匹配正文：…符，明确指令起止 <s> / </s> 序列起始/结束标记，控制生成边界 {input}占位符动态注入具体数据，保证模板复用性工程实践要点严格对齐基座模型的chat template：不同模型的特殊token差异很大（如Qwen的<|im_start|>、ChatGLM的[Round]）预留system字段的扩展性：便于后续通过system prompt做动态能力切换 output字段的多样性设计：同一input配多个优质output，提升数据丰富度

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

#Prompt Engineering#指令微调#数据格式设计

面试题·Prompt· 阿里

Prompt 系统设计原则与技巧

匹配正文：…"根据现有信息无法确定"，禁止编造。 Agent场景工具描述：用Function Schema精确定义参数和返回值状态管理：在Prompt中维护任务进度、历史Action、错误回溯四、工程实践要点版本管理：用Git管理Prompt模板，记录变更与效果动态组装：按场景拼接System/User/Context模块，避免硬编码评测闭环：建立Prompt-level的单元测试（输入变体→输出断言）学习建议掌握Prompt基本结构，结合实例练习少样本学习与思维链技巧，…

#阿里#Prompt工程#Agent

面试题·Prompt· 阿里

Prompt 性能上限评估指标

匹配正文：…评估、Bad Case分析、边界测试稳定性指标：多次采样一致性、对抗样本鲁棒性收敛判断：连续多轮优化增益<5%或出现指标震荡工程实践：A/B测试、影子流量、分层实验核心判断逻辑 Prompt优化存在边际递减效应，当连续多轮迭代带来的增益<5%或出现指标震荡（调优后反而下降），可认为接近当前上限。定量指标维度具体指标判断标准任务性能准确率、F1、EM、任务完成率对比基线提升<3%且人工抽检无感知差异生成质量 BLEU/ROUGE（参考任务）、困惑度与S…

#阿里#Prompt工程#评估与监控

面试题·模型微调· 字节

大模型输出JSON怎么保正确?

匹配正文：答案要点约束解码技术（如JSON Mode、Grammar-based Decoding）的原理和应用提示工程技巧（Few-shot示例、Schema描述、输出格式指令）后处理与验证机制（JSON修复、重试策略、Pydantic校验）模型选型与训练层面的优化（Code模型、SFT/RLHF针对性训练）实际落地中的组合策略和容错设计一、解码层：约束生成空间 JSON Mode 与 strict Structured Outputs JSON mode主要约束JSON…

#字节#Agent#大模型 JSON 输出

面试题·模型微调

LLM 封闭标签如何强约束?

匹配正文：答案要点提示工程（Few-shot + 格式约束）是基础手段约束解码（Constrained Decoding）是核心保障微调/SFT提升指令遵循能力 Function Calling/JSON Schema是工程实践标准方案后处理校验作为兜底机制核心思路封闭标签输出本质是可控生成问题，需多层防护：提示工程 → 模型能力 → 解码约束 → 后处理校验。技术手段（按优先级） 1. 提示工程（基线） Zero-shot：明确指令 + 标签列表 + "只能从以下选择"…

#Agent#LLM 输出限定#封闭标签集

面试题·Prompt· 华为

Few-shot 提示怎么用?

匹配正文：…token，增加推理成本无需训练数据积累超长上下文模型才能承载复杂示例可解释、可快速迭代对示例质量敏感，"垃圾进垃圾出" 工程实践：生产环境常将Few-shot作为兜底策略——先尝试Zero-shot，效果不达标再引入精选示例，而非一上来就堆示例。学习建议建议从具体任务入手，如分类、生成，动手设计单样本和多样本提示，对比输出差异，理解few-shot如何引导模型。

#华为#Few-shot 提示#Prompt 工程

面试题·Prompt· 商汤科技

ReAct 范式核心思想与工作流程

匹配正文：…财报的同比增长率"）工具编排：多步骤API调用（订票→查天气→规划路线）交互式探索：数据库查询、代码调试等需要试错迭代的任务工程实践要点 Prompt设计：严格约束输出格式（Thought/Action/Observation标签）工具描述：清晰定义Action的输入schema和返回格式终止条件：设置最大循环次数，识别finish等特殊Action ReAct是现代Agent框架（如LangChain、AutoGPT）的理论基础，与Function Calling…

#商汤科技#Agent#ReAct 范式

面试题·RAG· 字节

RAG 查不到文档怎么降级?

