基础 20 / 44 题
知识库频繁更新，向量索引怎么实时同步？
知识库频繁更新时，向量索引的实时同步是核心工程难题。因为向量索引（HNSW、IVF）是离线构建的，新增/修改/删除文档后，索引不会自动更新。主流解决方案有四类：第一类：增量更新（Incremental Update）。...
AI 客服回答错了导致用户投诉——怎么追溯责任？怎么改进？
AI客服回答错误导致用户投诉，这是一个系统性问题，需要从追溯责任和改进机制两个维度来解决。追溯责任的核心是"全链路日志"。 你必须记录每次对话的完整链路：用户Query → 召回的文档（ID + 相似度分数） → Rerank分数...
如果 RAG 知识库有 100 万篇文档，检索速度怎么保证？
1. 核心策略：先过滤再向量搜索（减少候选集）。...
如果 AI 说想调一个函数但你的代码里没这个函数怎么办？
当AI试图调用一个代码中不存在的函数时，这是一个典型的AI幻觉（Hallucination）问题。大模型在生成Function Calling请求时，可能会"编造"函数名或参数，尤其是当System...
token 成本怎么评估？一次用户请求大概多少 token，一个月多少钱？
1. Token成本构成： 一次RAG请求的成本 = Embedding成本（Query向量化）+ 向量搜索成本（通常可忽略）+ LLM推理成本（召回文档+Prompt →...
多轮对话场景下 RAG 怎么做？用户追问时还要重新检索吗？
多轮对话场景下的RAG，核心要解决的是指代消解和上下文理解问题。比如用户第一轮问"苹果好吃吗？"，第二轮问"它多少钱？"——系统必须知道"它"指的是"苹果"，否则检索就会出错。主流解决方案有三种：第一种：Query...
如果 RAG 搜出来的文档不准确，怎么优化？改 chunk 大小？换 Embedding 模型？做重排序？
RAG搜出来的文档不准确，是一个系统性问题，需要从召回质量和LLM利用率两个维度排查优化。第一步：诊断问题。...
RAG 召回后，怎么决定给 LLM 塞多少文档？太多了浪费 token、太少了信息不全
RAG召回后，给LLM塞多少文档？ 本质是平衡"信息完整度"和"token成本"。主流解决方案：Rerank + 动态Token预算。第一步：多路召回。 用向量相似度（余弦）从向量库召回Top-K（比如50个候选chunk）。...
一个文档切多长合适？chunk 大小对召回率有什么影响？
文档切分（chunking）是RAG系统中非常关键的一步，它直接影响检索质量和最终回答质量。核心矛盾是：...
pgsql-向量
pgvector核心定义： PostgreSQL的开源扩展，让PostgreSQL能直接存储和查询高维向量数据。...
向量简单-面试版
"向量索引就是给向量建目录，加速搜索。HNSW 效果好但费内存，适合精度要求高的场景； IVF 省内存但效果稍逊，适合大规模数据。选型主要看数据量、精度要求、资源预算这三个维度。"HNSW...
向量数据库的索引类型有哪些（HNSW、IVF）？各自的适用场景？
向量索引的核心作用： 解决"如何在海量高维向量中快速找到最相似的K个向量"的问题。 用空间换时间，牺牲一点点精度，换取大幅度的速度提升。HNSW（Hierarchical Navigable Small World）：...
什么是向量相似度？余弦相似度和欧氏距离有什么区别？
向量相似度是衡量两个向量在向量空间中"有多像"的指标，它是AI做语义搜索、推荐系统、RAG（检索增强生成）的基础。想象一下：你把"苹果好吃"这句话通过Embedding模型转换成一串数字，比如[0.2, 0.5, -0.1,...
Agent 和传统的 if-else 工作流本质区别是什么？
Agent和传统的if-else工作流，本质上是从"规则驱动"到"认知驱动"的范式转变。if-else工作流的核心特点是确定性和有限性。所有决策分支必须提前由程序员明确定义，系统只能按照预设的规则执行。这种方式的优势是可预测、可调试、...
蒸馏人-具体实操
面试一口气版本"蒸馏人"具体操作分五步：第一步：数据采集。 收集目标人物的所有数字痕迹——聊天记录、邮件、文档、代码提交、会议录音转文字。越多越好，时间跨度越长越好。第二步：数据清洗与结构化。...
蒸馏人的是什么意思
简答版本"蒸馏人"是2026年AI圈的一个热门概念，它是"知识蒸馏"（Knowledge...
蒸馏是什么
知识蒸馏核心思想：让小模型模仿大模型。怎么做？ 教师模型生成软标签（不仅告诉正确答案，还告诉错误答案的概率分布），学生模型通过最小化输出差异来学习，不仅学结果，还学"思考方式"。三大组件：...
Harness Engineering是什么
Harness Engineering（驾驭工程）是2025-2026年AI圈最火的概念之一，它的核心思想很简单：Agent的能力不只看模型，更看模型之外的那套工程体系。Agent = Model +...
Context Engineering
Context Engineering（上下文工程）是把喂给大模型的上下文从随手拼凑的 prompt 提升为一门系统性的工程学科。...
Engineering
这三个概念代表了人工智能（特别是大语言模型 LLM 和 AI Agent）开发与应用的三个递进的阶段和关注点。如果用一句通俗的话来概括它们的核心区别：Prompt Engineering（提示工程） 解决的是：“怎么跟 AI...