匹配正文：适合写过 PDF、表格或 OCR 解析的人，重点练处理流程、质量评估、错误页面和失败兜底。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【真实文档类型】解析链路，承担【解析或质量模块】，处理【真实规模与约束】。需要准备：文档类型与规模；个人负责模块；交付证据。通过【真实改动】改善【字段、表格或版面指标】，结果由【真实评测集】验证。需要准备：指标定义；评测集；基线与结果；失败样本。逐层练习 1. 说清…

#模拟面试#简历项目#连续追问

面试题·RAG

PDF、PPT、扫描件为什么不能共用一条解析 Pipeline？

匹配正文：…片信息却可能一起消失。这对应一道 RAG 项目面试题： PDF、PPT 和扫描件应该怎样进入同一个知识库？为什么不能只写一个通用解析函数？一种常见但不完整的回答是：“判断文件后缀，调用不同的库，再把文字拼起来。” 这只能算说出了入口。面试官还会追问：不同解析器统一什么？页面只成功一半怎么办？怎样证明内容能够被检索，而不是只拿到一堆字符？为什么“上传成功”不等于“可以检索”？文件上传解决保存问题。RAG 入库要把内容转成可搜索、可引用、能定位到原文的单元。 RAG 可以…

#RAG#解析与入库#RAG 文档解析

面试题·RAG

复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？

匹配正文：处理复杂 PDF 时，常会遇到一类高风险结果：每个字都识别出来了，但阅读顺序和字段关系却是错的。解析任务显示成功，分块与向量化正常完成，用户也能搜到很多相似内容，但模型拿到的证据已经不是原文真正表达的意思。先看一个双栏理赔指南的例子。左栏写办理步骤，右栏写申请材料。如果解析器按照同一水平位置依次拼接，输出会变成一句步骤接一句材料。用户问“需要提交哪些材料”时，检索器看到的不是一个完整材料清单，而是一段步骤和材料交错的文本。面试官很可能追问： PDF 里的文字已经提取出来了…

第 1 / 12 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#解析与入库#复杂 PDF 阅读顺序

面试题·RAG

MinerU 能直接解决 RAG 文档解析吗？哪些页面必须二次处理？

匹配正文：…N 也正常生成。打开结果一看，正文、标题、表格似乎都有。这时候能不能直接切成 Chunk，写进向量库？很多人的第一反应是可以。解析工具已经把 PDF 变成了文本，后面无非就是切分、向量化和检索。用户真正关心的是输出能不能长期稳定使用：同一区域有没有重复出现，正文和表格是否表达了两份冲突内容，解析器升级后字段结构会不会变化，重新处理时旧 Chunk 能不能被正确替换，答案又能否回到原页。“文件已经生成”只回答了任务状态，没有回答这些质量问题。只要其中一处出错，系统依旧可…

#RAG#解析与入库#MinerU RAG

面试题·RAG

RAG 文档解析质量怎么评估？不能只看“解析成功”

匹配正文：先看一次发布前判断。用户上传一份 PDF，接口返回成功，后台也生成了文本。任务状态显示“解析完成”，接下来却还有一个没有回答的问题：这批内容能不能进入正式知识库？接口成功只证明服务没有在这一刻报错。它没有回答正文是否完整、标题层级是否保留、扫描页有没有漏掉关键句，也没有回答用户提问时能不能找到正确证据。解析错误往往不会让程序崩溃。标题被压成普通正文，数据库照样可以写入；同一页重复输出两次，向量仍然能够生成；引用位置发生偏移，任务状态也可能显示完成。所以面试官问“怎么评…

#RAG#解析与入库#RAG 文档解析评估

面试题·项目与经历· 360

扫描PDF怎么解析内容?

匹配正文：扫描 PDF 要按图像文档流水线解析纯扫描 PDF 没有可靠文本层，先用 PDF 解析器按页渲染成图像并保留页号、尺寸与坐标。分辨率应结合原始扫描质量、字号、版面和 OCR 引擎实测；Tesseract 文档把至少 300 dpi 作为有利于识别的建议，但这不是所有文档和所有引擎的统一最低门槛，也不能靠放大恢复原本不存在的细节。图像预处理包括方向检测、纠偏、去噪、裁边、对比度与自适应二值化。随后用专门的 layout detector 定位标题、正文、表格、图片、页眉页脚…

#文档智能#OCR#版面分析

面试题·Agent· 美团

Function Calling 怎么解析用户指令?

