AgentAlpha · 面试间← 返回主站

岗位方向 · TRACK

AI 算法应用面试题

大模型应用算法：RAG 全链路、检索排序、微调选型、业务效果优化。

37 道题 · 题目口径为公开面经与岗位 JD 的高频归纳
Q · 线上跑的 RAG 怎么衡量效果好不好？分两层：检索层用 Hit@K 看该召回的有没有进前 K、MRR 看排多前，生成层用忠实度、答案相关性、上下文召回率这类 LLM 裁判指标；线上最终看点踩率、追问率、转人工率。
Q · RAG 实际落地中最难的地方在哪里？不是把 Demo 跑起来，是调好：文档预处理是最脏的工程活，检索质量定位靠分层指标，效果评估没建起来之前所有优化都是盲调。
Q · 什么场景下会用图数据库增强向量检索？向量检索擅长语义相近、不擅长多跳关系；问题需要沿实体关系走多步时（供应链穿透、组织架构、影响分析），先向量定位实体、再图上精确遍历，图管结构、向量管入口。
Q · 你了解哪些更复杂的 RAG 范式？Naive 到 Advanced 到 Modular 是流程内的演进；再往上是换层的范式：Self-RAG 让模型自决检索时机、CRAG 检索差时降级纠错、GraphRAG 用图谱答全局问题、Agentic RAG 做成多轮动态检索的 Agent。
Q · BM25 对 TF-IDF 做了哪些核心优化？字面检索的原理是什么？BM25 是 TF-IDF 的改良版，核心优化了词频饱和度与文档长度归一化。在 RAG 中作为字面检索通道，依赖分词抓取精确匹配，与向量检索形成互补。
Q · 你的 RAG 架构是什么？分几层？我的 RAG 架构分为接入层、检索层和生成层。接入层负责意图路由，检索层执行查询改写、混合召回与重排，生成层负责带引用输出或拒答，每层均有明确指标监控。
Q · RAG 召回错了怎么处理？解决 RAG 召回错误要先定位再处理。用分层指标排查切分、Embedding 或重排。针对语义切断、表述不一致和专有名词失配，分别用语义边界切分、查询改写和补关键词检索解决，最后回收坏案进评测集。
Q · RAG 漏召怎么优化？按顺序使用查询改写、入库时假设性问题增强、向量加BM25混合检索，并扩大召回数量后用重排保精度。所有手段必须在固定评测集上对比召回率来验证有效性。
Q · GraphRAG 的难点是什么？增量更新怎么做？GraphRAG 的难点在于实体抽取一致性、图构建成本和多跳查询延迟。增量更新通过提取新文档增量实体并对齐来实现，依靠版本化索引进行灰度切换。
Q · 知识库里新旧文档分布不一致，检索有偏差怎么办？知识库新文档占比小，旧文档会在向量空间里淹没它们。可通过引入时间衰减因子给新文档加权、按版本分索引、识别时效性意图并优先路由新库来解决，同时需单独建时效性测试集评估。
Q · RAG 怎么做文档级、段落级权限过滤？怎么防止缓存导致越权？权限过滤必须在检索层完成，通过索引打标签和系统注入用户身份实现。防缓存越权需将权限维度加入缓存键，并在多租户命中缓存后二次校验权限。
Q · 搜索推荐广告的多跳问题，怎么构建可验证的证据链？核心是拆解多跳问题进行多轮检索。每跳生成子查询，带上前一跳结论作上下文。记录每跳来源形成证据链，确保中间结论能回溯到具体片段，遇弱证据标注不确定性。
Q · RAG 找不到答案时，置信度、拒答、追问和转人工怎么设计？按检索分数和内容相关性设置正常回答、不确定回答与拒答三层出口，结合多路召回一致性和模型自评，交易与合规问题直接转人工。
Q · 企业知识库里 PDF、网页、表格、扫描件和工单怎么统一解析与标准化？按格式分治解析，再统一到标准中间格式。PDF处理表格双栏，网页去噪抽正文，扫描件做OCR和版面恢复，工单按字段抽。最后全部转为含标题、段落、表格和元数据的统一Schema，再进切分索引。
Q · 商品规则频繁变化，怎么做知识增量更新、版本治理和过期清退？商品规则类知识有强时效性。增量更新靠变更事件驱动，按规则ID先删后增。版本治理需给每条知识打上生效与失效时间，检索时按当前时间过滤。过期清退靠定时任务清理，并联动失效缓存。
Q · 同一规则在多个国家站点冲突，怎么按时效性、地域和可信度融合？这是一个过滤问题而不是排序问题。首先按地域做硬过滤，不参与相似度竞争。同域内冲突按新版本优先、官方文档高于经验帖排序。跨域冲突直接分别回答，绝不融合。
Q · 查询里同时有 SKU、规则编号和自然语言描述，混合检索权重怎么设计？混合检索不要调权重，要分层处理。精确标识符走关键词倒排做结构化过滤，自然语言走向量召回。先按标识符缩小候选集，再用语义相似度排序。
Q · 金融风控场景，工具 Schema 怎么设计以降低参数错误和工具误选？参数要严格约束，工具要写清边界和差异，高风险金额还要强制二次确认。
Q · 微信客服的 RAG，怎么在 BM25、向量检索和混合检索之间选型？微信客服默认选混合检索：精确查询靠 BM25，口语描述靠向量；两路召回用 RRF 融合，再做重排精排。资源不足先砍重排，再按查询形态退到纯向量或 BM25。
