匹配正文：…对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：多轮对话上下文状态管理机制、RAG多轮对话怎么防知识遗忘?。 5. metrics · metrics 多轮一致性、引用正确率、权限泄漏率和延迟如何定义？基线与对抗集是什么？考察重点：核验效果数字是否有定义、基线、样本和可归因证据。多轮一致性、引用正确率和权限泄漏率的判定规则同一会话与权限对抗集上的旧方案结果多轮、错引、越权和权限变更样本的…

#模拟面试#简历项目#连续追问

项目实战·RAG

第 8 章:多轮对话与记忆管理

匹配正文：…全) = 指代消解,本质是第 7 章 Query 重写的一种,只是信息来源是对话历史; 你这个"先补全、再检索"的流程 = 多轮 RAG 在线链路里,记忆模块坐在检索之前的位置。你手搓的是它最朴素的样子;Part 2 讲工程系统可以怎样选历史、控制上下文、管理长期记忆和用户画像。这一节你掌握了什么? ✅ 记忆模块是什么、为什么多轮对话离不开它 ✅ 短期 / 长期记忆的区别 ✅ 亲手实现了"带记忆 + 指代消解",看清了"没记忆就断片" 🎯 Part 2 · 面试深度｜…

第 1 / 3 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

#RAG

#检索

#项目实战

项目实战·RAG

RAG 智能问答系统

匹配正文：…项目涉及的解析、切分、检索、重排、引用和评测问题，可以继续到题库按模块练习。题目用于检验理解，不能替代自己的项目证据。去题库刷 RAG 真题 → 按顺序学习第 1 章:为什么做 RAG? 第 2 章:RAG 整体架构第 3 章:文档预处理与切分第 4 章:Embedding 选型与向量化第 5 章:检索召回,混合检索(BM25 + 向量) 第 6 章:重排(Rerank)与检索优化第 7 章:Query 理解与改写第 8 章:多轮对话与记忆管理第 9 章:上下…

#项目实战#RAG 智能问答系统

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…用自己能够说明测法与证据的事实。学习背景经验：适合有后端基础、正在准备大模型应用开发岗位的读者项目背景：练习场景：企业文档 RAG；项目规模、指标与个人职责由读者按真实经历填写目标岗位：大模型应用工程师准备时间：按自己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉…

#RAG#项目深挖#教学复原

项目实战·Agent

第 4 章:多轮对话与长程记忆管理

匹配正文：📊 学习时长:55-70 分钟 🎯 完成后能力:讲清多轮对话 / 长程任务里记忆怎么管(短期 vs 长期、历史选择、裁剪 vs 摘要、外部记忆与遗忘、指代消解),并能跑通一个带记忆 + 指代消解的多轮对话 demo 🔗 关联面试题:5 道(覆盖 5 个角度,见 Part 3) 这一章你会学到什么 ✓ 跟着做:用零依赖代码跑通一个「带滑动窗口记忆 + 指代消解」的多轮对话,亲眼看「它」怎么被补全 ✓ 看懂短期记忆 vs 长期记忆的分工,以及为什么「把全部历史塞给模型」是错…

#Agent#Deep Research#项目实战

面试题·Agent· 字节

Attention 在 Agent 多轮对话有哪些局限?

匹配正文：…lf-Attention的O(n²)计算/内存复杂度，导致实际部署中上下文窗口受限（通常4K-128K tokens） Agent多轮对话中，工具调用记录、观察结果、用户偏好等快速填满窗口，触发截断或滑动窗口遗忘 2. 历史信息稀释效应 Softmax归一化使Attention权重随序列长度增加而趋于平均化，早期关键信息（如任务目标、已确认的用户约束）被"淹没" 实验观察：超过20轮后，首轮系统指令的Attention权重常降至1%以下 3. 关键记忆选择性遗忘缺乏显式的"…

#字节#淘天#Agent

面试题·Agent· 蚂蚁

多轮对话上下文状态管理机制

匹配题目：在构建多轮对话系统（如聊天机器人、Agent或RAG系统）时，请详细说明你如何设计和实现对话上下文的状态管理机制，包括上下文的存储策略、动态更新机制、长度截断与信息保留方法、会话生命周期管理，以及在分布式或高并发场景下如何保障上下文的一致性与系统性能。

#蚂蚁#Agent#多轮对话上下文管理

面试题·Agent· 字节

多轮对话上下文遗忘怎么解?

