人工智能面试题 · 方案权衡 · Vector Database
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 11 道 · 更新 2026-08-05
筛选题目已选：方案权衡 · Vector Database
考察点
技术栈
第 1 题你的RAG项目采用了哪种检索方案？为什么这样选？ 考察检索策略选择与效果权衡第 2 题针对RAG召回链路，你会如何优化以兼顾延迟和正确率？ 考察召回链路优化的系统思路与工程权衡第 3 题如果为Agent设计记忆的embedding和检索策略，你会如何选择embedding模型并配置检索参数？ 考察对embedding模型选择和检索策略设计的实际思考第 4 题请解释RAG的原理、优缺点是什么？ 考察对RAG技术框架的理解及其在应用中的权衡第 5 题向量数据库的选型如何考虑的？ 考察对向量数据库技术特性、适用场景及选型权衡的理解第 6 题如何设计大语言模型应用中的长期记忆存储，并在历史记录量很大时优化查询效率？ 考察对长期记忆存储方案的理解及大规模场景下的查询优化能力第 7 题如何利用一万个PDF构建垂直领域的大模型？ 考察RAG方案的整体设计与技术选型第 8 题请解释向量数据库的定义，并说明在大模型应用开发中它主要用来解决哪些问题？ 考查对向量数据库基本概念及其在大模型应用中的作用的掌握。第 9 题请解释向量数据库中 HNSW、LSH 和 PQ 这三种索引或压缩技术的含义，并说明它们的核心思路和适用场景。 考查候选人对向量数据库常用索引与量化技术的理解程度。第 10 题在向量数据库技术中，ANN 指的是什么？请解释其定义，并说明在实际应用中为什么要引入 ANN 来替代精确的最近邻搜索？ 考查对向量检索核心概念 ANN 的理解及其在向量数据库中的必要性。第 11 题在构建 LLM Agent 时，为了使它能够跨会话保留和利用信息，可以采用哪些机制来实现长期记忆？ 考查对 LLM Agent 长期记忆机制的理解，以及实现方案的掌握。