匹配正文：答案要点明确区分系统指令、检索上下文与用户查询三部分结构设计防幻觉机制（如要求基于引用回答、不确定时声明）处理长上下文截断与冗余去重策略多片段排序与相关性加权提示输出格式约束（如带引用标记的结构化输出）核心设计原则 RAG的prompt设计关键是清晰隔离信息源，让模型明确区分"已知事实"和"需要回答的问题"。推荐模板结构【系统指令】你是一个基于检索文档回答问题的助手。严格遵循： 1. 仅使用提供的参考文档作答，禁止依赖预训练知识 2. 若文档信息不足，明确说…

#商汤科技#Prompt工程#Prompt 模板设计

面试题·Prompt· 字节

RAG Generator Prompt 整合原理

匹配正文：…过滤：对低概率生成的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· 字节

RAG生成阶段Prompt整合策略

匹配正文：…答连贯性和格式一致性来源强制标注增强可信度，便于人工审核冲突显式处理避免模型武断选择，体现信息完整性学习建议建议先掌握RAG基本流程，理解检索与生成的衔接机制，结合实际案例练习Prompt设计，关注上下文排序、去噪与信息融合方法。

第 1 / 9 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

#字节#Prompt工程#RAG Prompt 设计

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配正文：…. 查询澄清（Query Clarification）当query模糊时，先让模型生成澄清问题，获取用户反馈后再检索适合对话式RAG，首轮交互确定意图 4. 伪相关反馈（Pseudo-Relevance Feedback）首轮检索Top-K结果，提取关键词扩展原query，做二次检索二、提示词构建要点 1. 上下文组织 - 按相关性排序文档，高分在前 - 去重：相同内容只保留一份 - 截断策略：优先保留开头/结尾，中间用"..."省略 - 元信息标注：来源、时间、可信…

#百度#小鹏#美团

面试题·模型微调· 科大讯飞

Prompt 怎么设计和优化?

匹配口述回答：…了堆技巧。效果按【评测口径】评估，既看主任务质量，也看格式成功率、危险输入、token 和延迟。结果只填写【真实结果】，并保留 Prompt diff、失败样本和实验配置。如果同一轮还换了模型或数据，我不会把收益全部归因于 Prompt。上线后按 Prompt 版本灰度和监控，出现关键切片退化就回滚；如果问题来自知识缺失、权限或模型能力上限，我会改用 RAG、工具或微调，而不是继续加提示词。 Prompt本质是约束模型行为的边界条件设计原则：系统与用户解耦、具体化约束迭…

#科大讯飞#阿里#模型微调

面试题·Prompt· 脉脉

Prompt 怎么系统设计与优化?

匹配正文：…证" 低资源任务少样本学习 3-5个输入-输出对，覆盖边界case 多轮交互动态上下文压缩保留摘要+关键实体，丢弃过时细节 RAG场景检索结果重排序按相关性打分注入，标注来源可信度三、评估与迭代体系三层验证：规则层：正则/JSON Schema校验格式合规性模型层：用更强模型（如GPT-4）作为裁判，设计评分rubric 业务层：埋点采集用户满意度、任务完成率、人工复核准确率迭代机制：建立Prompt版本库，小流量A/B测试，关键变更需回归测试集（含对抗样…

#脉脉#评估与监控#Agent

面试题·Prompt· 字节

RAG 生成阶段 Prompt 怎么构建?

匹配正文：核心原则：清晰分层 + 信息密度最大化 RAG的Prompt设计关键是让模型明确知道"要回答什么"和"能参考什么"，避免检索内容淹没指令或模型混淆角色。常见模板结构 1. 经典QA式（最通用） [系统指令] 你是一个基于文档回答问题的助手。请严格根据提供的参考资料回答，如果资料不足请明确说明。 [参考资料] {doc1_content} {doc2_content} [用户问题] {query} [要求] - 优先综合多段资料 - 不确定时回答"根据现有资料无法确定" 2.…

#字节#Prompt工程#RAG Prompt 构建

面试题·Prompt· 阿里

Prompt 系统设计原则与技巧

匹配正文：…确定性要求的推理任务 ReAct Thought → Action → Observation 循环 Agent工具调用场景三、RAG与Agent中的差异化设计 RAG场景【系统指令】你是领域专家，严格基于提供的参考资料回答。【参考资料】{retrieved_docs} 【约束】若资料不足，明确告知"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…

#阿里#Prompt工程#Agent

面试题·Prompt· 字节

Agent系统Prompt设计：架构与机制

匹配正文：答案要点系统架构分层设计（感知层/决策层/执行层/记忆层） Prompt模块化与职责分离 ReAct/CoT等推理范式与工具调用的结合状态管理与上下文压缩策略安全边界与异常回退机制一、系统架构层面：四层分离设计感知层（Perception）统一输入网关：处理多模态输入、用户意图识别、安全过滤关键决策：是否走Agent链路 vs 直接回复（简单问答短路）决策层（Planning）核心模块：任务分解、工具选择、执行计划生成支持多范式：ReAct、Plan-an…

#字节#Prompt工程#Agent

面试题·Prompt· 字节

RAG Generator 怎么构造 Prompt?

