匹配正文：答案要点能系统分类Prompt优化方法（结构化、示例类、推理增强类）准确解释CoT/ToT等核心方法的原理差异说明不同方法的适用场景和选型依据提及前沿方法如DSPy、自动提示优化等 Prompt优化方法可分为四大类：一、结构化优化角色设定：给模型定义专业身份（"你是一位资深算法工程师"），激活特定领域知识输出格式约束：用JSON/XML模板、Markdown表格等强制规范输出结构，便于下游解析分隔与标记：用###、"""等明确区分指令、上下文、输入，降低歧义 …

#阿里#Prompt工程#Prompt 优化方法

面试题·Prompt· 字节

RAG Generator Prompt 整合原理

匹配正文：…token序列触发二次检索或人工复核答案重排序：多候选生成时用轻量模型打分，选最优输出学习建议建议先掌握RAG基本流程，理解Prompt构成要素，再学习常见模板设计与推理优化方法，结合实际案例练习Prompt编写。

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配口述回答：…工具由服务端鉴权和确认。模型升级后重跑回归；如果失败根因是缺知识、缺权限或模型能力不足，就把问题交给 RAG、工具或微调，不继续堆提示词。 Prompt工程本质是引导模型行为基础技巧：角色锚定、格式约束、负面指令场景化技巧：RAG用引用强制，Agent用ReAct框架业务案例：法务问答的幻觉治理工程师判断：Prompt是手感活，要结合校验和版本管理约90秒自动化Prompt优化方法，根据bad case自动调整指令，类似Self-RAG的反思机制。面试官可能会追…

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

#华为#Prompt工程#Prompt Engineering 技巧

面试题·RLHF与对齐· 美团

GSPO 序列级比率与裁剪

匹配正文：…lized Supervised Policy Optimization，但两者不能混用。GSPO 是面向大模型强化学习的组内相对优化方法，不是“监督锚点 + 纯离线 RL”框架。核心思想对同一 prompt 采样一组序列，用组内奖励构造相对 advantage。与 GRPO 常用逐 token importance ratio 不同，GSPO 对整条序列计算长度归一化的似然比，例如： s_i(theta)=exp((1/|y_i|) * sum_t log(pi_the…

#策略优化#离线强化学习#监督学习结合RL

面试题·RLHF与对齐· 快手

PPO vs GRPO vs DPO 适用场景?

匹配正文：…型和在线rollout，但仍依赖参考策略或预计算参考对数概率，并受 beta、偏好噪声、长度偏差和分布外问题影响。 GRPO由同一prompt采样一组答案，依据组内奖励相对值估计优势，省去critic；它仍需要规则或奖励模型给分。可验证数学/代码任务适合构造奖励，但“更稳定/更好”必须由任务实验确认。选型时先问：反馈是偏好对还是可验证标量奖励，是否需要当前策略持续探索，能否承担rollout，以及怎样监控reward hacking、KL、长度和人工质量。不要按固定模型数量…

#RLHF#PPO#DPO

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…ng或隔离索引架构示意：用户输入 → Query理解 → 并行检索[语义向量+关键词+知识图谱] ↓ 融合排序 → 上下文注入Prompt → LLM生成核心权衡：记忆容量↑ → 噪声↑ → 需更精密的过滤与排序机制。学习建议建议先掌握向量数据库和Embedding基础原理，结合RAG与Agent实战案例理解记忆机制设计，多动手实践检索优化与相似度评估。

#高德#重排与优化#文档处理

面试题·RAG

Query 重写、扩写和 HyDE，应该在哪些查询上启用？

匹配正文：…段可能的答案，再把这段假设文档向量化，用来检索真正资料。它借用的是假设文本的语义形状，不是假设文本里的事实。三种 Query 优化方法解决不同缺口重写补全一条问题，扩写覆盖多种说法，HyDE 用假设文档辅助语义检索。三者都只是检索代理。这三种方法可能同时出现，但不应该无条件叠加。多轮指代问题先做重写，已经得到清晰独立问题后，未必还需要 HyDE。明确术语只是文档措辞不同，可以扩写同义词，不必让模型重新编一段答案。短而抽象的问题如果原词也很重要，可以让原 Quer…

#RAG#检索与重排#RAG Query 重写

面试题·评估· 字节

RAG 评估指标与迭代陷阱

匹配正文：…三层指标要联动看。检索高召回+生成幻觉 = 检索内容未被有效利用；检索低召回+生成正确 = 模型靠参数记忆"作弊"。二、常见迭代优化方法瓶颈现象优化方法适用场景检索召回不足查询扩展（HyDE、多查询生成）、混合检索（BM25+向量）、重排序（Cross-encoder）用户问题表述模糊、专业术语对齐差检索精确率低稠密检索模型微调（领域适配）、元数据过滤、上下文压缩领域知识密集、噪声文档多生成幻觉/利用不足引用强制（要求标注来源）、检索内容前置、Self…

#字节#评估与监控#RAG 评估

面试题·模型微调· 快手

Agent 系统怎么调优优化?

匹配正文：答案要点 Agent调优的三种主要范式（SFT、RL、Prompt工程）及其适用场景工具调用能力的专项优化方法当前主流Agent应用的技术架构特点多Agent系统的协作机制设计 Agent系统调优的三大路径 1. 监督微调（SFT）工具调用数据构造：收集高质量的工具调用轨迹（trajectory），包括思考过程（thought）→工具选择→参数填充→结果观察的完整链条 ReAct格式微调：用"Thought: ... Action: ... Observation: …

#快手#Agent#Agent 调优

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：答案要点 RAG核心架构三要素（检索器、生成器、融合机制）检索器优化方法（Dense vs Sparse、混合检索、查询改写）向量数据库选型要点（HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Pr…

#字节#向量库与重排序#RAG 架构设计

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配口述回答：…堆不相关的。生成质量方面，意图识别能帮我过滤检索结果。比如用户问“有什么优缺点”，我优先保留带对比性的文本，而不是一堆基础介绍。Prompt路由也靠它：闲聊场景用宽松的[[System Prompt]]，专业问答得严格引用。还有[[幻觉]]防控，如果意图明显超出知识库范围，比如问“明年双十一满减政策”，系统得直接拒答或触发联网搜索，而不是瞎编。这里有个坑，就是意图识别的精度和召回怎么平衡。如果分类太粗，比如所有问题都走向量检索，召回率可能高但精确度差，生成时容易引入噪音。…

#OPPO#RAG 意图识别#RAG