匹配正文：… 阈值1 → 触发追问/推荐/转人工关键：阈值不是固定的，可按问题类型（技术/业务/闲聊）、用户身份（VIP/普通）动态调整。工程实践要点透明性：明确告知用户"未找到相关资料，以下为大模型生成" 可观测：埋点记录fallback触发频率、用户满意度渐进式：优先尝试低成本策略（追问→推荐→大模型→人工）实际中常采用策略组合，如先尝试追问一次，仍无效则用大模型回答并标注来源。学习建议建议系统学习该知识点

#抖音#RAG降级策略#RAG fallback

面经·项目面试

Agent 说“文档建好了”，你怎么验收？

匹配正文：…项、验收证据，以及本次结束原因。这份记录对排查很有用。用户说少了一节时，可以直接确认远端版本、写入批次和读回内容，无须先猜是哪句提示词写得不好。后续评测也能区分内容质量问题与交付问题。用故障样本证明你真的管住了交付如果要把这套设计讲成项目经验，我更想看异常输入下的结果，而不只是一次顺利演示。可以先做一个小型故障注入：把文档客户端替换成可控的假服务，让创建成功、正文追加超时。观察下一次恢复是否复用原文档、是否先核对远端内容，再模拟“正文已经写入，但回执丢失”，检查会不会…

#Agent#工具调用#工程实践

面试题·项目与经历· OPPO

ML项目流程：特征工程到评估

匹配标题与标签：ML项目流程：特征工程到评估特征工程、模型选择、调参与评估全流程实战分享项目与经历特征工程模型选型超参数调优模型评估工程实践 2026真题机器学习项目流程模型选择训练调参项目落地经验 OPPO

#特征工程#模型选型#超参数调优

面试题·Agent· 阿里

Agent 外部工具怎么集成?

匹配正文：…arameters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步调用 asyncio超时控制（默认5-10s…

#阿里云#Agent#Agent 工具集成

面试题·评估· 阿里

Agent 工具调用用 Workflow 吗？

匹配正文：…w（动态Agent）的优势灵活应对边界情况：用户意图漂移时，LLM可自主调整工具组合降低维护成本：业务规则变化无需改代码，调整Prompt即可工具组合涌现：LLM可能发现人类未预设的工具链（如"查天气→推荐穿搭→生成图片"）典型场景：开放域问答、创意写作辅助、探索性数据分析。关键权衡点考量因素建议倾向失败成本极高（医疗/金融） → Workflow为主工具调用链长度>5步 → Workflow避免LLM规划失效需求变化周期<1周 → 动态Agent降低迭代…

#阿里云#评估与监控#Agent

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…：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 → 拼接Prompt上下文 → LLM生成答案关键优势：知识可实时更新，无需重新训练模型。我项目中解决的3个核心问题问题具体场景 RAG解决方案效果知识幻觉客服系统回答产品参数错误强制从官方文档检索生成事实准确率从72% → 94% 时效性政策解读系统需跟进最新法规增量索引新文件，无需微调新法规上线当天可用领域知识医疗问诊需专业…

#美团#混合检索#RAG 技术

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：…的语义漂移或关键词检索的语义丢失。二、提升生成质量上下文筛选：根据意图类型过滤检索结果（如"优缺点"意图优先保留对比性文本） Prompt路由：不同意图匹配不同System Prompt（闲聊 vs 专业问答 vs 拒答场景）幻觉防控：识别超出知识库覆盖范围的意图，触发"我不知道"或联网搜索三、典型工程实践用户Query → 意图分类器 → 路由决策 ↓ ├─ 事实查询 → 精确检索 + 严格引用生成 ├─ 开放讨论 → 宽松检索 + 创造性生成 ├─ 多条件筛选 …

#OPPO#RAG 意图识别#RAG

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配口述回答：…噪声，反而会加剧幻觉。最后是生成可控性，模型得能忠实于检索到的内容，而不是过度依赖自己的参数知识去自由发挥。这跟[[System Prompt]]的设计、上下文窗口的利用、指令遵循能力都有关系。举个例子，客服退款政策。用户问“我买的东西降价了，能退差价吗”，如果模型没有检索到最新的退差价规则，它可能凭训练数据里的旧规则说“可以”，但实际公司政策已经改成“仅限未发货订单”。RAG的做法是把最新的政策文档[[切块]]存到[[向量库]]里，检索出相关条款，然后让模型基于条款生成答…

#京东#知识型幻觉#RAG 幻觉

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配口述回答：…时刻想着它们怎么配合。先说核心架构，就是检索器加生成器再加一个融合机制。用户query进来，检索器从知识库捞Top-K文档，拼成prompt喂给LLM生成答案。这里有个关键前提：证据漏召回会限制基于该证据集作答，但高召回不保证忠实生成；解析、权限、重排、上下文与生成都要分阶段评估。所以我会把重心放在检索优化上。检索器优化，我一般分两条路走。一条是[[Dense Retrieval]]，用[[Embedding]]做语义匹配，适合长尾query；另一条是[[Sparse R…

#字节#向量库与重排序#RAG 架构设计