阿里云瓴羊约面了

1️⃣面试官：上面这个是 RAG 标准流程，实际项目中还有哪些优化技巧？在实际中，召回源会考虑多路召回，例如稀疏召回，语义召回，字面召回等。对于多路召回截断和召回分数对齐的问题，还会采用在召回后面增加一个重排序的阶段，精简召回数并提升召回的质量。另外，其中的 embedding 模型，重排序模型，以及生成模型会根据系统问答的指标情况，会针对性的进行进一步的微调。2️⃣面试官：那生成环节怎么评估效果？首先是量化指标：例如 Rouge - L ，文本相似度，关键词重合度等指标。除了准确度，还可以评估生成答案的多样性，看看模型是否能够生成多种合理且相关的答案。还需要引入人类评估：进行人工评估，一般是负责改项目的产品经理和测试人员，以及内测的普通用户对模型的回答进行质量、准确性和连贯性的评分。还应考虑资源效率：考虑模型的计算复杂性、内存需求和推理速度，尤其是在资源受限的环境中，看看 RAG 是否能够以合理硬件资源效果提供更好的性能。3️⃣面试官： RAG 中为什么会出现幻觉？幻觉问题是大模型的一个通病，出现幻觉问题主要分为两大类，一类是生成结果与数据源不一致，自相矛盾。另一类是用户问题超出了大模型的认知。针对前者可能是训练数据和源数据不一致、数据没对齐或者编码器理解能力的缺陷和解码器策略错误可能导致幻觉。后者则是用户的问题不在语言模型认知范围内。4️⃣面试官：针对幻觉的问题，有什么解决思路？第一个是引入更精准的知识库，消除虚假的数据源，减少数据偏差。另外可以加入一些纠偏规则，比如采用 ReAct 的思想，让大模型对输出的结果进行反思；还有现在比较流行的思路是集成知识图谱，即不再局限于向量数据库匹配，做召回时不仅考虑文档块，同时还考虑图谱的三元组。将知识图谱( KGs ）集成到 RAG 中，通过利用知识图谱中结构化且相互关联的数据，可以增强当前 RAG 系统的推理能力。5️⃣面试官：在实际做项目中，经常遇到各种边界的 case ，一般怎么解决？首先是无效问题：如果对于知识库中没有的问题，我们需要做一个准入的判别，判断是否需要回答。一般是一个二分类模型，或者直接用大模型+ prompt 来做，使模型在这种情况下输出一个预设的兜底话术。第二是减少幻觉：对于时间变化的问题，模型回答"我不知道"。在推理模块中添加规则和提示工程技术，使模在不确定时回答"根据当前的信息，不足以回答这个问题"。还有格式错误：模型可能会生成无法解析的答案，例如没有输出预定义格式。

📍面试公司：百度🕐面试时间：2025.7.31💻面试岗位：前端研发工程师❓面试问题：自我介绍 介绍实习做什么工作（地图切片管理系统）：出于什么样的考虑选择localstorage？为啥没有考虑调用后端接口来获取数据？在什么样的时机把数据存到localstorage里？为啥用localstorage不用sessionstorage？切片主要是在做什么功能？把地图切成小份，每一个小的多大是如何定义的？ 介绍校园博客论坛项目：注册登录如何实现的？登录之后后端给你返回一个token，那你会把token存在什么地方？那比如说当你的用户第二次进你的页面的时候，你是通过怎样的方式判断他是已经登录过的呢...

📍面试公司：百度🕐面试时间：2025.7.22💻面试岗位：web前端研发工程师❓面试问题：自我介绍 项目：项目实现了怎么的功能？我在里边的工作是什么？后端接口通用的状态前端页面都有什么功能？用的什么路由管理方式？路由懒加载把你的项目打包成什么样子的？每次懒加载是什么时候懒加载？项目分成了几个文件？首屏加载会加载哪些资源？组件这个文件是根据什么来切分？它为什么能够自己打包？打包成一个单独的文件Localstorage存的是什么样的任务状态？什么时候更新这个任务状态？为什么要存到Localstorage中？ 八股：手写：对比两个object是否一致数组迭代方法every，find，each的...

不知不觉已经十一月份了，国庆回来秋招就算真的进入中后期了，基本就是考选调，考体制内了，私企最后能投的一波就是十月上旬了，现在投着，前面大佬释放hc 大家还有一点机会1.不喜欢你工作太卷！（俺是卷心菜，虽卷但菜）外企非常严格地遵循无996，955工作制的同时实现WLB（work life balance），即即工作生活平衡，到点就可以走人~如果怕堵车或者有其他事情（比如不太舒服、有急事）都可以提前回去，部分外企每周还有一天或两天居家办公，嘿嘿~2.不喜欢你太给自己设限请大声说:我们都有无限可能不同于国企对应届生身份卡的比较严格，外企尤其往届生友好，毕业两年内还保有应届生身份的姐妹都可以去投！！对...