匹配追问：…知识库检索到几段相关文档，现在你要拼一个prompt送给大模型。你会怎么安排这些文档的顺序和格式？有什么坑需要注意吗？层层追问 RAG系统的生成模块，构造prompt时一般要考虑哪些因素？……如果检索回来5个段落，你全塞进去吗？……那怎么避免模型只看到中间的内容？直球架构请详细说说在RAG系统中，生成模块如何构造prompt来整合检索上下文？关键要素有哪些，比如上下文排序、去重、指令设计，它们分别怎么影响生成质量？

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 科大讯飞

Prompt 设计原则有哪些?

匹配口述回答：…e、修改记录、评测方法和副作用。没有做过线上 A/B 测试或没有可核验指标时直接说明，不能把教学示例包装成亲历方案。题目本质是问Prompt工程在真实项目中的系统化落地四层结构作为基础模板动态上下文管理与少样本设计思维链触发与迭代优化工程化实践与风险意识约4分钟 RAG引入后需要做Faithfulness校验，确保模型输出与检索文档一致。面试官可能会追问Faithfulness校验的具体实现方法，比如如何判断一致性、是否用额外模型打分、或者如何处理检索噪声。

#科大讯飞#阿里#Prompt工程

面试题·Prompt· 字节

电商Prompt设计陷阱

匹配正文：答案要点明确角色设定与任务边界结构化输入输出格式引入少样本示例提升稳定性结合业务规则做约束与校验考虑成本与延迟做Prompt压缩核心设计原则 1. 角色锚定 + 场景聚焦你是一位资深电商导购专家，擅长根据用户需求精准推荐商品。用户画像：25-30岁女性，注重性价比，偏好简约风格。任务：从以下商品列表中选出3款最匹配的，并说明推荐理由。 2. 结构化输入输出输入：用JSON/XML包裹商品字段（标题、价格、卖点、评分）输出：强制规定格式，如推荐1: [商…

#字节#Prompt工程#电商 Prompt 设计

面试题·Prompt· 字节

Agent 系统架构与 Prompt 设计原则

匹配口述回答：…那样太危险，一旦[[Hallucination]]，它可能乱调用工具造成破坏。所以规划层只输出意图和参数，执行层做安全校验。再说Prompt设计。我会用结构化模板，固定角色定义、任务目标，动态塞工具描述和[[Few-shot]]示例。工具描述用[[Function Calling]]的Schema格式，每个工具写明description、parameters、required。输出强制JSON格式，预留thought字段暴露推理过程，这样出了问题能回溯。一个常见的坑是工具…

#字节#Agent#Agent 系统设计

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配题目：在实际的大模型应用中，你使用过哪些有效的Prompt Engineering技巧来提升模型输出的质量、准确性和一致性？请结合具体应用场景（如RAG、Agent等）举例说明其设计思路、实施过程及实际效果。

#华为#Prompt工程#Prompt Engineering 技巧

面试题·RAG

RAG 引用怎么做到可核验？为什么让模型自己标来源不够？

匹配正文：…有说这项费用一定可以报销。文件名是真的，结论却不一定由文件支持。这就是 RAG 面试里经常被一句“让模型标引用”带过的问题： RAG 的引用怎样做到可以核验？为什么答案后面有一个来源编号还不够？面试官继续追问时，通常会问到四件事：引用编号由谁生成，模型能不能自己编？编号指向真实原文，为什么仍可能是错引？一句话需要两段证据时，引用怎样表示？文档更新和重新切分后，旧引用还能不能打开？引用为什么不是生成阶段临时加一下？引用链的起点在文档解析，而不是 Prompt。…

#RAG#生成与对话#RAG 引用溯源

面试题·RAG

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

匹配正文：…文档属于本次评测语料。第二步，建立主题清单。按目录、文档类型和用户任务列出需要覆盖的区域。第三步，收集问题。混合真实问法、人工设计与模型辅助生成。第四步，撰写参考答案或答案要点，避免加入证据外常识。第五步，标注支持证据。一个问题需要几段，就把几段都记录下来。第六步，标记题型、难度、是否可回答和风险类型。第七步，人工复核并版本化，保存每次修改原因。 RAG 评测集从知识范围到人工复核的链路问题生成只是中间一步，真正费工的是答案与证据校验、覆盖检查和版本管理。这里…

