匹配正文：核心判断 CPT数据处理要同时解决质量、重复、许可、时间切片和评测污染。典型流程是记录来源与抓取时间，解析正文，做语言和格式规范化，执行精确及近似去重，再做质量、安全、隐私和许可过滤，最后按目标领域混合并版本化。防止未来信息泄漏靠的是明确知识截止时间、事件时间或抓取时间规则，以及不可变快照和评测隔离，不是要求训练样本按时间严格排序。机制与边界采集阶段保留URL、来源、许可、抓取时间、内容哈希和解析器版本，便于追溯删除。清洗要去模板、导航、乱码、低信息密度和敏感数据。去重可…

#CPT#数据工程#数据清洗

面试题·推理优化· OPPO

Hive SQL 熟练度评估指标

匹配题目：请说明你对Hive SQL的熟练程度，并结合实际经验描述你在大数据平台（如Spark、Hadoop等）上的数据处理能力，包括常用操作、性能调优和典型应用场景。

#Hive SQL#Spark#大数据处理

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配题目：请详细说明在检索增强生成（RAG）系统中，从原始文档输入到向量索引构建的完整数据处理流程，包括文档清洗、文本分块、嵌入模型选择与向量化、向量存储及索引优化等关键步骤，并解释各环节的设计考量与常见实践。

#字节#文档处理#RAG 数据处理流程

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：整体架构：四层链路设计一、数据处理层（领域知识工程）核心挑战：专业文档结构复杂、术语密集、更新频繁多源接入：医学指南、药品说明书、判例库、法规条文、内部病历/卷宗（需脱敏）智能分块：按语义边界切分（章节、条款、病例段落），非固定长度医疗：保留"症状-诊断-治疗"完整上下文块法律：保持"事实-法条-判决"逻辑链知识增强：提取实体关系构建领域知识图谱，作为检索补充二、检索系统层（混合召回）单一向量检索不够，需多路融合检索方式适用场景实现稠密向量检索语…

#字节#专业领域 RAG#RAG 系统设计

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配标题与标签：领域 RAG 知识库构建领域知识库的数据处理、向量化、索引与检索模型微调字节领域 RAG 知识库构建领域 RAG 知识库怎么建？数据处理、索引与检索领域 RAG 搭建 RAG 系统流程 RAG 数据准备字节

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·知识图谱· 字节

GraphRAG原理 vs 传统RAG 怎么选?

匹配题目：请解释GraphRAG的基本原理，对比其与传统RAG的差异，并讨论在图结构数据处理中的具体应用方法和优势。

#字节#GraphRAG 原理#GraphRAG vs RAG

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配正文：…，需精确溯源合规性弱约束强监管，需审计留痕知识更新低频指南/法条频繁修订权威性多源融合需区分证据等级/法律效力数据处理与索引流程设计 1. 数据采集层白名单机制：仅接入权威源（临床指南、裁判文书网、药典等）多模态处理：扫描件→OCR→版式还原→表格/图表结构化提取 2. 清洗与结构化原始文档 → 文档类型识别 → 章节语义拆分 → 实体标注（ICD-10/法律条款） → 冲突检测（同主题多版本） → 证据等级标记（I级证据/司法解释） 3. 关键：人…

#字节#医疗RAG合规#RAG 数据处理流程

面经·项目面试

SFT 样本有答案，训练目标却可能被截掉

匹配标题与标签：…过截断后可能只剩上下文。沿随包原代码和离线切片，核对left实际保留哪端，以及预检总和通过为何不保证逐行有效。项目面试 SFT 数据处理截断大模型面试

#SFT#数据处理#截断

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：…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下一步：tradeoff。配套学习：RAG 原理与核心架构、RAG 数据处理与索引流程?。 4. tradeoff · tradeoff 为什么采用这套 RAG 架构，而不是关键词搜索、直接长上下文、微调或更简单的问答流程？考察重点：验证选型来自真实约束和对比，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：垂直领域 RAG 完整架构、A…

