匹配正文：大模型应用开发不是学"一个东西",而是一张地图:RAG、Agent、Prompt 与上下文、评估与监控、重排与检索、模型微调、推理部署几个方向,各自解决不同问题、考察热度也差很多。转行者最该避免的坑是"全都学一遍",正确做法是按面试频率和自己的背景挑一条主线做深。这一页就是全站技术地图的枢纽,帮你先看清全貌再决定学哪条。作者:吴师兄 | 适合:刚决定转大模型、面对一堆名词不知从哪下手的人 | 前置:知道应用岗和算法岗的区别,看过路线图大模型技术栈到底有哪些方向一句话结论…

#求职#职业转型

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配正文：RAG是什么检索增强生成（Retrieval-Augmented Generation）是一种将外部知识检索与大语言模型生成结合的架构。核心流程：检索阶段：根据用户Query从知识库中召回相关文档片段生成阶段：将检索结果作为上下文，让LLM生成最终回答解决的LLM核心局限局限具体表现 RAG解法知识静态模型参数固化，无法感知训练后事件动态检索最新知识库幻觉问题编造不存在的事实基于检索到的真实文档生成更新困难全量重训成本极高只需更新知识库，零模型改…

#科大讯飞#阿里#RAG 架构

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"三段式架构说明向量数据库和Embedding的核心作用解释检索策略（相似度搜索、重排序）的关键设计分析RAG缓解幻觉的机理（事实锚定+可溯源）提及RAG的局限（检索质量瓶颈、上下文窗口限制）核心架构：检索-增强-生成 RAG的本质是给大模型外挂一个"可查询的知识库"，让生成过程有据可依。三大核心组件 1. 索引层（Indexing）文档切分（Chunking）：按语义或固定长度分块，通常512-1024 token E…

第 1 / 18 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

#京东#幻觉抑制#RAG 技术原理

学习路线·学习路线

大模型应用开发学习路线

匹配正文：这条路线写给已经会编程，想做大模型应用开发、RAG 或 Agent 工程的人。它不要求你先把所有知识学完。不同背景的学习节奏差别很大，所以这里不按月份排任务，只看五个能检查的结果：我准备投什么岗位？我能不能把一条最小的模型应用链路跑通？我要把 RAG、Agent 还是 Deep Research 做成主项目？我有没有评测、失败案例和技术取舍证明这是自己做的？我能不能脱离稿子说清项目，并接住后续追问？学习路线不是一张课程表。每一步都有完成标准：留下能运行的代码、评测…

#学习路线#RAG#Agent

系统教程·评估

大模型评估与监控面试题大全

匹配正文：评估是大模型应用从 demo 走向生产的分水岭。面试官会追问你怎么构造评测集、怎么区分检索问题和生成问题、线上怎么监控成本与质量。这一页把评估与监控题目、项目章节和面试准备路径放在一起。配套教程 RAG 教程第 10 章：从感觉好用到可量化评估 Deep Research 第 8 章：Agent 评估与上线监控知识模块评估指标、评测集与线上监控评估指标、评测集与线上监控常见问题大模型评估面试最容易被追问什么？最常见的是评测集怎么来、指标为什么这样选、badcas…

#专题学习#大模型评估与监控面试题大全

系统教程·大模型

大模型项目与公开作品

匹配正文：代码、教程和项目面试题可以直接查看。 RAG From Zero：从文档解析到检索评测一套按工程链路展开的 RAG 教学项目。不是只演示一次问答，而是把资料处理、检索、重排、引用和评测串起来。 GitHub 仓库、README、代码和配套章节，可以直接查看项目结构与实现思路。想判断课程是不是在讲完整工程链路，可以先看目录，再挑检索、重排或评测章节深入阅读。查看 GitHub 仓库大模型面试题图解 100 把 100 道大模型面试题按 14 个模块拆开，每题保留一张 S…

#公开作品#代码仓库

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：很多团队第一次做 Deep Research，会把它理解成“检索次数更多的 RAG”。于是系统不管收到什么问题，都先拆计划、反复搜索、打开网页、整理报告。用户只是问一句“这个产品支持哪些文件格式”，也要等 Agent 跑完一整轮研究。流程看起来很智能，实际却把一个本来一次检索就能回答的问题，做得更慢、更贵、更不稳定。反过来，如果用户问的是“请比较三种技术方案在小团队、低运维和数据合规约束下的适用性，并给出能够核查的依据”，只查一次再生成也不够。一次检索可能只拿到某个厂商…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

