匹配正文：…量）、Elasticsearch（混合场景） Rerank：Cross-Encoder（精度高但慢）、ColBERT（平衡）三、最佳实践环节关键做法文档切分按语义段落切，256-512 tokens；重叠窗口作为待测变量，并用同一评测集验证边界证据、召回与成本检索策略稠密+稀疏混合（RRF融合），复杂场景加知识图谱查询优化 HyDE（假设文档嵌入）、Query扩展、多Query生成上下文处理重排序精筛Top-5，过长时压缩或摘要生成控制要求模型标注引用…

#字节#RAG 最佳实践#RAG 技术原理

面试题·Agent· 淘天

架构 vs 模块 vs 工具集成怎么选?

匹配口述回答：…场景下的参考实现。LangChain告诉你工作流可以怎么搭，LlamaIndex告诉你RAG可以怎么优化，AutoGPT告诉你自主Agent可能长什么样。但真正上线，你得自己判断边界，自己补短板。所以我更倾向于把框架当成“最佳实践集合”，而不是非用不可的轮子。本质问的是框架选型与场景匹配三个框架的定位差异：LangChain是积木盒，LlamaIndex是检索专家，AutoGPT是实验品实际落地往往是混搭，比如LangChain+LlamaIndex 业务场景举例：电商…

#淘天#字节#Agent

面试题·评估· 美团

ReAct vs Plan-and-Execute 错误恢复谁强?

匹配口述回答：这道题其实是在问一个本质矛盾：[[Agent]] 面对长任务时，是每一步都动态决策更灵活，还是先想清楚再执行更可控。[[ReAct]] 和 Plan-and-Execute 刚好是两种极端。我先说结论：没有绝对好坏，真正落地往往是混着用，关键看任务步骤的确定性和上下文长度。先说 ReAct。它的核心是推理、行动、观察循环交替，每一步都依赖完整历史。好处是天然支持局部回溯，比如上一步工具调用返回了异常数据，下一步的 Thought 里马上就能修正，试错成本很低。但坏处也很明显…

#美团#评估与监控#Agent

面试题·Prompt· 字节

LLM 输出格式如何强校验?

匹配正文：… 保留创造性，人工兜底流式输出增量解析 + 状态机校验实时发现格式错误，提前截断关键权衡：格式严格性 vs 任务完成率。对Agent工具调用必须严格，对内容生成可适当宽松。参考资料 OpenAI 官方：JSON mode、strict schema 与拒绝/截断边界

#字节#Prompt工程#大模型输出过滤