匹配正文：…检索到历史违规案例后，模型生成"该表述存在违规风险，建议替换为..."而非直接复现 2. 事实一致性增强（输出侧校验）机制：利用模型推理能力交叉验证多源检索片段，识别矛盾信息实例：医疗问答RAG中，检索到A文档"药物X每日最大剂量200mg"、B文档"300mg"，模型可标注冲突并保守输出"建议遵医嘱，常见剂量范围为200-300mg" 3. 上下文脱敏与改写自动替换检索内容中的个人隐私信息（用户ID、手机号），再进入生成流程关键局限幻觉反噬：模型可能"自信地"篡改…

#抖音#RAG输出安全#RAG 二次生成

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：…RLHF训练长期对齐收集偏好数据训练Reward Model 关键权衡准确性vs合规性：过度规则化导致"复读机"问题，需保留模型推理能力延迟成本：多层审核影响RT，关键路径上尽量用轻量规则反馈时效：实时干预依赖运营体系，离线反馈用于模型迭代快手场景的特殊性：短视频/直播的实时性要求极高，输入层拦截+生成层轻量控制是核心，输出层更多用于事后追责与模型优化。学习建议建议系统学习该知识点

#快手#人工反馈控制#人工干预 LLM 生成

面试题·多模态· 小红书

多模态大模型面临哪些挑战?

匹配口述回答：…真正证据变化。这样的反事实测试比单个总分更能发现模型依赖语言先验。若接入OCR或检测器，也要记录工具错误，避免把外部组件的幻觉算成模型推理能力。训练中可以加入区域标注、OCR框、时间片段和困难负例，但每种监督都增加成本，是否有效要在相应失败桶验证。若模型只在公开基准进步而真实低清、遮挡和专业样本不变，就不能宣称多模态能力整体提升。拆开粗粒度与细粒度对齐分析数据描述缺失与噪声按空间时序OCR评测限定CoT与外部工具作用覆盖效率和安全治理约4分钟为什么CLIP式全…

#模态对齐#数据构建#推理一致性

面试题·Agent· 百度

Agent 系统性能优化陷阱

匹配口述回答：…翻车收尾：取舍判断，留可延伸点追问约4分钟 Self-RAG让模型自己判断是否需要检索，减少不必要的工具调用，但训练数据构造和模型推理能力是挑战。面试官可能会追问Self-RAG的具体实现方式、与ReAct的区别、或者在实际业务中的效果对比。

#百度#Agent#Agent 性能优化

面试题·评估· 快手

Chain/Agent/Tool 怎么分工?

匹配口述回答：…抽象，调试困难，性能损耗工程师取舍：快速原型用LangChain，生产环境谨慎评估约4分钟 LangChain的Agent依赖模型推理能力，模型弱时容易跑偏，可考虑用Function Calling或退化为Chain 面试官可能会追问Function Calling的实现细节，或者LangChain与LlamaIndex在RAG场景下的对比

#快手#评估与监控#Agent

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配口述回答：…AG的本质：检索即知识，生成即表达给出可延伸点：RAG与模型能力的边界划分约4分钟 RAG 适合事实更新和私有知识，不适合替代模型推理能力。什么时候选 RAG，什么时候选 SFT，什么时候需要 RAG + 微调一起做。

#美团#知识增强#RAG 核心问题

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配口述回答：… RAG 也不是万能。前提是知识库质量要过关，检索要准，不然脏数据喂给模型只会放大错误。如果问题需要强推理，检索结果只是零散片段，模型推理能力弱还是会答错。所以上线我会特别关注检索的召回率和 prompt 里约束模型不能脱离资料发挥。如果面试官追问，我会说 RAG 落地时最常见的失败场景是检索召回不够，导致模型接不到有效信息，或者检索结果太多把模型上下文撑爆。所以我会把 RAG 看成检索负责提供事实，生成负责组织表达，两者需要一起调优。本质是开卷考试补知识时效性和私有性…

#入门#基础概念#什么是RAG

面试题·Prompt· 高德

ReAct 如何结合推理与工具使用？

匹配口述回答：…T适合封闭推理，ReAct适合需要外部信息或工具的场景业务例子：客服退款场景，模型查规则、调接口、动态调整落地风险：工具质量、模型推理能力、成本是前提，常见失败是模型不按格式输出工程师取舍：我会把ReAct看成系统设计的一部分，和提示工程搭配用约4分钟 ReAct的思考轨迹本质上是树状而非线性的，可以结合Tree-of-Thoughts来提升鲁棒性，但成本更高。追问如何平衡推理质量和成本，或者Tree-of-Thoughts的具体实现方式。

#高德#Agent#ReAct 框架

面试题·Prompt

封闭标签分类如何约束解码?

匹配口述回答：…处是可解释性强，比如客服退款场景，你可以让模型先分析用户退款理由是否合理，再输出「同意」或「拒绝」。但代价是延迟高、成本高，而且小模型推理能力不够，效果反而差。所以一般只在需要审计或解释的业务里用。接下来是Logit Bias，只有具体模型和API支持时才能用；它调整指定token ID的概率，并不等于完整类别序列的白名单，不能靠首字偏置给出合法性保证。但这里有个坑，如果类别是多token的，比如「退货退款」是四个字，你只锁住首字「退」，模型后面还是可能走偏。所以通常要配合…

#Logit Bias#约束解码#封闭集合标签分类

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配口述回答：…出来的东西牛头不对马嘴，那RAG就是把脏数据更快喂给模型。常见失败场景是，用户问了一个需要多步推理的问题，但检索只返回了零散片段，模型推理能力弱就答错了。所以我上线时会特别关注检索的召回率，用 [[Hybrid Search]] 把关键词和向量结合起来，再做个 [[重排]] 把最相关的排前面。还有一个点值得注意：当知识库频繁更新时，索引的实时性和一致性很难平衡。新增简单，但修改和删除怎么处理？我倾向用软删除加异步重建，避免原地动图索引导致检索质量崩掉。总的来说，我会把RA…

#字节#大模型幻觉#RAG 原理

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：…会考虑用[[Agentic RAG]]，让模型主动决定要不要再检索，或者拆成子问题逐个查。这个对复杂业务场景挺有用的，但实现起来对模型推理能力要求更高。所以整体上，我更倾向于把RAG看成一套工程系统，不是简单拼装。离线处理、在线检索、生成集成，每一层都有取舍，真正落地要看业务场景和资源限制，没有银弹。 RAG本质是给大模型配个外挂知识库离线阶段：文档解析、分块、向量化在线阶段：混合检索加重排生成阶段：上下文组装和引用约束落地风险和取舍约4分钟复杂推理场景下，单次…

#百度#RAG检索策略#RAG 系统架构

Few-shot 提示怎么用?

CoT 提示怎么写?

Agent 技术实际有效性怎么评?

大模型 Agent 优缺点怎么分析?

RAG 二次生成怎么提升安全性?