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：…面时，只拿到几个页码或一段水印，正文几乎为空。后面的分块、向量化和入库没有明显报错，用户提问时却一直搜不到材料里的答案。问题不在大模型，也不一定在向量库。真正的原因是这份 PDF 没有可用字符层，页面本质上是一张张图片。于是面试官会继续问：你怎么判断一页 PDF 需要 OCR？识别完成后为什么不能直接把文字塞进向量库？遇到模糊页、表格页和失败页又怎样降级？如果回答只有“调用 OCR 接口提取文字”，很快就会遇到下一层追问。因为 OCR 只是把像素变成文字候选，距离可检…

#RAG#解析与入库#扫描 PDF 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：…。第一套仍然区分章节标题、列表前导句和正文，第二套却把它们全部压成同一级文本。若只按字符是否出现计算，两套结果可能很接近；进入 RAG 后，第二套的片段却不知道自己属于哪个章节，例外条件也可能离开它约束的正文。再看重复问题。同一段内容被解析器输出两次，字符覆盖甚至会显得更高，但检索前几条可能被近重复 Chunk 占满。只统计“提取了多少字”，既看不出层级丢失，也会把重复内容误当成完成度提升。所以解析质量至少要拆成四层。第一层，文字覆盖检查应该出现的正文有没有被提取，…

#RAG#解析与入库#RAG 文档解析评估

面试题·评估· 百度

LLM 准确性提升四大路径

匹配标题与标签：LLM 准确性提升四大路径数据、训练、推理优化与外部增强四大路径可行性分析评估数据质量训练策略推理优化 RAG 模型对齐 2026真题 LLM 准确性提升大模型输出优化推理优化技术外部增强方法大模型评测百度

#数据质量#训练策略#推理优化

面试题·Agent· 得物

大模型记忆机制怎么改进?

匹配正文：…区分短期记忆（上下文窗口）与长期记忆（外部存储）的技术路径至少提及2-3种具体架构方案（如Memory Bank、MemGPT、RAG-based Memory）说明记忆检索的关键设计（索引策略、相关性计算、遗忘机制）体现对Agent任务持续性的理解（多轮状态保持、目标追踪）有实际落地考量（延迟、存储成本、一致性）核心思路大模型记忆机制的本质是突破固定上下文窗口的限制，实现信息的跨会话持久化与高效检索。我从三个层面展开：一、架构层：原生上下文扩展长上下文模型 …

#得物#Agent#大模型记忆机制

面试题·Agent· 阿里

主流 LLM 应用产品怎么选?

匹配题目：请列举当前主流的大语言模型相关应用产品，选择其中一到两款，从技术架构（如RAG、Agent等）、应用场景、用户体验优势及潜在改进空间等方面进行综合分析，说明其如何实现技术与产品价值的结合。

#阿里#科大讯飞#Agent

面试题·评估· 字节

RAG 为何要二次生成?

匹配正文：…"该公司"在chunk中失去指代对象条件缺失："如果A则B"只检索到B，丢失前提A 多文档冲突：不同来源对同一事件描述角度不同 LLM的作用：跨片段整合、冲突检测、逻辑补全，重建完整叙事 3. 幻觉控制：约束生成 vs 自由编造方式问题直接输出检索文本可能答非所问，或信息过时、片面纯LLM生成高幻觉风险，编造看似合理的内容 RAG的LLM生成是约束条件下的再创造：以检索内容为事实锚点，降低虚构概率同时保留语言组织能力：统一语气、结构化输出、多语言翻译对检索…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 美团

LLM 幻觉治理方法对比

匹配题目：请列举并分析当前用于缓解大语言模型幻觉现象的主要方法，如改进训练数据、引入检索增强（RAG）、优化解码策略、后处理校验等，并比较其有效性。

#美团#幻觉治理#LLM 幻觉治理方法对比

面试题·评估· 字节

RAG 二次生成怎么减少幻觉?

