自我介绍RAG 的流程RAG 的优势怎么识别大模型的幻觉？减少大模型幻觉的措施有哪些？用了 RAG 以后，大模型就一定不出幻觉了吗？怎么排查？怎么确保 RAG 检索到的文档块一定是想要的？MCP 的概念怎么写好提示词？未来的升学规划？反问

😁 自己节前都请假了，还说什么节奏快要用人。。。。真是mean的要死😁

从一月中到现在，最大的感悟是累、其次是不要怀疑自己

也大大小小面了很多内部正在搞AI的公司，给大家分享一下我的面试题库！ 第一章：RAG 系统 Q1: 请解释 RAG 的工作原理。与直接对 LLM 进行微调相比，RAG 主要解决了什么问题？ RAG（Retrieval-Augmented Generation）的核心是"检索+生成"两阶段：先从外部知识库中检索与用户问题相关的文档片段，再将这些片段作为上下文拼入 prompt，让 LLM 基于检索到的信息生成回答。相比微调，RAG 的优势在于： ①知识可实时更新，不需要重新训练模型； ②可追溯来源，减少幻觉且便于审计； ③成本低，不需要 GPU 资源做训练； ④领域迁移方便，...