#模拟面试#简历项目#连续追问

求职指南·RAG

PDF、表格、OCR 与文档解析项目模拟面试

匹配正文：…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下一步：tradeoff。配套学习：扫描PDF怎么解析内容?、RAG 数据处理与索引流程?。 4. tradeoff · tradeoff 为什么选择当前 OCR、版面模型和表格方案？规则、专用模型、视觉大模型和人工复核各在什么边界使用？考察重点：验证选型来自真实约束和对比，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：RAG 中表格图片…

#模拟面试#简历项目#连续追问

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：…业尽早做一个可展示项目,把实习节点倒排长时间只看理论,错过投递窗口 3 年 Java/后端工程经验能直接迁移,服务化/并发/数据处理有底被简历筛成传统后端,大模型项目说不深用后端经验包装 RAG/Agent 工程价值辞职裸学,或只堆模型名词前端/测开/数据背景对业务和用户流程敏感,转应用有切口核心工程栈可能不完整先补 Python/API/服务化最小闭环一开始就追复杂训练算法/科研背景理论理解快,微调和评估有优势工程落地经验可能薄做一个能上线的应…

#求职#职业转型

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：…。普通工程师已有的优势包括: 服务化能力:接口设计、鉴权、异步任务、日志、监控、限流、灰度,这些都是大模型应用上线时的硬需求。数据处理能力:文档解析、清洗、索引、数据库、消息队列,正好对应 RAG 和 Agent 的底层管线。排障能力:线上问题定位、性能瓶颈、用户反馈闭环,比“调一个 demo”更接近真实岗位。业务理解:知道需求怎么变、用户怎么提问、系统怎么接入现有流程,这是很多纯算法背景候选人反而缺的。这也是为什么后端工程师转大模型应用开发:已有经验怎么迁移要单独…

#求职#职业转型

项目实战·Agent

第 3 章:工具集设计,让 Agent 真正「会用工具」

匹配正文：…取(否则又污染上下文) Scholar 搜学术文献,拿论文元数据调研类问题常要权威来源 Python 执行代码,做数值计算 / 数据处理必须沙箱隔离,限制可用模块和资源业内行话:Visit 工具最容易被新手做坏,直接把整页 HTML 转文本塞回去。正确做法是 Visit 时就带着「当前要找什么」做相关性抽取,只把相关段落带回来。否则一篇长文档就能把上下文撑爆、把注意力带偏,这又回到了第 2 章那个上下文问题。工具的输出质量,直接影响 Agent 的上下文健康。 2.2 …

#Agent#Deep Research#项目实战

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：…的方向。后端工程师最适合哪类大模型岗位? 优先看 RAG 工程、Agent 开发和推理部署/LLMOps。这三类都能复用服务化、数据处理、并发和稳定性经验。研究生没有实习,应该投应用岗还是算法岗? 如果没有论文和训练项目,先用应用项目冲应用岗和应用算法岗。算法岗可以投,但不要把全部筹码压在纯算法筛选上。怎么判断一个岗位是不是真大模型? 看 JD 是否包含模型调用、RAG/Agent、评估、推理部署、微调等真实链路,再看面试是否追问项目和模型行为。只写“AI 赋能”但没有…

#求职#职业转型

求职指南·求职

研一/研二转大模型应用开发:三年怎么规划、来得及吗

匹配正文：…。论文、课程、实验室项目怎么转成大模型应用素材很多研究生觉得自己没有大模型项目,其实是不会翻译已有经历。课程项目、实验室任务、数据处理、系统开发,都可以改造成大模型应用的材料。你已有的东西可以改造成什么面试表达方式课程大作业文档问答、知识库、智能助教 “把课程资料做成 RAG,支持引用溯源和错题定位” 实验室论文阅读 Deep Research/论文调研 Agent “让 Agent 自动检索论文、提取方法、生成带引用的调研报告” 数据处理脚本 RAG 文档清洗…