Q · Reranker 放在召回链路的什么位置？候选数量怎么确定？Reranker 放在召回之后、生成之前，先合并多路召回结果，再用交叉编码器精排出少量候选进入上下文。
Q · 知识库高频更新，怎么做到增量索引、原子切换和不停服？用变更事件驱动文档级增量更新，先删旧 chunk 再写新 chunk；用双索引和别名一次切换，旧索引持续服务，缓存按版本隔离。
Q · 什么时候该用 GraphRAG，而不是普通向量 RAG？多跳关系推理或文档整体趋势总结优先考虑 GraphRAG；单点事实查询用普通向量 RAG。最终看多跳与全局问题占比，权衡图谱构建、实体处理和维护成本。
Q · 检索证据冲突、过期和权限不一致怎么处理？我会先区分冲突、过期和权限不一致：冲突比较时效性与来源可信度并标注分歧，过期按生效时间过滤，权限在检索层先判定。
Q · 金融风控构造 SFT 数据，怎么覆盖难例并避免数据泄漏？难例从拒贷申诉、审批改判和边界额度案例中挖掘，按拒绝原因分层采样并标注依据；训练评测按时间和客户切分，先脱敏，再复核并保证样本可追溯。
Q · 多路检索结果怎么高效实现 Reciprocal Rank Fusion？用 RRF 按各路排名倒数累加文档得分，再用哈希表聚合、排序取 Top-K；k 常取 60，无需归一化相似度分数。
Q · 知识源是 API 文档、日志、DDL、Wiki 这几类，最难处理的是哪类？日志最难处理：它无结构、量大、时效敏感，还可能含敏感信息；相比之下，API 文档适合模板化解析，DDL 可直接图谱化，Wiki 半结构化。回答时应先对比，再讲日志的处理链。
Q · 知识入库前做了哪些预处理？各步骤分别解决什么问题？知识入库前通常经过格式解析、清洗、结构化抽取、语义切分和元数据标注，分别处理格式异构、数据质量、内容结构、检索单元以及过滤审计问题。
Q · Top-K 已召回正确证据，模型还是答错了，怎么判断问题在哪层？先隔离检索层和生成层：用 Hit@K 与人工检查确认证据是否命中，再判断模型是没用证据、推理错误还是指令跑偏，并按类型修复。
Q · 检索结果互相冲突或证据不充分时，怎么约束模型？用冲突证据约束模型呈现分歧并按可信度、时效性取舍；证据不足时做置信度门控，拒答或追问，并让每条结论绑定证据编号。
Q · NL2SQL 的工具 Schema 怎么设计，才能降低参数错误和工具误选？把表名和列名做成基于元数据的封闭枚举，前置校验类型与格式，并拆分生成和执行工具，再用权限规则控制执行。
Q · Temperature、Top-k、Top-p 分别怎么影响生成？NL2SQL 场景怎么设？Temperature 控制分布平滑度，Top-k 限候选数量，Top-p 按累积概率自适应截断；NL2SQL 应降低随机性，并用语法校验兜底。
Q · RAG 知识库更新，为什么推荐「先删后增」而不是局部更新？推荐先删后增，因为一份文档会对应多个 chunk，内容变化后数量、边界和内容都可能变化，旧新 chunk 难以对应，先删旧数据再重新切分入库更简单可靠。
Q · 知识库更新期间，用户查到新旧混杂的数据怎么办？知识库更新时不要先删旧索引再建新索引；让新旧版本并存，准备好后用别名原子切换，或双写后灰度切流，避免用户读到新旧混杂的数据。
Q · 系统怎么感知文档变更？实时性要求高怎么办？基础方案按文档计算内容 hash，通过轮询或监听数据源变更来比对，识别新增、修改和删除；实时性要求高时，用消息队列驱动变更事件，触发入库并做到秒级生效。
Q · RAG 的幻觉有哪两类来源？防控手段分别是什么？RAG 幻觉分检索层和生成层：前者是没召回相关内容，后者是召回了却加入推断；用提示词、质量门控、引用核查和带来源编号的结构化输出防控。
Q · 拒答率太高影响体验，和检索质量怎么联动优化？拒答率不是常量，先用查询改写和混合检索补回该召回的内容，再根据检索质量收紧拒答阈值，把该答而没答控制在业务可接受范围内。
Q · 历史对话检索为什么用 cosine 而不用 BM25？历史对话检索用 cosine，是因为它能按语义方向召回换了说法的相关内容；BM25依赖关键词，口语化表达容易漏召回。精确词仍要靠混合检索。

其他岗位方向

Agent 开发 · 104 题Agent 应用与平台工程：工具调用、上下文工程、记忆系统、多 Agent 编排、上线与稳定性。
Agent 算法 · 27 题Agentic RL 与后训练：SFT/RLHF/DPO/GRPO、奖励设计、轨迹数据、评测对齐。
多模态算法 · 6 题视觉语言模型与多模态：融合架构、CLIP 系、VLM 评估与训练。
AI Infra · 11 题推理与训练系统：vLLM、量化、并行策略、显存与吞吐优化、服务化。
通用算法基础 · 31 题各岗通用底座：Transformer、注意力、采样参数、正则化等基础原理。