匹配正文：…召回，取交集或加权融合降低单路噪声动态阈值：根据查询难度自适应调整top-k数量，难查询多召回、易查询严过滤二、生成阶段：增强鲁棒性置信度引导生成：让模型输出引用来源并给出相关性评分，低置信度时主动降权或拒绝回答反事实训练（Counterfactual Training）：SFT阶段注入噪声文档，训练模型学会"忽略干扰" 检索-生成联合优化：如Self-RAG、Corrective RAG，让模型自主判断是否需要检索、是否信任检索结果三、小红书场景的特别考量 UGC…

#小红书#检索噪声过滤#RAG 噪声处理

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配题目：在RAG系统中，当检索环节未能从知识库中找到相关文档时，应该采取哪些策略来保证系统的鲁棒性和回答质量？

#百度#小鹏

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

#美团

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

匹配口述回答：…识是否覆盖了历史关键信息。但更重要的其实是上线前的模拟测试，构造多轮对话流跑一遍，看检索的Recall和漂移率。所以我会把多轮[[RAG]]看成记忆系统设计，核心是状态结构、切换检测和重写鲁棒性这三者的平衡。一句话定位：多轮RAG的本质是记忆管理边界划分：显式状态管理 vs 隐式上下文窗口具体方案：状态跟踪+分层检索+查询重写业务场景：客服退款流程中的知识遗忘落地风险与判断收尾约4分钟用户纠正信息时，状态更新用版本化快照，按时间衰减加权。面试官可能会追问版本化…

#蚂蚁#RAG 多轮对话#知识遗忘

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配口述回答：这道题问的是[[RAG]]上下文不准确怎么诊断和解决，其实本质是在问两件事：一是你能不能快速定位问题出在检索、生成还是数据本身，二是你有没有一套数据质量保障的工程闭环。我一般会按三层来诊断。先看检索层。如果检索出来的文档不相关，或者相关文档排得太靠后，那就是检索的问题。比如在客服场景里，用户问“订单退款为什么还没到”，如果知识库里明明有退款时效文档，但召回的是物流政策，那就是检索不准。这时候我会对比[[BM25]]和向量检索的结果，看看是关键词匹配不行，还是语义理解偏了。 …

#字节#RAG 上下文不准确#RAG 诊断

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配口述回答：…式，推理干预做兜底业务场景：客服退款政策查询的落地案例落地风险：检索失败反而加重幻觉，需置信度校准工程师取舍：分层防御，优先RAG，辅以推理干预和事后检测约4分钟知识编辑（Model Editing）作为紧急热修复可行，但风险大，不能做常规方案面试官可能会追问知识编辑的具体风险，比如修改一个事实如何影响其他相关事实，或者怎么保证编辑的鲁棒性

#联通#大模型幻觉缓解#检索增强

面试题·模型微调

SFT vs RAG 知识更新

匹配口述回答：…证明，我选SFT；如果知识频繁变更、需要可溯源，比如政策问答、客服，我选RAG；但真正业务里，往往是两者都要。比如客服场景，我会用RAG提供实时政策，同时用SFT优化回答的推理风格和领域格式，让回答更自然。不过这里有个延伸点：如果RAG检索结果质量不高，比如召回率低或重排不准，该怎么兜底？我通常会加一个置信度过滤，分数低的直接拒绝回答，或者用 [[Self-RAG]] 让模型自己反思检索结果是否可靠。这个其实涉及到RAG系统的鲁棒性设计。一句话定位：SFT vs RAG …

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配口述回答：…下文组装，必要时加入[[Faithfulness]]校验，确保生成内容忠实于检索结果。其实现在已经有进阶方案，比如[[Self-RAG]]，让模型在生成过程中自己判断是否需要检索、检索结果是否可信，甚至自我纠错。这种动态路由的方式，能进一步提升RAG的鲁棒性。一句话定位：RAG本质是给LLM外挂知识库，解决知识更新和幻觉问题离线构建：文档切分、向量化、索引存储，重点讲分块策略的取舍在线流程：查询优化、混合检索、重排序、上下文组装，用客服退款场景串起来落地风险和边界：…

#高德#RAG数据流#RAG 工作流程

面试题·模型微调· 百度

大模型准确性瓶颈在哪?

匹配正文：…溯源与质量分层：对事实密集型数据标注置信度，高置信数据加权训练对抗性样本注入：刻意构造易混淆的负例（如相似实体、过时知识），提升鲁棒性知识时间戳标记：让模型感知知识时效性，减少"过时答案" 三、微调与对齐策略 SFT阶段：用"拒绝回答+解释原因"的数据，训练模型识别知识边界 RLHF/DPO优化：将"事实准确性"纳入奖励函数，人类标注时区分"流畅但错误"vs"保守但正确" 工具使用微调：训练模型主动调用计算器、搜索引擎验证关键事实四、外部增强机制（RAG为核心）检索-…

#百度#评估与监控#大模型准确性提升

面试题·RAG· vivo

地图避障方法有哪些局限?