匹配口述回答：这道题其实是在问多轮对话里，模型怎么保持记忆和状态的一致性。说白了，就是怎么让模型不忘了前面说过啥，还能准确理解用户指代的东西，并且回答的语气和立场不飘。我理解这三个问题是连在一起的，核心都在于模型缺乏显式的记忆和状态管理机制。先说上下文遗忘。这个的技术成因其实很直接：标准Transformer的注意力机制，位置编码啊[[RoPE]]这些，距离越远衰减越厉害，所以早期信息天然就容易模糊。再加上推理时[[KV Cache]]长度受限，显存压力会逼你截断历史，导致最早的几轮直接…

#字节#Agent#多轮对话上下文遗忘

面试题·评估· 字节

Attention 在多轮对话中有什么局限?

匹配正文：核心局限：Agent多轮对话的三大瓶颈 1. 计算复杂度爆炸标准Self-Attention是O(n²)复杂度，Agent多轮对话上下文轻松破万token 每轮新输入都要与全部历史做Attention，延迟线性增长，实时性崩塌 2. KV Cache显存瓶颈多轮对话需缓存每层的K、V矩阵，长度随轮次累积工具调用返回的结果、RAG检索的文档进一步膨胀缓存显存占用 = 层数 × head数 × head_dim × 序列长度 × batch_size × 2(K+V) 3…

#字节#评估与监控#Attention 局限性

面试题·评估· 安克科技

Agent/RAG 评估集构建

匹配正文：…的hard negative策略人工+自动化的混合标注流程数据代表性验证方法核心设计原则 Agent和RAG的评估目标不同：RAG重事实准确性，Agent重任务完成度与工具调用正确性，需分开设计。数据采集来源适用场景注意事项真实用户日志高价值、分布真实脱敏+去偏，避免头部query过度采样合成数据（LLM生成）快速覆盖长尾场景需人工校验，控制幻觉比例公开benchmark适配跨模型可比检查license，避免数据污染关键：覆盖多轮对话、边界c…

#安克科技#评估与监控#Agent/RAG 评估集构建

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：RAG系统五阶段工作流程 1. 查询理解与改写技术要点：Query扩展（同义词、HyDE生成假设文档）、意图识别、多轮对话历史融合质量影响：查询语义漂移直接导致检索偏差，是RAG失效的首要环节 2. 文档检索（召回阶段）方法适用场景实现要点向量检索（Dense）语义匹配、长尾查询 Embedding模型选择（BGE/M3E）、向量数据库（Milvus/Faiss）、HNSW索引关键词检索（Sparse/BM25）精确匹配、实体查询分词策略、词频权重调优混…

#阿里云#重排与优化#向量检索

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：答案要点清晰描述RAG的完整流程（索引构建、检索、生成）分环节列举具体优化手段（分块策略、embedding模型、重排序、查询优化等）能区分不同优化手段的适用场景和收益体现对实际落地问题的理解（如多轮对话、长尾查询） RAG核心流程 1. 索引构建阶段文档解析（PDF/Word/网页等格式处理）文本分块（Chunking）向量化（Embedding）存储到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. …

#AIlab#RAG链路优化#RAG 优化

面试题·检索· 百度

RAG Query 改写方法

匹配正文：…聚合子问题分解复杂多跳问题拆解为原子问题链，逐层检索（如"2024年X公司营收→其CEO是谁→CEO背景"）历史会话改写多轮对话场景结合上文指代消解，生成独立完整的 standalone query 关键取舍：改写次数 vs 延迟——通常线上用1-2层改写，复杂场景走异步多路召回。检索后提示词构建结构模板（按优先级排序）：【角色】你是{领域}专家，基于提供的参考资料回答问题【约束】仅使用<reference>内容，无法回答时明确说明【参考资料】 <ref…