匹配正文：…sed采样，强制输出合法JSON 特殊token引导：部分实现用<function_call>等标记区分普通对话和工具调用两阶段解析：先判断是否需要调用工具（分类），再抽取具体参数（生成/抽取） 3. 执行与反馈循环系统解析模型输出 → 校验参数 → 执行真实函数 → 结果回传给模型模型基于执行结果继续生成回复或进行多轮工具调用与普通生成的关键区别：不是自由文本生成，而是受约束的结构化预测，本质上把"选哪个工具、填什么参数"建模为条件概率最大化问题。

#美团#Agent#Function Calling 原理

面试题·多模态· 字节

截图界面怎么用 RAG 解析?

匹配正文：系统整体架构输入：界面截图 + 用户问题（可选） ↓ [图像解析模块] → 结构化UI表示（组件位置、类型、文本） ↓ [多模态编码模块] → 视觉-文本联合向量 ↓ [混合检索模块] ←→ [知识库：UI组件说明 + 交互规范 + 常见问题] ↓ [生成模块] → 组件功能解释 / 操作指引 / 故障诊断关键模块设计 1. 图像解析模块检测：用UI-specific检测模型（如ScreenSpot、CogAgent的 grounding 能力）识别按钮、输入框、导航栏…

#字节#多模态#多模态 RAG

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

项目实战·强化学习

RLVR 强化学习项目

匹配正文：RLVR(可验证奖励的强化学习):项目背景 → 技术方案 → 数据准备 → 训练解析本页介绍训练营项目的学习方向；完整教程与代码暂未公开。请先阅读下方对应公开教程，再按需要咨询课程安排。用可验证信号设计强化学习奖励 RLVR(Reinforcement Learning with Verifiable Rewards)是过去一年训练侧最热的范式之一:奖励不再靠一个易被「刷分」的奖励模型，而是用可验证的信号(答案对不对、代码跑不跑得通)。这部分计划从项目背景、技术方案、数…

#项目实战#RLVR 强化学习项目

系统教程·检索

向量检索面试题大全

匹配正文：…把检索底层问题串起来。配套教程 RAG 教程第 4 章：Embedding 选型与向量库索引 RAG 教程第 3 章：文档分块与解析流水线知识模块 Embedding、向量数据库与 ANN 索引 Embedding、向量数据库与 ANN 索引文档解析、Chunking 与元数据文档解析、Chunking 与元数据常见问题向量检索面试怎么准备最高效？先把 Embedding、相似度、ANN 索引、Chunking 和召回评估这五件事串起来，再用一个 RAG 项目讲…

#专题学习#向量检索面试题大全

面试题·RAG

RAG 已经能搜 PDF，为什么视频不能直接入库？

匹配短答：视频不能直接复用 PDF 的解析链路。讲解类视频要先把人声转成带时间戳的字幕，再按语义边界合并；答案若在 PPT 或操作画面里，还要补充同时间段的画面文字。只有内容、时间位置和来源信息一起进入索引，后面的检索与回答链路才有可靠输入。

#RAG#解析与入库#视频 RAG

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：📊 学习时长:30-40 分钟 🎯 完成后能力:能用一段零依赖代码演示 RAG 的核心机制,并讲清为什么解析、切分、检索与评估同样关键 🔗 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 20 行不依赖任何库的代码,亲手演示一遍 RAG 的核心机制 ✓ 看懂 3 个核心概念:什么是幻觉、什么是 RAG、什么是"上下文" ✓ 建立 RAG 的"两条链路"心智模型(这张图决定了本书后面 9 章的顺序) ✓ 学会判断…

#RAG#检索#项目实战

面试题·RAG

扫描 PDF 没有文本层，RAG 怎么做 OCR 与失败降级？

匹配正文：…才能知道是 OCR 本身失败，还是页面一开始就被分到了错误路线。 OCR 之后，还有哪几步才能进入 RAG？一条完整的 PDF 解析流程，会包含图像、文字识别、版面、表格和文本合并等环节。放到扫描件上，可以按下面的顺序理解。第一步，渲染和预处理页面。系统把目标页转成适合识别的图像，并检查方向、倾斜、清晰度、对比度和噪声。旋转页如果方向不对，后面的文字识别很可能整页失败。低清页面可以受控提高渲染质量，但不能无限放大，因为处理时间和资源占用也会增加。第二步，执行文字识别。…

#RAG#解析与入库#扫描 PDF RAG

项目实战·Agent

第 4 章:多轮对话与长程记忆管理

匹配正文：…,塞太多旧的、无关的,反而会干扰当前这一轮的生成(还记得「Lost in the Middle」吗)。多轮系统需要保存任务状态、解析指代并按需取回历史。记忆不只“选”和“补”,还必须处理作用域、来源、权限、过期、冲突与删除。下面场景用于教学,不代表线上事故或 Qdrant 的当前产品事实。为什么要记忆:多轮里「它」指代不清 + 历史全塞会爆上下文概念 1:短期记忆 vs 长期记忆记忆分两层,管的东西完全不同: 线程内状态与经授权的跨线程记忆在作用域、持久化和治理上的区…

#Agent#Deep Research#项目实战

面试题·模型训练· 阿里

PyTorch 动态图怎么自动微分?

