匹配正文：面试官可能会问：“做 Agent Memory，是不是把所有对话切块后存进向量库就够了？” 不够。向量库适合根据语义找相似内容，却不擅长单独承担用户归属、租户隔离、事务更新、唯一约束、版本冲突、精确状态和彻底删除。完整对话、大文件和工具工件全部塞进一张关系表也不合理，读取成本和生命周期会混在一起。这道题考的是你能否先区分“事实源”和“索引”。关系型存储保存主体、记忆条目、来源、权限、版本、状态和审计；向量索引帮助从已授权范围里找到语义候选；对象存储承载长文档、完整轨迹和大工…

#Agent#记忆与存储#Agent 记忆存储设计

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：…>100" 索引结构 HNSW、IVF、PQ等近似索引 B+树、哈希、倒排精度/召回近似结果，存在漏召精确结果扩展性高维向量检索优化事务一致性保障关键洞察：两者不是替代关系，是互补关系。混合存储架构实践分层设计：检索层：向量库（Milvus/Pinecone/Elasticsearch）→ 语义召回Top-K 过滤层：关系型数据库（MySQL/PostgreSQL）→ 元数据精确过滤重排层：Cross-encoder/BGE-reranker → 精排 …

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

#安克科技#混合知识库存储#向量数据库

面试题·Agent

Agent 有几十上百个工具时怎么选？大工具集路由怎样设计和验收

匹配正文：…可能会问：“Agent 只有三四个工具时可以把 Schema 全塞给模型，工具扩展到几十上百个以后怎么办？” 这道题不能只回答“用向量检索找 Top K”。工具一多，问题不仅是上下文变长，还包括名称和描述越来越相似、敏感能力不该暴露、工具版本与健康状态不断变化，以及候选召回错误会让后面的模型根本没有机会选对。大工具集路由更像一个分层检索与授权系统：先根据用户、租户和任务过滤绝对不能使用的能力，再从剩余工具中召回小候选集，结合描述、参数和上下文重排，最后才让模型选择或请求澄清…

#Agent#工具调用与安全#Agent 大工具集路由

面试题·Agent· 字节

Agent 长期记忆存储结构

匹配正文：…Redis/内存，支持快速CRUD 长期记忆：跨会话的海量历史，向量数据库+图数据库混合，持久化存储混合存储方案长期记忆 = 向量存储(语义检索) + 关系数据库(结构化过滤) + 对象存储(原始对话) 检索效率优化索引层面 HNSW/IVF-PQ：亿级向量毫秒级ANN检索，内存-磁盘分层分区策略：按用户+时间窗口分片，避免全量扫描量化压缩：FP32→INT8/二进制，降低内存占用10x 召回策略：多路召回向量语义召回：query embedding → Top-…

#字节#蚂蚁#向量检索

面试题·RAG

对话历史太长怎么办？滑动窗口、摘要和长期记忆怎么分工？

匹配正文：…一轮。长期记忆：跨会话找回真正有用的信息长期记忆保存跨会话仍有价值的信息，可以放在持久数据库中，也可以为需要语义查找的内容建立向量索引。数据库擅长按用户、类型、状态和时间做精确过滤；向量索引擅长从大量历史里找出语义相关条目。实际设计可以组合两者，但不能把向量相似度当作权限。长期记忆不等于永久记忆。偏好会变化，任务会结束，旧事实会过期，用户也可能撤回授权。每条长期记忆都应有作用域和生命周期，而不是只存一段文本和一个向量。一条记忆从产生到消失，应走完七个步骤记忆系统每轮…

#RAG#生成与对话#RAG 记忆模块

面试题·Agent

Text2SQL 面对上百张表，怎样选对 Schema 并处理业务歧义

匹配正文：…义相似；业务术语映射；指标目录；实体与示例值匹配；数据域和用户角色；历史正确样例；精确关键词。例如问题涉及“退款后的支付收入”，语义召回可能命中支付表和退款表，术语词典命中净收入指标，关系图补充订单主键。只搜表名可能只找到一张 payment 表，遗漏退款调整。候选表要带入相关列，而不是把每张表全部字段送入模型。保留主键、外键、指标字段、过滤字段、时间字段和必要维度字段。敏感或无关列继续排除。召回阶段追求“正确表列在候选里”，但候选不能无限扩大。可以先按数据域和权限硬过…

#Agent#工具调用与安全#Text2SQL Schema 选择

面试题·RAG

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

匹配正文：…否可能这样问，资料里是否真的有答案，参考答案能否完全由标注证据推出。问题类型也要有层次。原词事实题检查基本命中。口语改写题检查语义召回。否定和例外题检查条件理解。流程题检查多步骤证据。比较题和多跳题检查多段信息。表格题检查结构解析。无答案题检查拒答边界。如果一批题只是把“怎么报销”换成十种说法，数量看起来很多，知识覆盖仍然很窄。可以对照知识库目录、文档类型和用户任务做覆盖表，避免某一主题主导整体结果。评测集怎样从文档变成可执行数据？可以按七步完成。第一步，确定知识…

#RAG#评测与上线#RAG 评测集

面试题·评估· 高德

高并发 Agent 延迟卡在哪?

