AI 导读问题
大模型的 Token、上下文窗口、Temperature、Top P 分别会影响什么？
原题为什么结构化输出不能只依赖 Prompt？JSON Schema、Function Calling 和服务端校验分别解决什么问题？
原题Agent 和 Workflow 有什么区别？Agent Loop 中观察、规划、行动、反思如何协作？
原题Prompt Engineering 和 Context Engineering 有什么区别？
原题MCP 解决了什么问题？它和 Function Calling、Tool Calling 是什么关系？
原题RAG 为什么会答非所问？应该从召回、排序、上下文压缩还是生成阶段排查？
原题向量数据库如何选型？HNSW、IVFFLAT 这些索引适合什么场景？
原题AI 应用怎么评测？Golden Set、LLM-as-Judge、线上灰度和 Trace 回放如何串起来？
原题生产级 AI 应用为什么需要模型网关？如何做限流、fallback、成本控制和审计？
原题Agent 和 Workflow、Chatbot、普通工具调用有什么区别？
原题Agent Loop 中观察、规划、行动、反思分别负责什么？
原题Memory 应该存什么、不存什么？如何避免污染和隐私风险？
原题Prompt Engineering 和 Context Engineering 为什么不能混为一谈？
原题MCP、Skills、Function Calling 的边界分别在哪里？
原题长任务 Agent 如何控制上下文、权限、失败重试和可观测性？
原题面试官问“你做过 AI 应用吗”，如何从业务场景、架构、效果评测和上线治理回答？
原题大模型 API 调用为什么需要重试、限流、fallback 和结构化校验？
原题Agent 和普通工作流的区别是什么？
原题RAG 检索不到、检索错、生成错分别怎么排查？
原题AI 应用系统设计如何体现稳定性、可观测性、成本控制和安全治理？
原题为什么同一个 Prompt 每次输出不一样？
原题上下文窗口变大是不是就一定更好？
原题为什么结构化输出会偶发失败？如何做兜底和校验？
原题Function Calling、Tool Calling、MCP 分别解决什么问题？
原题AI 应用上线前如何证明“效果变好了”而不是只凭感觉？
原题RAG 为什么还会幻觉？应该从哪些环节排查？
原题Chunk 切大还是切小？如何处理标题、表格、代码块和多模态内容？
原题向量检索、关键词检索、混合检索分别适合什么场景？
原题Rerank 的作用是什么？什么时候值得引入？
原题GraphRAG 和普通 RAG 有什么区别？
原题知识库更新如何保证一致性、可回滚和不停机？
原题RAG 应用如何评测召回质量和最终回答质量？
原题Prompt Demo 上线前还缺哪些工程能力？
原题Agent 读取外部文档并调用写工具时，如何防止注入、越权和数据外传？
原题AI 应用为什么常把模型调用收敛到网关层？
原题多模型路由、fallback、限流和缓存分别解决什么问题？
原题一次 Agent 请求应该怎样拆 Span，跨线程和跨服务时如何保持 Trace？
原题线上失败 Trace 如何回流到评测集和回归检查？
原题实时语音 Agent 的延迟、打断和端云选型为什么更难处理？
原题
暂无题目