AI专项答题框架RAG 面试题
如何润色用户的 Query（Query Rewrite）？目的是什么？
AI 工程题要把模型能力、数据链路、推理服务、评测和成本一起讲，避免只谈调 prompt。 RAG 类问题说明切分、向量化、召回、重排、上下文组装、生成和评测；幻觉治理靠检索质量、引用约束、拒答策略和离线评测。
AI专项大模型AgentRAG大厂高频面试
答题框架
当前只提供答题框架，不代表已经完成事实与工程边界复核。
这题可以按「结论 -> 原理 -> 场景 -> 风险」来答，重点放在AI 工程里的可落地理解。
答题要点：
1. AI 工程题要把模型能力、数据链路、推理服务、评测和成本一起讲，避免只谈调 prompt。
2. RAG 类问题说明切分、向量化、召回、重排、上下文组装、生成和评测；幻觉治理靠检索质量、引用约束、拒答策略和离线评测。
3. Agent 类问题关注工具调用、状态管理、任务编排、超时重试、权限边界和可观测性。
容易被追问：
- 如何评估 RAG 是否真的变好？
- 工具调用失败如何补偿？
注意事项：
- 不要把 Demo 能跑当成生产可用，要说明延迟、成本、权限和失败兜底。
答题练习
- 1AI 工程题要把模型能力、数据链路、推理服务、评测和成本一起讲，避免只谈调 prompt。
- 2RAG 类问题说明切分、向量化、召回、重排、上下文组装、生成和评测；幻觉治理靠检索质量、引用约束、拒答策略和离线评测。
- 3Agent 类问题关注工具调用、状态管理、任务编排、超时重试、权限边界和可观测性。
常见错误
- 不要把 Demo 能跑当成生产可用，要说明延迟、成本、权限和失败兜底。
可能追问
- 如何评估 RAG 是否真的变好？
- 工具调用失败如何补偿？
来源记录
- 原始来源
- 小林面试笔记
- 来源页面
- 大模型面试题
- 最近收录
- 2026-07-05
- 官方复核
- 大模型面试题、Agent 面试专题、RAG 面试专题、LLM 工具调用面试专题、大模型工程面试专题