面试官最爱问的AI问题是RAG

简单自我介绍项目简历穿插八股项目问题 tokenizer怎么优化p tuning v2怎么做 和前面的区别是什么lora微调怎么做lora两个矩阵怎么初始化，为什么不能a0tf idf验证在做什么强化学习grpo怎么做的奖励函数怎么样如何llm as a judgerag怎么做的？向量检索怎么做梳理llm预训练和后训练分别做什么这些技术目的是什么讲一下量化，具体做什么力扣第8题问的很基础，平时讲的少了感觉没讲好。最后手撕的内容做的不太好，没做过的内容有点慌张

想做AI项目但不知道从哪入手？今天给大家推荐一个非常适合入门+简历包装的开源项目：Agentic RAG for Dummies。 这个项目是干嘛的？ 简单说就是一个能对话、能检索、能自我纠错的智能问答 Agent。你给它喂一堆文档（比如 PDF），它就能根据文档内容跟你聊天，而且还会：  记住上下文，多轮对话不断片 遇到模糊问题会反问你，不瞎答 检索不到好结果会自动重试 复杂问题拆成小问题并行查，再汇总回答  技术栈：LangGraph + Qdrant向量库 + HuggingFace嵌入 + 支持Ollama/OpenAI/Claude多种LLM 怎么做？手把手教你 第一步：环境准备 g...

我面产品岗，面试官很爱问RAG问题，“如何验证AI回答准确率的提升是来自RAG策略优化，而非模型本身的随机性波动?“建议思路：AB实验题，需提及Baseline设定、评估维度及统计显著性

说实话，这道题放在以前，我的反应都是：不就是向量数据库加个大模型吗？但我也清楚，如果真这么答，基本等于告诉我只会调API。真正的生产级RAG是一套精密的工程系统。今天把它拆成四个模块，帮你建立一套完整的面试作答框架。模块一：数据清洗与离线索引垃圾进，垃圾出。原始数据里混着乱码和格式错乱的PDF，模型不可能检索得准。语义分块是第一个优化点。过去按固定字符数切分（比如500字一段），经常把一句话拦腰截断，语义全丢。现在要根据标题、段落结构甚至用模型来判断断点，保证每个分块语义完整。进阶策略是父子块检索：把文档切成小碎块用于检索（精度高），但喂给模型时把它所在的父块一并带上（上下文全）。小块检索准，...