#RAG#评测与上线#RAG 评测集

面试题·RAG

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

匹配正文：…一步。与此同时，在线问答要求尽快返回，不能被后台解析占满资源。入库和问答使用不同资源，面对不同失败，追求的目标也不同。这就是 RAG 系统设计面试最常问的一类题：一个可上线的 RAG 系统应该怎样拆？离线入库、在线问答、数据存储、权限、降级和监控怎样形成闭环？只画“文档、向量库、大模型”三格图，通常接不住后续追问：一份文档只解析了一半，怎样恢复？用户权限应该在哪一层生效？向量服务或 Rerank 超时，系统怎样降级？线上答案错了，怎样定位证据在哪一步丢失？为…

#RAG#评测与上线#RAG 系统设计

面试题·评估· 字节

RAG 评测优化闭环

匹配口述回答：…三层评估找到瓶颈，按业务场景选优化手段，冷启动重检索，数据多了再联合调优。核心是别贪多，每个阶段只解决一个主要矛盾。一句话定位：RAG评估和优化本质是平衡检索与生成三层评估体系：检索、生成、端到端，各有侧重迭代优化：检索侧、生成侧、协同，按场景选落地风险与取舍：冷启动先搞检索，数据多了再联合优化约4分钟自动评估指标在复杂推理场景下与人工判断差距大，需人工校验面试官可能会追问：具体哪些场景下差距大？如何设计人工校验流程？或者有没有更好的自动评估方法？

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 百度

RAG 错误怎么定位到检索或生成?

匹配正文：核心思路：隔离变量 + 对照实验 RAG错误的根因定位本质是解耦检索与生成的影响，通过控制输入变量观察输出变化。一、黄金文档替换实验（Gold Document Swap）原理：用已知正确的文档强制替换检索结果，消除检索噪声实验组检索输入预期结果实际结论原系统真实检索Top-K - 基线黄金组人工标注的相关文档正确输出若仍错误→生成模块问题随机组随机不相关文档错误输出若仍正确→生成过度依赖先验关键判定：黄金组正确 + 原系统错误：提示原检索…

#百度#评估与监控#RAG 错误定位

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：… 知识图谱检索关联推理、禁忌症、判例引用 Neo4j + 子图匹配重排序（Rerank）精排Top-K 交叉编码器微调关键设计：查询改写（Query2Doc）处理口语化输入，如"心跳快"→"心动过速" 三、生成模型层（领域适配）基座选择：专业领域优先选已预训练模型（如Huatuo、LawGPT），或通用模型+领域SFT 检索增强生成：检索结果作为上下文注入Prompt 引用溯源：强制模型输出参考来源编号，支持可解释性安全机制：添加拒答策略（超纲问题、无可靠来源时…

#字节#专业领域 RAG#RAG 系统设计

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配口述回答：…引，把组件的OCR文本和类型用文本embedding表示。检索时，如果用户框选了某个组件，我就用多模态向量去召回最相关的产品文档或设计规范。但实际落地，我不会只用向量搜索，而是结合关键词和向量做[[Hybrid Search]]，因为用户问题里可能直接提到组件上的文字，比如“立即购买”，这时候[[BM25]]召回比向量更准。所以我会先粗筛组件类型，再精排功能说明，确保召回率。生成增强这一步，我把组件的结构化信息、检索到的文档片段和用户问题拼成一个prompt，让大模型生成回…

#淘天#多模态#多模态 RAG

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配正文：一、架构设计差异维度传统"先检索后生成" RAG 流程关系流水线式分离：检索→拼接→生成，各模块独立优化端到端融合：检索作为可微分模块嵌入生成流程训练方式检索器固定或独立训练，生成模型无法反馈优化检索联合训练，生成loss可回传优化检索编码器知识存储检索结果作为硬提示（hard prompt）拼接检索向量通过注意力机制软融合（soft fusion）核心区别：RAG将检索从"前置预处理"转变为"模型内部运算"，典型如Dense Passage Retri…

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·RAG· 字节

RAG 查不到文档怎么降级?

匹配正文：…导用户明确需求增加交互成本转人工/工单专业/敏感场景兜底可靠人力成本高，时效差推荐热门/相关文档有相似主题内容保持RAG链路可能偏离用户意图网络搜索补充时效性要求高扩展知识边界结果不可控，延迟增加决策逻辑设计相关性分数 > 阈值 → 正常RAG回答阈值1 < 分数 < 阈值 → 低置信度警告 + 大模型补充回答分数 < 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…

#抖音#RAG降级策略#RAG fallback

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配口述回答：这道题其实本质在问一件事：专业领域里，知识库和模型能力之间的边界怎么划分。[[RAG]]不是简单的检索加生成，它要解决的是模型不知道、知道但不准、知道但过时这三个问题。我下面从架构、检索、生成、更新四个维度讲一下我的设计思路。先说整体架构。我一般会分四层：数据层、检索层、生成层、应用层。数据层不只是存文档，还包括用户交互日志，用来做后续的反馈闭环。检索层我坚持[[混合检索]]，不只用向量。生成层核心是让模型学会说「我不知道」，而不是瞎编。应用层负责权限、审核、对话管理。检…

#字节#专业领域RAG#RAG 系统设计