ 学会 Prompt 怎么拼(仅依据资料 / 编号 /…

第 1 / 14 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

#RAG#检索#项目实战

面试题·RAG

RAG 引用怎么做到可核验？为什么让模型自己标来源不够？

匹配正文：…章节只讲报销范围，没有说这项费用一定可以报销。文件名是真的，结论却不一定由文件支持。这就是 RAG 面试里经常被一句“让模型标引用”带过的问题： RAG 的引用怎样做到可以核验？为什么答案后面有一个来源编号还不够？面试官继续追问时，通常会问到四件事：引用编号由谁生成，模型能不能自己编？编号指向真实原文，为什么仍可能是错引？一句话需要两段证据时，引用怎样表示？文档更新和重新切分后，旧引用还能不能打开？引用为什么不是生成阶段临时加一下？引用链的起点在文档解析，而…

#RAG#生成与对话#RAG 引用溯源

项目实战·RAG

RAG 智能问答系统

匹配正文：公开教学项目：从文档解析、检索重排到引用与评测这是公开化教学案例。文中的场景与指标用于理解项目实现；简历应填写自己实际完成的工作与测量结果。从文档解析、检索重排到引用与评测的公开教学项目配套代码与运行环境配套代码：rag-from-zero。先区分零依赖演练和完整模型链路：前者用玩具/模拟组件检查逻辑，后者还需要本地模型、首次权重下载、有效LLM凭据与网络。通过冒烟测试不等于真实Embedding、重排和LLM生成已经跑通。建议为这版配套代码使用 Python 3.…

#项目实战#RAG 智能问答系统

面试题·RAG

Chunk 为什么要带标题、页码和前后片段 ID？

匹配正文：…止把不同章节、不同表格或不同代码函数拼到一起。第三类是来源字段。页码、幻灯片编号、时间戳、页面坐标和原始文件名，帮助前端把回答引用变成可点击来源。这里的目标不是让页面显示更多标签，而是让用户能回到正确位置核验。第四类是状态与版本字段。解析版本、文档版本、更新时间和可用状态，用来区分新旧内容。相关度排序只能判断“哪段更像问题”，不能单独判断“哪段现在仍然有效”。为了避免把字段列表误当成生产 Schema，可以先分成两组。第一组是当前链路确实需要的基础字段。例如当前系…

#RAG#切分与索引#RAG Metadata

面试题·RAG

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

匹配正文：…pK 或改 Prompt。问题是，RAG 不是一次模型调用。用户问题要经过 Query 处理、检索、排序、上下文组装、答案生成和引用回跳。最终回答错了，可能是正确证据根本没有被找回，也可能是证据已经排在前面，生成模型却漏掉了限制条件。只看一个端到端分数，团队仍然不知道应该修哪一段。这也是项目面试里很容易被追问的一道题： Recall@K、Precision@K、MRR、答案正确性和 Faithfulness，分别在评估 RAG 哪一层？如果几个指标互相矛盾，你会怎样定位问…

#RAG#评测与上线#RAG 评估指标

面试题·评估· 百度

面试高频论文怎么选?

匹配题目：请分享你在准备面试过程中阅读过的近期重要学术论文，并说明其中哪几篇在技术讨论中被频繁引用或深入探讨，及其对你理解大模型发展的启发。

#技术前沿追踪#论文阅读#大模型发展趋势

面试题·Agent· 美团

大模型输出怎么做真实性验证?

匹配正文：…AC2框架工具调用验证对可验证实体（时间、数值、人物）调用API/Wikipedia查询结构化数据比对，直接判定真伪 2. 引用溯源（Attribution）生成时约束（更优）训练阶段引入引用标记，强制模型输出<cite>doc_id</cite> 推理时限制只能从提供的上下文选择引用后处理匹配使用句子级嵌入，计算生成内容与源文档的相似度设定阈值，未匹配内容标记为"无来源" 3. 一致性检测自一致性（Self-Consistency）对同一问题多次采样（t…

#美团#Agent#大模型真实性验证

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：核心原则专业文档（医疗/法律）的核心特征是强结构、强引用、术语密集，切块需优先保证语义完整性和上下文可追溯性，而非简单按token切分。常见策略对比策略做法优点缺点适用场景固定长度切块按token/字符数硬切（长度需通过实验确定）简单、批量处理快、embedding对齐切断语义、丢失章节边界、表格被破坏非结构化文本、快速原型递归字符切块按标点→句子→段落层级递进切分保留基本可读性、实现简单对复杂嵌套结构（法律条款层级）处理粗糙通用文档、博客文…

