大模型算法二面分享-快手实习

继续来分享下最近的面经~
1.实习拷打
2.拷打项目:针对长短期记忆，讲讲你是如何设计记忆的提取、压缩与冲突更新机制的？如果检测到用户存在极端情绪，你的Agent如何在不中断对话流的前提下进行干预？
3.讲一下稠密向量与稀疏向量的区别，分别适合处理什么样的搜索需求？
4.在向量化之前，为什么要对长文档进行切片？如果不切片会有什么后果？
5.切片时设置重叠区域的作用是什么？这个比例你通常怎么来确定？
6.余弦相似度和欧氏距离在衡量文本相似性时，各自的优缺点是什么？
7.向量库检索出的Top-K结果，如果K值设置得过大，对后续的生成质量有哪些负面影响？
8.为什么在初筛召回之后，还要加一个Rerank模型？能解决向量搜索哪些局限？
9.如果文档发生了局部更新，如何通过增量索引来避免全量重新向量化？
10.在RAG的生成阶段，如何在Prompt中设定边界条件来防止模型在没搜到内容时产生幻觉？
11.调用大模型API时，为什么要使用asyncio异步编程？它在处理高并发请求时有何优势？