面灵AI→

27 届实习转正面:混合检索怎么融合、评测集怎么建、长对话压缩会不会把信息压没

轮次
转正面
时间
2026-11
来源
牛客网

《面试题目》

动机与基础

  1. 请先做一下自我介绍。
  2. 你是九月开始实习的吗?
  3. 你最后为什么离职了?
  4. 你更希望做一份实习转正的工作,是吗?
  5. 你的期望薪资是多少?
  6. 你了解这个团队用的技术栈吗?比如 Git、Docker。
  7. 用户在 Git 上提交代码时出现代码冲突,一般怎么解决?

RAG 与检索

  1. 在广东这段实习,你主要负责错题判定这一块,是吗?
  2. RAG 这块你做的是混合检索,具体是怎么做的?
  3. 两路混合检索的结果基于什么做融合?
  4. 对于 RAG 的检索优化,你主要做了哪些?
  5. 你们的评测集是怎么建立的?
  6. 这个文档里会不会出现中文?
  7. 中文和越南语混合的情况你遇到过吗?这种情况怎么处理?

路由与事实存储

  1. 错题路由最开始的路由规则是基于什么做的?
  2. 规则和大模型双路判定的结果是怎么结合的?
  3. FactStore 里你设计的是需要存储哪些字段?
  4. 用户某次回答时修改了之前的内容,它是怎么覆盖旧内容的?
  5. 长对话里内容不断增加,怎么防止上下文膨胀?
  6. 压缩过程里,如果已经压缩过一轮、现在又达到阈值,下一次是把上一轮的压缩结果再压一次,还是只压缩最新内容?
  7. 会不会出现原始会话的信息量越压越少、最后甚至消失的情况?
  8. 多会话并发,你们做过这方面的处理吗?
  9. 会话状态是直接持久化的吗?

其他

  1. 你是哪里人?
  2. 你平时开发用过 AI 辅助开发工具吗?
  3. Code Pro 是公司给你们配的额度吗?

《参考解析》

混合检索的融合方式:两路(向量召回与关键词召回,如 BM25 / ES)分数量纲不同,不能直接相加。常用做法有三类:一是倒数排名融合(RRF),只取名次、按 Σ 1/(k + rank) 计算,对量纲不敏感、实现简单,是默认起点;二是加权分数融合,先把每路分数归一化(min-max 或 z-score)再按权重相加,权重靠离线评测调;三是先各自召回 Top-K,合并后用 cross-encoder 重排模型统一打分,效果最好但延迟高。工程上常见组合是「RRF 粗排 + 重排模型精排」,并对两路结果做去重(按文档 id 或内容指纹)。回答时要说明为什么选这种融合(量纲、延迟、可调性)以及评测上带来的提升。

检索优化的抓手:查询侧做改写与扩展(同义改写、错别字纠正、多查询、HyDE);切分侧调 chunk 大小与重叠、按标题层级切、给 chunk 加上下文摘要;索引侧加关键词字段、做多语言 embedding 或按语言分库;召回侧调 Top-K、加元数据过滤(学科、年级、题型);排序侧加重排与业务规则(优先最近教材版本);最后是缓存与降级。每项都要能用评测集证明收益,否则只是堆技术。

评测集怎么建:先定义任务与指标(召回率@K、MRR、答案正确率、引用准确率),再从真实日志里采样查询(按频次分层,别只挑简单的),为每条查询标注「相关文档 / 标准答案」,规模不必大(几百条即可起步),但要覆盖长尾与边界(多语言、表格、公式、无答案的问题)。用 LLM 辅助标注时必须人工抽检,并固定一份 holdout 不参与调参,避免过拟合。上线后把线上 bad case 回流进评测集,形成闭环。

中越混合文档的处理:先做语言识别(按字符集或 fastText),中文按字、越南语按词(越南语是拉丁字母、带声调符号,需要分词与 Unicode 规范化,注意 NFC/NFD 两种形式要统一)。检索上用多语言 embedding(如 multilingual-e5、bge-m3)或按语言分索引后合并结果;切分时避免把两种语言切进同一个 chunk 导致语义漂移;答案生成时要求模型用提问语言作答,并在 prompt 里声明文档可能含多语言、引用原文时要保留原文。若数据里中文与越南语是「同一道题的两种表述」,可以做对齐后只索引一份。

规则 + 大模型双路判定怎么结合:规则负责高确定性与可解释的部分(命中白名单、格式校验、明确的错因模板),模型负责语义判断与开放情况。结合方式按置信度分层:规则命中且置信度高直接出结果;规则与模型一致时直接采用;不一致时进入仲裁(升级到更强的模型、或用第二个 prompt 复核、或转人工);两者都没把握时给默认结果并记录待复核。要避免「模型覆盖规则」和「规则压死模型」两种极端,把每路的准确率与覆盖率分开统计,再决定阈值。

FactStore 的字段设计:至少包含 fact_id、session_id、subject(主体,如学生/题目)、slot(槽位,如「答案」「错因」「掌握程度」)、value、source(哪一轮、哪条消息、原文片段)、confidence、valid_from、superseded_by(被哪条新事实替代)、created_at。覆盖旧值时不要原地改,而是插入新版本并把旧记录标记为失效(软删除 + 指针),这样既能追溯「用户什么时候改的」,也能在冲突时回滚。查询时只取 superseded_by 为空的最新版本。

长对话压缩怎么不丢信息:分层做——原始消息全量落库(这是唯一可信源),上下文里放「摘要 + 关键事实 + 最近 N 轮原文」。摘要按段滚动生成(旧段摘要 + 新段原文 → 新摘要),关键事实抽到 FactStore 外置,不依赖摘要携带。第二次压缩时不要对「上一轮摘要」再摘要(信息会指数衰减),而是用「上一轮摘要 + 新增原文」重新生成一份覆盖全历史的摘要,并保留原始消息 id 以供回溯。判断信息是否丢失要看评测:抽一组需要早期信息才能回答的问题,压缩前后各跑一遍,掉分就说明摘要策略有问题。真正不可丢的内容(用户明确陈述的偏好、已确认的结论)一律进事实表,而不是留在摘要里。

多会话并发与会话状态:每个会话一个独立的状态容器(按 session_id 分片),状态读写走同一把会话级锁或单写者队列,避免两个请求同时改同一份历史;跨会话共享的只有用户级事实与配置。状态持久化上,热数据放 Redis(带 TTL)、冷数据落库,写入用「先写库再更新缓存」或事件日志,重启后从库恢复;关键是区分「可重建的」(上下文可由消息表重建)与「不可重建的」(模型已生成但未落库的中间结果),后者要显式持久化或设计成幂等重算。

Git 冲突怎么处理:先 git status / git diff 看清冲突文件与冲突块,理解双方的意图(谁改了什么、为什么),再决定保留、合并还是重写;小冲突直接在编辑器里解决并删掉冲突标记,大冲突用 git checkout --ours/--theirs 取一侧后再手工补另一侧的语义。解决后 git add 标记已解决、跑测试再提交。预防手段是频繁拉取、小步提交、按模块划分文件所有权、对生成文件(lock、构建产物)加 .gitattributes 或干脆不入库。团队协作里 code review 与保护分支比事后解冲突更有效。