匹配正文：…同瓶颈，应分别测量排队、计算、存储和网络时间，再做端到端预算。召回阶段用元数据或 BM25 做安全的候选过滤，再用稠密检索补充语义召回；过滤规则必须通过召回回归，避免提前丢失正确文档。 HNSW 通过搜索宽度在延迟与召回间取舍；IVF 通过桶数和探测数取舍；PQ 可减少向量存储与带宽，但会引入量化误差。热点 query、embedding 和结果可以按语料与模型版本缓存；更新后必须正确失效。检索服务独立扩缩容，并记录 Recall@K、P95/P99、缓存命中和资源使…

#高德#Agent#Agent 系统延迟优化

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配正文：…药剂量、量刑标准）强制人工确认众包+专家双审：初级审核员筛查，领域专家终审 4. 索引架构（三级）层级作用技术选型一级：向量索引语义召回领域微调Embedding + 混合检索二级：关键词索引精确匹配（药品名、法条号） Elasticsearch 三级：知识图谱关联推理（禁忌症、判例引用） Neo4j 合规性保障机制溯源强制：每个回答附带原文片段+文档版本+页码权限控制：敏感内容按角色脱敏（患者/医生/律师可见层级不同）审计闭环：用户查询→检索片段→…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·检索· 快手

LLM怎么融入推荐系统？特征提取与召回

匹配正文：…叉特征快手实践：用LLM解析短视频标题/ASR文本，生成结构化标签，喂给双塔模型 2. 召回层（探索中）方案原理挑战语义向量召回 Item→LLM Embedding→向量库推理成本高，需离线预计算生成式召回 LLM直接生成候选item ID或描述需微调适配ID空间，幻觉问题对话式交互用户query→LLM理解→扩展语义召回适合搜索推荐联动场景 3. 排序层（谨慎切入）重排序阶段：用LLM做精排后的多样性重排（MMR+语义去重）推荐理由生成：非排序本…

#快手#LLM推荐系统#LLM 推荐系统

面试题·评估· 淘天

RAG 核心指标优先级

匹配口述回答：…百分之六七十，那后面再怎么调prompt都补不回来。具体到业务场景，比方说电商客服处理退款纠纷，用户的订单号和退款原因五花八门，纯向量检索可能因为拼写差异漏掉关键记录。这时候我会用 [[Hybrid Search]]，把关键词和向量两条路结合起来，先用[[BM25]]兜底高频实体，再靠向量语义召回，这样Recall才能拉上去。再说生成端，核心指标是 [[Faithfulness]]，也就是答案是不是忠实于检索到的文档。这是RAG的生命线，直接对应[[幻觉]]问题。你不能模型…

#淘天#评估与监控#RAG 核心指标优先级

面试题·RAG· OPPO

查询文档相关性怎么算?

匹配口述回答：…是水果还是手机，BM25 分不清；而且它完全基于字面匹配，语义上“退货”和“退款”相近，它就不行。所以有了语义匹配，也就是稠密向量检索。[[双塔]]架构，查询和文档分别编码成向量，用 [[ANN]] 近似最近邻检索。这个方法的优势是能跨越词汇鸿沟，把“我想投诉”和“对服务不满”映射到相近的向量空间。在商家满减政策检索里，用户问“凑单怎么优惠”，语义上能和“满300减50”这种文档匹配上，BM25 可能就漏了。但双塔有个大坑：离线建索引快，在线检索也快，但训练和调优成本高，…

#OPPO#查询文档相关性#语义匹配

面试题·检索· 美团

混合检索为什么优于单一检索?

匹配口述回答：…不到「iPhone」。再说稠密检索，也就是 Dense Retrieval。它用[[双塔]]模型把 query 和文档编码成稠密向量，然后算向量相似度。常用度量有余弦相似度、点积，还有欧氏距离，但实际工程里余弦相似度最常用，因为它只关注方向，对向量长度不敏感。稠密检索的优势是语义泛化能力强，能理解「适合聚会的餐厅」背后的「包厢」「多人套餐」这些隐含语义。但它的前提是训练数据要覆盖好，如果遇到训练集里没见过的罕见词或专有名词，召回会崩。而且它依赖 [[ANN]] 索引，比如…

#美团#稀疏稠密检索#混合检索策略