#求职#职业转型

项目实战·Agent

第 5 章:训练数据构造,种子 → 轨迹 → 增强

匹配正文：…角色标记、按模型的 tokenizer 切分。理解了「为什么 mask observation」,你就抓住了 Agent SFT 数据处理的核心。 🎯 Part 2 · 面试深度｜ ~45% 这部分讲透数据流水线每一环在解决什么问题、为什么这么设计,这些正是面试要讲清的。 🔒 关于「讲到哪」：本节把每一环的原理与设计思路讲透，让你建立完整、扎实的认知。但真正能直接落地的「配方级」细节——各来源的具体配比、增强倍数、FAS / HAS 正负样本构造细则、质检阈值，以及一批…

#Agent#Deep Research#项目实战

求职指南·求职

工作三年的 Java 后端转大模型:在职怎么转、什么时候跳槽

匹配正文：…Java 后端转大模型,最稳的打法不是辞职重学,而是在当前工作外用 12 周做出一个能讲透的 RAG/Agent 项目,把服务化、数据处理、稳定性经验翻译成大模型系统能力;等简历能过筛、项目能抗追问,再进入集中投递。作者:吴师兄 | 适合:工作 2-5 年 Java/后端、想转大模型应用开发但不想冒进的人 | 前置:有后端项目经验,能稳定抽出每周 8-12 小时先说职业决策:不要把“转行”理解成清零 Java 后端转大模型应用开发,不是从后端跳到另一个完全陌生行业。你真正…

#求职#职业转型

求职指南·求职

转大模型应用开发,数学和深度学习理论要补多少

匹配正文：…开发岗每天在做的事,和数学推导几乎不沾边。把一天拆开看就清楚了: 日常工作需要的能力需要手推数学吗文档切块、清洗、构建索引数据处理、工程不需要调检索、调重排、调 Prompt 实验设计、观察、取舍不需要,懂相似度直觉即可构造评估集、跑评估、看指标读懂指标含义不需要推导,需要读得懂追 badcase、定位错误来源排查、归因、工程不需要封装模型服务、控成本和延迟后端工程不需要你会发现,决定应用岗做得好不好的,是"能不能把一个模糊问题拆成可评估的小…

#求职#职业转型

面试题·Agent

Deep Research 有 Search、Visit、Scholar 和 Python，Agent 怎样选对工具？

匹配正文：… Search 适合发现候选来源，Visit 适合读取正文，Scholar 适合寻找论文元数据与学术出处，Python 适合计算和数据处理。它们看起来分工明确，实际运行时却经常被混用。模型可能只看搜索摘要就下结论，也可能没有 URL 便直接调用 Visit；本来查官方文档的问题，它反复使用 Scholar；一个简单换算，它不用计算工具而是凭语言模型心算；工具失败后，又不停重试同一路径。这些错误不会总表现为接口报错。很多调用在程序上成功，研究结果却没有新增可靠证据。所以面…

#Deep Research#研究工具与稳定性#Deep Research 工具路由

求职指南·求职

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：后端工程师是转大模型应用开发最有优势的人群。服务化、数据处理、性能优化、系统设计这些存量能力,占大模型应用岗日常工作的一半以上,真正要补的只有「模型这一层」:LLM 怎么工作、RAG/Agent 两套范式,以及一套从「确定性对错」换成「概率 + 评估」的新直觉。别推倒重来,把已有经验翻译成大模型系统的语言就够了。作者:吴师兄 | 适合:Java/Go/Python 后端、数据开发、想转大模型应用岗的在职工程师与在校后端方向学生 | 前置:写过服务化项目,了解应用岗和算法岗的…

#求职#职业转型

面试题·Agent

Agent 能执行 Python 代码，怎样设计 Code Interpreter 沙箱才不会伤到宿主机

匹配正文：…小。达到限制时由外部控制器终止执行环境，不能依赖用户代码合作退出。超时后回收全部子进程，避免父进程死了但后台任务继续。对绘图和数据处理库，可以预装经过审核的版本，禁用运行时任意 pip install。依赖安装不仅消耗资源，还会访问网络、执行安装脚本并引入供应链风险。限制值根据任务类型与真实数据校准。简单计算和大文件分析可以使用不同资源配置，但模型不能自行申请无限资源。超出配额时返回结构化错误，让上游决定缩小数据、分批处理或请求授权。系统调用和进程权限非特权用户只是…

#Agent#工具调用与安全#Agent 代码解释器沙箱