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·评估· 蚂蚁

大模型客服质检系统如何设计与验证？

匹配正文：…零幻觉”。模型适合需要上下文的语义判断；业务正确性应查询当时有效的政策、订单和操作日志。长会话分段要保留说话人、时间、主题与前后引用。摘要是有损派生物，不应替代原文证据做最终裁决。 3. 可执行的核心流程 class Inspector: def inspect(self, dialog, policy_snapshot, case_state): safe_dialog = minimize_and_redact(dialog) segments = segment_wi…

#客服质检#LLM 评测#证据引用

面试题·检索· 高德

RAG 的检索、增强与生成如何可靠衔接？

匹配正文：…和结构。切分大小和重叠没有通用的 512–1024 token。应根据内容结构、模型 tokenizer、可独立回答的语义单元、引用粒度和上下文预算设计，再用检索与答案评测选择。每个块保留原文定位、父文档、版本和权限元数据。索引构建应可重复并支持原子切换或明确的双读期。新增、更新、删除、权限变更怎样传播到原文库、关键词索引、向量索引与缓存，需要有一致性状态和失败重试。 2. 查询与候选检索在线请求携带用户、租户、会话和时间语义。先判断查询是否需要知识库、结构化系统或实时…

#RAG#知识库#检索

项目实战·Agent

Deep Research Agent：从证据链到可恢复任务

匹配正文：自主调研 Agent:搜索 → 读 → 交叉验证 → 生成带引用的调研报告这是公开化教学案例。文中的场景与指标用于理解项目实现；简历应填写自己实际完成的工作与测量结果。执行框架区分 ReAct 范式与「把完整轨迹持续追加」这一具体实现的上下文成本比较 IterResearch 演进报告、窗口、外部记忆与周期摘要的状态保留边界把研究过程拆成状态、动作、证据与可验证的停止条件工具与长程记忆 Search / Visit / Scholar / Python 候选工具经…

#项目实战#Deep Research Agent

学习路线·学习路线

大模型应用开发学习路线

匹配正文：…。 JD 经常出现的任务建议主线你要优先证明什么企业知识库、检索问答、文档处理、搜索与推荐 RAG 解析、切分、召回、重排、引用、评测和上线约束工具调用、业务自动化、工作流、记忆、多智能体 Agent 状态、工具契约、停止条件、幂等、安全和可观测长任务调研、多源证据、报告生成、Agent 训练与评估 Deep Research 任务拆解、证据校验、长任务恢复、成本和评估治理如果 JD 同时写了知识库、Agent 和评测，也不代表你要同时做三个项目。选一条作为主项目…

#学习路线#RAG#Agent

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：…钟讲清楚你的 RAG 系统。一个合格回答至少要交代四件事：资料怎样解析和切分，问题怎样进入检索，候选怎样融合与重排，最终答案怎样引用原文或拒答。还要明确哪些部分由你完成，哪些来自框架、同事或已有平台。面试官：为什么使用现在的切分方法？固定长度有什么问题？不要直接回答某个固定 chunk size。先说明资料结构：普通段落、表格、列表、跨页内容分别会在哪里破坏语义，再说明你准备怎样用同一批问题比较不同切分方案。没有跑过对照实验，就说清楚这是待验证项，不能编一个提升数字。 …

#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：… 配套学习：技术项目怎么讲出亮点?。 3. 讲清方案和流程从请求进入开始，依次讲清鉴权、查询处理、召回、重排、上下文组装、生成、引用和返回的数据流。考察重点：确认候选人理解端到端链路、关键接口和状态变化。端到端组件、数据流和每层输入输出关键接口与约束如何影响设计练习顺序：完成这一题后，继续下一组问题。配套学习：RAG 原理与核心架构、RAG 数据处理与索引流程?。 4. 说明选择与取舍为什么采用这套 RAG 架构，而不是关键词搜索、直接长上下文、微调或更简单的…

#模拟面试#简历项目#连续追问

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：…问，教程第 3 章带你完整重现一次选型实验。 2026 年了，RAG 还值得学吗？会不会被长上下文取代？值得。知识频繁更新、需要引用溯源、成本受限的场景仍以 RAG 为主流方案；面试考察重点已从「是什么」转向「怎么做好检索质量与评估」，门槛在变高而不是消失。继续学习用 30 行代码跑通你的第一个最小 RAG 没有大模型项目经验，怎么攒出能写简历的 RAG 项目 RAG 工程面试教学复原