匹配题目：…些局限性和实际应用中的缺点？请从环境动态性、建图精度、实时性、计算开销等方面综合分析，并结合实际场景说明这些因素如何影响导航系统的鲁棒性与性能。

#vivo#机器人导航避障#地图避障局限

系统教程·Agent

Agent 面试题大全与开发指南

匹配正文：…解知识模块 Agent 架构·工具调用·记忆·多智能体 Prompt 工程(Agent 的地基) 常见问题 Agent 面试和 RAG 面试考察重点有什么不同？ RAG 考检索质量与评估，Agent 考系统设计与鲁棒性：规划怎么做、工具调用失败怎么重试、记忆怎么分层、多 Agent 怎么协作。两者经常组合出现——Agent 把 RAG 当工具之一。没有 Agent 项目经验，从哪里开始最快？先实现一个只保留循环、工具和停止条件的最小 Agent，再读 Deep Rese…

#专题学习#Agent 面试题大全与开发指南

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配口述回答：这道题其实是在问[[RAG]]系统里召回与精度的取舍。说白了，没有一种检索方法能通吃所有场景，真正落地的做法往往是混合的。我先说[[BM25]]，它本质是精确关键词匹配，靠词频和逆文档频率打分。它的好处是零数据依赖，即插即用，计算开销极低，倒排索引毫秒级响应。但缺点也很明显，同义词、上下位词它完全抓不到。比如用户搜‘苹果手机’，BM25只能匹配到字面‘苹果’和‘手机’，如果文档里写的是‘iPhone’，它就漏了。所以BM25适合品牌名、型号、订单号这种精确检索场景。再说向量…

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·项目与经历· 商汤科技

数据预处理关键步骤与目的

匹配口述回答：…覆盖缺口。每一步记录前后数量、失败原因和抽检。上线后用分布距离、缺失率、重复率、约束失败率、业务表现和人工复核监控漂移。Self-RAG 是检索与生成反思方法，不是数据漂移检测器。【90秒主答】回答开头先说明数据用于【真实任务】，来自【真实来源】，个人实际负责【真实环节】。原始数据落到只读层，保存采集时间、版本、来源许可和处理作业版本，避免清洗错误后无法回放。画像阶段统计字段类型、主键覆盖、空值、长度、语言、重复、异常值、类别分布与隐私风险。格式转换统一 UTF 编码、时…

#数据清洗#数据增强#数据采样

面试题·Agent· 百度

Agent 系统可调用哪些工具?

匹配正文：…具打通。常见工具类型包括：信息获取类搜索引擎（Google/Bing/百度）：获取实时知识，弥补模型训练数据截止问题知识库/RAG检索：查询企业内部文档、产品手册数据库查询：SQL执行、业务数据检索计算与执行类代码解释器：Python执行复杂计算、数据分析、绘图计算器/Math API：精确数学运算，避免LLM数值幻觉沙箱环境：安全执行用户提交的代码业务操作类企业API：订单查询、库存管理、用户系统操作第三方服务：天气、地图、翻译、支付接口消息通知：邮…

#百度#Agent#Agent 工具类型

面试题·评估· 字节

Agent 建模方法怎么选?

匹配正文：…僵化，环境变化时难以调整；初始计划错误代价高 3. 记忆增强型短期记忆：对话历史、滑动窗口上下文长期记忆：向量数据库存储经验，检索增强决策适用：个性化助手、持续学习场景关键：记忆召回的准确性直接影响Agent表现 4. Multi-Agent协作设计：多个专精Agent分工（规划者、执行者、验证者）适用：复杂系统任务（代码生成+测试+修复）选型建议场景推荐方案工具链明确、步骤不确定 ReAct 步骤固定、追求效率 Plan-and-Execute 需历史经…

#字节#评估与监控#Agent

面试题·评估· 美团

Agent 功能模块怎么分工?

匹配正文：…信息输入：查询query、检索策略参数（top-k、时间范围等）输出：检索到的文档片段、来源链接、相关性分数架构作用：典型的RAG增强路径，为推理提供事实依据，支撑决策的准确性 3. GUI 模块 —— 图形界面交互功能定位：实现与操作系统、网页、APP的视觉化交互输入：屏幕截图/界面元素描述、操作指令（点击/输入/滑动）输出：预测的操作序列（坐标或元素ID）、执行后的界面状态架构作用：打通Agent与真实数字世界的"最后一公里"，适用于自动化办公、网页操作等场…

#美团#评估与监控#Agent

面试题·Prompt· 阿里

Agent Prompt优化评估指标

匹配口述回答：…，我更倾向把Prompt优化看成一种低成本、高频迭代的手段，但它的上限受限于模型能力。如果遇到效果瓶颈，我会考虑结合[[Self-RAG]]或者[[Chain-of-Verification]]这类框架，让Agent自己学会反思，而不是死磕Prompt。本质是量化Prompt对Agent决策的影响定量指标：任务成功率为主，资源稳定性为辅定性指标：可解释性和鲁棒性，避免指标欺骗实验设计：分层评估+边界测试，控制变量落地风险：指标提升不等于体验提升，警惕过拟合约4分钟…

#阿里云#Prompt工程#评估与监控