哔哩哔哩 AI 应用岗 Agent 开发一面
本场面试题
- RAG 召回差怎样定位，Embedding 怎样选？
面经与参考答法
哔哩哔哩 AI 应用岗 Agent 开发一面
这轮哔哩哔哩 AI 应用岗 Agent 开发一面的日期在可见记录中写作 8 月 16 日，未注明年份。本页仅依据当前可见文字选录以下十组主题，展开是否完整及图片内容未经确认，不能据此宣称覆盖完整原帖。
未收录个人背景与方向选择，Prompt 题未展开 CoT 的职责，Memory 题未展开短期与长期记忆的实现差异。LangGraph 仅作为框架比较的教学扩展，并非这份记录列出的原问。所有短答与方案示例为教学补充，不代表作者当时的回答或实际实现。
（1）Agent 与传统 LLM Chatbot 的本质区别是什么？
关联知识点待核实。
Chatbot 主要生成回复；Agent 围绕目标维护状态，选择动作、调用工具改变外部世界，再根据观察继续决策。典型模块包括指令与模型、规划/路由、上下文与记忆、工具执行、控制循环，以及生产所需的权限、预算、评测和可观测性。不是用了 LangChain 就自动成为 Agent。
（2）意图识别应怎样选规则、小模型或 LLM？
关联知识点待核实。
规则适合类别少、边界明确、错误代价高的稳定入口；小模型适合标签固定、吞吐高且已有标注数据；LLM 适合开放表达、长尾和快速冷启动。生产中常用分层路由：规则拦截关键意图，小模型处理高频类别，LLM 处理低置信长尾。所有方案都要有置信阈值、拒识与人工回收。
（3）Zero-shot、Few-shot 和少样本稳定性怎样处理？
关联知识点待核实。
Zero-shot 迭代快但边界容易漂移；Few-shot 用少量代表性和对比样例明确标签边界。样本少时应定义清晰标签、加入难负例、要求结构化输出、固定温度与版本，并用验证集校准阈值。高风险意图使用规则或小模型二次确认，不能只看一次演示效果。
（4）RAG 的离线与在线链路是什么？
关联知识点待核实。
离线侧完成解析、清洗、切块、元数据/权限、Embedding 和索引；在线侧做查询理解、混合召回、过滤、融合、Rerank、上下文组装和生成。系统记录候选证据与引用，用评测集分别判断召回、排序和生成问题。
（5）Chunk 与中文文档有什么注意点？
关联知识点待核实。
递归切分器按段落、句子、标点等分隔符逐级切，直到满足大小限制。中文需要正确处理全角标点、标题层级、表格、代码块和字符/Token 差异。切分不应破坏语义单元；大小与重叠要在真实查询集上做消融，而不是固定套模板。
（6）RAG 召回差怎样定位，Embedding 怎样选？
先确认解析和 Chunk 是否包含答案，再检查查询改写、Embedding 领域适配、元数据过滤、索引版本、Top-K、关键词召回和 Rerank。Embedding 选型要用自己的查询—文档对测试召回与排序，并比较维度、语言、长文本、延迟、成本和可部署性。固定正确证据后仍答错，才转向生成层。
延伸阅读：RAG 失败诊断、Embedding 模型评估。
（7）LangChain 有哪些核心组件，LCEL 相比传统 Chain 有哪些改进？
关联知识点待核实。
LangChain 提供模型、Prompt、Retriever、Tool 等组合组件；LCEL 用声明式 Runnable 组合数据流，便于流式、并行和观测；作为教学扩展，LangGraph 更适合显式状态、分支、循环、检查点和人工审批。框架只提供运行结构，权限、幂等、业务状态和评测仍需系统自行设计。
（8）Function Calling 与大量工具路由怎样设计？
关联知识点待核实。
模型根据工具名称、描述和 Schema 生成调用意图与参数，应用端校验权限和参数后执行，再把结构化结果返回模型。工具很多时先按领域、用户权限和任务阶段检索候选，只暴露少量相关 Tool；描述保持区分度，返回值限制大小。不能把全部工具说明长期塞入 Prompt。
（9）Prompt、幻觉和循环保护怎样协同？
关联知识点待核实。
System Prompt 定义目标、边界和输出协议，Few-shot 展示关键边界，结构化 Schema 与外部验证器约束结果。降低幻觉还要用检索证据、引用、拒答、事实校验和业务规则。控制循环设置最大轮次、Token/成本预算、重复动作检测、工具幂等和无新证据终止。
（10）Memory 检索和合并区间怎样回答？
关联知识点待核实。
记忆写入前提取事实、主体、时间与来源并去重；检索时结合语义、时间、重要性和权限，冲突事实按版本与可信度处理。合并区间则先按起点排序，逐个与结果末尾比较：有重叠就扩展终点，否则追加新区间，复杂度 O(n log n)。