匹配标题与标签：PyTorch 动态图怎么自动微分? 计算图构建、反向传播机制与训练优势解析模型训练动态计算图自动微分反向传播 PyTorch 深度学习框架 2026真题 PyTorch 动态计算图自动微分原理深度学习训练大模型训练与微调阿里

#动态计算图#自动微分#反向传播

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：…，写进向量库，然后在同一个接口里提问并生成答案。本机演示时，这样很直观。可一旦真的有用户上传文档，问题就出现了。复杂 PDF 解析可能持续很久，某一页 OCR 失败，部分 Chunk 已经写入，用户却不知道任务进行到哪一步。与此同时，在线问答要求尽快返回，不能被后台解析占满资源。入库和问答使用不同资源，面对不同失败，追求的目标也不同。这就是 RAG 系统设计面试最常问的一类题：一个可上线的 RAG 系统应该怎样拆？离线入库、在线问答、数据存储、权限、降级和监控怎样形…

#RAG#评测与上线#RAG 系统设计

面试题·多模态· 小红书

多模态大模型面临哪些挑战?

匹配标题与标签：多模态大模型面临哪些挑战? 模态对齐、数据构建与推理一致性的难点解析多模态模态对齐数据构建推理一致性多模态融合幻觉问题 2026真题多模态大模型挑战多模态数据构建多模态大模型小红书

#模态对齐#数据构建#推理一致性

面试题·推理优化· 商汤科技

工程化核心目标是什么?

匹配标题与标签：工程化核心目标是什么? 从可靠性、可扩展性、延迟优化和成本控制四维度解析推理优化大模型工程化系统架构设计推理优化成本优化生产环境部署 2026真题可靠性可扩展性延迟优化成本控制系统优化与推理加速商汤科技

#大模型工程化#系统架构设计#推理优化

面试题·Agent· 阿里

Agent 外部工具怎么集成?

匹配正文：…n必须让LLM精准理解工具边界，避免误调用；parameters用JSON Schema严格约束，支持嵌套对象和枚举值。二、参数解析与类型校验双层校验机制： LLM层：通过prompt约束输出合法JSON，必要时用约束解码（如Outlines、Guidance）系统层：Pydantic动态校验 + 类型强制转换，失败时反馈具体错误给LLM重试工程实践：复杂参数（如日期范围）做语义解析，支持"最近三天"→具体日期的转换。三、调用机制设计场景机制实现实时查询同…

#阿里云#Agent#Agent 工具集成

面试题·Agent· 高德

多智能体系统 vs 单一 Agent 怎么选?

匹配标题与标签：多智能体系统 vs 单一 Agent 怎么选? LLM Agent 协同工作的优势与挑战,高德面试题解析 Agent 高德 Agent 多智能体系统 LLM Agent 协同多 Agent 优势与挑战高德

#高德#Agent#多智能体系统

面试题·Agent· 美团

DeepResearch Agent 怎么工作?

匹配标题与标签：DeepResearch Agent 怎么工作? 深度研究Agent的技术架构与典型应用场景解析 Agent 美团 Agent DeepResearch Agent 深度研究Agent原理 Agent技术架构美团

#美团#Agent#DeepResearch Agent

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：完整数据链路：5个关键阶段 1. 文档加载与解析技术要点：支持PDF/Word/HTML/扫描件等多格式，处理版面分析（Layout Parsing）性能影响：解析失败直接导致信息丢失；复杂表格/图文混排需专用工具（如Unstructured、Marker）关键决策：是否保留结构信息（标题层级、表格单元格关系） 2. 文本清洗与标准化去除页眉页脚、编码异常、冗余空格统一术语表达（可选：NER实体链接）影响：噪声降低Embedding质量，清洗过度可能丢失关键语义 …

#字节#文档处理#向量检索

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配正文：1. 文档预处理格式解析：用PyPDF2、python-docx等提取文本，扫描件需OCR（PaddleOCR/EasyOCR）清洗去噪：去除页眉页脚、特殊符号、重复内容，保留表格/标题结构信息元数据标注：记录文档来源、章节、时间戳，用于过滤和溯源 2. 文本分块（Chunking）策略特点适用场景固定长度简单高效，可能切断语义通用场景，追求速度递归分块按标点层级分割，保持句子完整大多数文本语义分块用模型判断语义边界，块大小不均对连贯性要求高的文…

#美团#RAG 知识库搭建#文档预处理