#专题学习#RAG 面试题大全与知识体系

系统教程·Agent

Agent 面试题大全与开发指南

匹配正文：…个只保留循环、工具和停止条件的最小 Agent，再读 Deep Research 8 章拆解，看完整系统怎样处理规划、检索、反思和引用。有了亲手实现，回答时就能落到自己做过的技术取舍。 ReAct、Plan-and-Execute、Reflection 这些范式都要会吗？先掌握 ReAct 的基本循环，再能说明其他范式的适用场景：任务可预先分解时考虑 Plan-and-Execute，需要额外质量校验时考虑 Reflection。关键是能对比取舍，不是背名词。 Multi-…

#专题学习#Agent 面试题大全与开发指南

系统教程·评估

大模型评估与监控面试题大全

匹配正文：…警惕位置偏差、格式偏差和模型同源偏差。面试中要讲清边界。 RAG 和 Agent 的评估有什么不同？ RAG 更关注召回、相关性、引用和回答正确性；Agent 还要评估任务完成率、工具调用轨迹、失败恢复和成本。二者都要有可复现的 case 集。继续学习项目深挖：面试官怎么追问评估与 badcase 领域八股速通：评估高频考点地图

#专题学习#大模型评估与监控面试题大全

系统教程·Prompt

Prompt 工程面试题大全

匹配正文：… Prompt 和 RAG、Agent 是什么关系？ Prompt 是 RAG 和 Agent 的接口层：RAG 用它组织上下文和引用，Agent 用它定义任务、工具与停止条件。好的 Prompt 工程必须和系统设计一起看。继续学习大模型技术栈全景：Prompt 在应用岗里考多少做一个 Agent 项目怎么做：Prompt 与工具协同

#专题学习#Prompt 工程面试题大全

系统教程·大模型

大模型项目与公开作品

匹配正文：…From Zero：从文档解析到检索评测一套按工程链路展开的 RAG 教学项目。不是只演示一次问答，而是把资料处理、检索、重排、引用和评测串起来。 GitHub 仓库、README、代码和配套章节，可以直接查看项目结构与实现思路。想判断课程是不是在讲完整工程链路，可以先看目录，再挑检索、重排或评测章节深入阅读。查看 GitHub 仓库大模型面试题图解 100 把 100 道大模型面试题按 14 个模块拆开，每题保留一张 SVG 概念图、一句直接回答、来源等级和勘误入口…

#公开作品#代码仓库

求职指南·求职

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

匹配正文：…、工具调用、异常兜底怎么做最小 LLM 应用 + 最小 Agent + 最小 RAG 你做过完整项目文档怎么切、检索怎么评估、引用怎么溯源一个能讲透的 RAG 或 Agent 项目你扛得住追问为什么选这个方案,不用另一种行不行真题口语版讲法 + 面经追问链如果你的目标是大模型算法研究、预训练、模型架构创新,这条路线只能做入门参考;真正的主线要转向论文、数学、训练系统和科研履历。普通工程师更现实的入口,是先做应用落地,再根据岗位深度补微调、评估和推理部署。不同人…

#求职#职业转型

面试题·RAG

RAG 已经能搜 PDF，为什么视频不能直接入库？

匹配正文：…文字正确但来源跳到了相邻片段，通常说明切分后的开始时间、结束时间或片段 ID 在写入索引时没有保持一致。此时重新调检索分数不会修好引用。面试时能把这些现象对应到具体阶段，比笼统说“看日志”更有工程价值。排查记录还应保留处理版本。语音识别器、字幕合并规则和切分配置只要有一项变化，同一个片段的文字与边界就可能改变。没有版本信息，今天找到的证据和昨天的引用无法稳定比较，也很难判断一次修复究竟影响了哪一层。面试官追问：字幕与画面表达不一致，应该相信谁？讲解视频里，口播、字幕和画…

#RAG#解析与入库#视频 RAG

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：…。它适合“答案已经存在于某一处资料中”的问题。例如安装方法、字段含义、某条规则的适用条件。工程重点是解析、召回、重排、证据门槛和引用，而不是让模型自主做长期规划。 Agentic RAG 把检索从固定步骤变成 Agent 可以反复调用的工具。模型看到第一次结果不够，可以改写查询，再查一次或打开某个候选来源。它适合一次检索经常不够，但任务仍以“回答当前问题”为主的场景。 Deep Research 的目标不再是一段即时回答，而是一轮完整研究。系统要先明确任务边界，拆开多个子问…

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