#百度#小鹏#美团

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：… 动态截断按token预算动态选择能容纳的最相关文档数置信度过滤 Rerank分数低于阈值时，触发"知识不足"回复多轮协同多轮对话中维护检索历史，避免重复检索关键优化方向查询侧：Query2Doc、Step-back prompting扩展查询语义检索侧：稀疏+稠密混合召回（BM25 + Dense），多索引融合生成侧：Self-RAG、Corrective RAG让模型主动判断检索质量实际落地中，检索质量决定RAG上限，建议优先投入Rerank和Query…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配正文：…c 生成伪文档扩展query Step-back 抽象出高层概念再检索子查询分解复杂query拆成多个子问题历史上下文补全多轮对话中补全指代消解四、进阶优化重排序（Rerank）：Cross-encoder精排，如ColBERT、BGE-Reranker 迭代检索：根据中间结果动态调整query（IRCOT）元数据过滤：先结构化过滤，再向量检索，减少搜索空间一句话总结：召回链路优化 = 多路召回扩覆盖 + 索引结构保效率 + 查询重写对齐语义 + 重排序保精准…

#阿里云#查询重写#RAG 召回优化

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配口述回答：这道题其实问的是[[RAG]]在真实业务中，怎么平衡响应速度和结果质量。我理解它本质上是检索和生成两条线的协同问题，但落地时每条线都有自己的瓶颈，而且还会互相放大。先说检索层。延迟主要来自两个地方：一是向量检索的 [[HNSW]] 索引构建，尤其是数据频繁更新时；二是 [[重排]]，[[Cross-Encoder]] 虽然精度高，但延迟太高，不能每个请求都用。精度方面，常见问题是 [[Embedding]] 的语义漂移，比如用户说“退款”，客服系统里可能对应多个政策，向量相…

#阿里云#Agent#Agent RAG 瓶颈

面试题·评估· 蚂蚁

RAG 检索与生成评估

匹配口述回答：…针对生成做忠实性过滤，分太低的直接不回答。上线我会特别关注常见失败场景：比如检索返回空集时模型怎么处理，是硬编还是拒绝回答；再比如多轮对话中上下文漂移，检索文档和当前问题脱节。说白了，没有银弹，指标得和业务绑定，客服加解决率，知识问答加信息完整性。我更倾向把评估看成持续监控，上线后跑离线集，定期看趋势，不追求单次完美。一句话定位：RAG评估本质是两段式质量验证检索质量：召回率和排序，业务场景决定指标侧重生成质量：忠实性和相关性，LLM打分有坑端到端框架：RAGAS自动…

#蚂蚁#评估与监控#RAG 检索与生成评估

面试题·评估· 安克科技

Agent/RAG 评估体系怎么搭?

匹配口述回答：…上，我更倾向信人工反馈而不是自动分数。毕竟系统是给人用的，不是刷榜的。一句话定位：这道题本质在问怎么衡量系统好不好用边界划分：RAG侧重检索质量，Agent侧重工具调用和规划，实际常混用核心指标：RAG看Recall@K和Faithfulness，Agent看任务完成率和对抗测试落地挑战：评测数据难构建、环境动态不可复现、指标和体验有Gap 工程师取舍：轻量监控+人工抽检，先盯关键用户旅程约4分钟多轮对话场景下，记忆和状态的一致性评估比单轮复杂得多，业界还没成熟方…

#安克科技#Agent#Agent 评估体系

面试题·Prompt· 字节

RAG Generator 怎么构造 Prompt?

匹配题目：在RAG系统中，生成模块（Generator）如何有效整合检索到的上下文信息来构建输入Prompt，并驱动大模型生成准确、连贯的答案？请详细说明Prompt构造的关键要素及其对生成质量的影响机制。

#字节#Prompt工程#RAG Generator Prompt

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配口述回答：这道题问的是[[RAG]]检索模块，其实本质是问怎么在召回率和精度之间做工程取舍，而不是单纯讲流程。我按自己的理解来拆解一下。先说检索模块怎么工作。核心就三步：第一步，离线把文档切碎，然后用 [[Embedding]] 模型编码成向量，存到 [[Vector Database]] 里。第二步，用户来了一个查询，同样编码成向量，然后做 [[ANN]] 近似最近邻搜索，召回 TopK 候选。第三步，把结果和元数据拼起来，送到生成模块。这里面有个容易忽略的细节：切分策略直接影响检…

#字节#Query Rewriting#RAG 检索模块

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？

匹配标题与标签：…摘要和长期记忆怎么分工？把短期会话状态、历史摘要、语义记忆和持久化用户信息拆开，说明不同存储与检索方式的边界、成本和隐私风险。 RAG RAG 生成与对话 RAG 记忆模块对话历史管理长期记忆滑动窗口摘要多轮对话面试

#RAG#生成与对话#RAG 记忆模块