匹配题目：在RAG系统中，通过大模型对检索结果进行二次生成，如何有助于减少幻觉现象？请结合提示工程或约束生成策略说明。

#抖音#约束生成#RAG 幻觉

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：答案要点清晰阐述RAG的核心原理（检索+生成两阶段流程）说明至少2个具体解决的问题（如幻觉、时效性、领域知识）结合实际项目描述效果提升（量化指标更佳）体现对RAG局限性的认知（如检索质量依赖、上下文长度限制） RAG核心原理 RAG = 检索（Retrieval）+ 生成（Generation），本质是给大模型外挂一个可动态更新的知识库：离线阶段：文档切分 → Embedding模型编码 → 存入向量数据库在线阶段：用户Query向量化 → Top-K相似度检索 …

#美团#混合检索#RAG 技术

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配题目：当前大语言模型在工业界应用中的主流技术范式有哪些（如提示工程、上下文学习、微调、RAG、Agent系统等）？请系统性地比较它们的技术原理、适用场景、优缺点及典型应用案例，并分析在实际落地中如何根据业务需求选择合适的技术路径。

#滴滴#模型微调#Agent

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配正文：…证据上标准流程：查询改写 → 向量检索 → 重排序 → 上下文增强生成关键优化：多路召回、HyDE（假设文档嵌入）、Self-RAG（反思token）局限：检索失败时幻觉反而加重，需配合置信度校准 2. 微调策略事实性SFT：用高质量QA对训练，强化"不知道就拒绝" 偏好对齐：RLHF/DPO中引入事实性奖励，惩罚幻觉输出知识蒸馏：从大模型蒸馏事实性强的推理链到小模型 3. 推理时干预（Inference-Time Intervention）不修改模型，在生成过程…

#联通#大模型幻觉缓解#检索增强

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配题目：为何要引入检索增强生成（RAG）方法？在哪些具体场景下，RAG相比仅使用监督微调（SFT）的大模型具有更优的表现？请结合知识更新、事实准确性和推理能力进行说明。

#美团#RAG vs SFT#RAG

面试题·模型微调· 百度

大模型准确性瓶颈在哪?

匹配正文：答案要点区分知识型错误与推理型错误，针对性选择技术方案 RAG与模型内部知识解耦的设计思想训练数据质量与多样性的关键作用多阶段验证机制（生成-检索-校验）的构建思路模型置信度与不确定性量化的应用提升大模型输出准确性，核心在于区分错误类型、分层治理：一、模型架构层面稀疏激活与专家混合（MoE）：将知识分散到不同专家，减少参数干扰导致的知识混淆可插拔知识模块：分离语言能力与事实知识，知识更新无需全量重训推理时显式规划：如Chain-of-Thought强制模型展…

#百度#评估与监控#大模型准确性提升

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配题目：RAG技术主要解决了大模型应用中的哪些核心问题？请结合实际应用场景说明其价值。

#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

匹配正文：答案要点 RAG（检索增强生成）= 检索 + 生成：先从外部知识库里找到相关资料，再让大模型参考这些资料来回答问题大模型的知识“冻结”在训练完成那一刻，之后发生的新事情、企业内部的私有资料它都不知道遇到不知道的问题，模型倾向于一本正经地编造，这叫“幻觉”（Hallucination，指模型生成看似合理但不符合事实的内容） RAG 用“开卷考试”的方式补知识：不改模型本身，只在回答前把资料塞进上下文三大好处：知识可以随时更新、答案可以溯源、成本远低于重新训练模型核心概念…

#入门#基础概念#什么是RAG

面试题·RAG

RAG 和微调怎么选？

匹配正文：…训练模型，把知识和行为方式写进参数里 RAG 是“外挂资料库”：模型不动，回答前先检索资料喂给它知识时效性：知识经常变 → 选 RAG，改知识库即时生效；微调的知识固化在参数里，更新就得重训成本：RAG 主要是工程成本；微调需要标注数据 + GPU 训练，且每次知识更新都要再花一遍幻觉：RAG 答案有原文可溯源，更可控；微调过的知识模型照样可能记岔、编造核心概念 RAG 与微调（Fine-tuning）是给大模型补充领域能力的两条路线：RAG 在回答时从外部知识库检索…

#入门#基础概念#RAG和微调的区别

面试题·RAG

大模型幻觉是什么？怎么缓解？

匹配正文：答案要点幻觉 = 模型一本正经地输出看似合理、实际却与事实不符或凭空捏造的内容根源在于大模型的本质是“预测下一个词”：它优化的是“像不像人话”，不是“是不是事实” 训练数据有错漏、知识有截止日期、模型不知道自己不知道，三者共同加剧幻觉缓解三板斧：RAG 提供事实依据、提示词约束引用来源、允许模型说“不知道” 幻觉只能缓解、无法根除，高风险场景必须保留人工审核兜底核心概念大模型幻觉（Hallucination）是指模型生成了看似流畅合理、实际却与事实不符或凭空捏造的内…

#入门#基础概念#大模型幻觉