AI应用面试题

1. 什么是MCP

参考面试回答：
MCP模型上下文协议）是为大型语言模型提供的一个统一标准化接口、让AI能够无缝连接各种外部数据源和工具。
可以将它比作AI世界的USB接口—只要遵循这个协议标准、任何数据源或工具都能与语言模型实现即插即用
比如说传统的AI只能依赖预训练的静态知识、无法获取实时数据。而通过MCP，模型可以动态访问最新信息、比如查询搜索引擎、读取本地文件、调用第三方API、甚至直接操作各种工具库。比如说可以访问Github、IDEA
这个协议最大的价值是标准化、它是MCP的核心价值 - 你不需要为每个AI模型和每个工具之间的连接编写专门的代码、只要双方都支持MCP协议、它们就能自动"对话"。这大大简化了系统集成、降低了开发成本、也提高了系统的可扩展性
总结就是 MCP 创建一个通用标准、使 AI 应用程序的开发和集成变得更加简单和统一

2. 大模型输出出现重复和幻觉如何解决
参考面试回答：
在大模型生成内容时、出现重复和幻觉是两个常见的问题。重复指的是模型在生成文本时出现内容重复的现象、而幻觉则是指模型生成了看似合理但实际上不真实或不准确的信息。为了解决这两个问题、可以通过微调（fine-tuning）的方法进行优化
为了解决这些问题、首先微调是非常有效的手段。
首先可以确保用于训练的数据质量、要高质量的真实的信息。我们可以减少模型学到错误的信息。特别是领域特定的微调、能帮助模型更准确地生成内容，避免在特定领域（比如医疗、金融）中产生幻觉。
此外在训练过程中引入惩罚机制、比如对模型生成重复或不准确内容进行惩罚、也能够引导模型生成更为多样和真实的内容。
另一个有效的策略是使用参数高效微调（PEFT）、通过像LoRA这样的技术、在不改变模型主体结构的情况下调整部分参数、从而提高微调效率并减少幻觉的产生。
同时强化学习与人类反馈（RLHF）也是一种非常有用的方法、结合人类的评价、模型可以在生成内容时更符合实际世界的逻辑，降低幻觉的风险。
最后检索增强生成（RAG）技术也能够显著提高模型输出的准确性、通过在生成过程中引入外部知识库、确保模型生成的信息更为真实和可靠。
总的来说：通过微调、引入惩罚机制、领域特定训练和强化学习等方法、可以有效减少大模型的重复和幻觉问题

3. 什么是RAG？流程是什么？

面试参考回答：
RAG就是结合信息检索和生成式模型的技术。主要流程包括两个核心环节：
检索：基于用户的输入、从外部知识库（如数据库、文档、网页）检索与问题相关的信息。通常使用向量化表示和向量数据库进行语义匹配。将知识库中的文档进行预处理、分块、清洗并转换为向量表示、存储在向量数据库中。常用的如 Faiss、Milvus等向量数据库存储所有文档向量。用户提问后、对问题进行向量化、并在数据库中执行最近邻搜索、找出语义最相近的 N 条内容
然后就是增强：也可以说是构建 Prompt
1.将检索到的信息作为上下文、输入给生成模型（如 GPT）。
2.相比纯生成模型、RAG 能引用真实数据、减少幻觉（胡编乱造）
最后就是由将增强后的上下文输入到大型语言模型、综合已有上下文生成最终生成最终的回答或内容。
一句话总结: RAG = 向量搜索引擎 + 大模型、让 AI 回答更靠谱、减少幻觉

4. RAG的详细完整的工作流程
参考面试回答流程：
RAG（检索增强生成）的完整流程可分为5个核心阶段：
1. 用户提问
2. 数据准备：清洗文档、分块处理（如PDF转文本切片）
2. 向量化：使用嵌入模型（如BERT、BGE）将文本转为向量。也就是Embedding 向量化
3. 索引存储：向量存入数据库（如Milvus、Faiss、Elasticsearch）。
4. 检索增强：用户提问向量化后检索相关文档。也就是构建 Prompt (问题 + 检索内容)
5. 生成答案：将检索结果与问题组合输入大模型生成回答。

5. 在 RAG 中的 Embedding 嵌入是什么
参考面试回答：
 Embedding是RAG系统的核心组件、Embedding（嵌入）技术本质上是将文本、图像等非结构化数据转换为高维向量的过程。在实际应用中Embedding解决了传统关键词检索的局限性。
比如用户询问如何煮奶茶时、传统检索可能无法找到包含'奶茶制作步骤'的文档、因为它们字面上不匹配。而通过Embedding、系统能够理解这两个表达在语义上的相似性、从而返回相关内容。Embedding的工作原理是通过深度学习模型（如BERT、Sentence-Transformers等）将文本映射到768维或更高的向量空间。
在RAG系统中、Embedding的核心价值在于建立查询和文档之间的语义桥梁。当系统收到用户问题后、会将其转化为向量、然后在预先索引的文档向量库中寻找最相似的内容、无论它们在字面表达上是否匹配。这种基于语义的检索方式大幅提升了信息获取的准确性和完整性、为生成模型提供了更高质量的上下文信息，从而产生更精准的回答

6. 什么是LangChain
参考面试回答：
LangChain 是一个开源框架、专为快速构建复杂的大语言模型应用而设计。
简单来说就是它集成和内置了很多我们开发 AI 大模型应用需要的东西、如内置文档加载器、向量数据库、HTTP API 封装、云服务适配器等、让咱们开箱即用、有点像咱们 Java 届的 Spring。
它最大的特点是把模型调用、提示词管理、工具使用、记忆管理这些能力模块化了、让开发者可以很方便地把大模型和数据库、搜索引擎、API服务等结合起来，用链式结构组织复杂任务。
主要支持复杂任务编排：通过 Chains（链）和 Agents（代理）将多个LLM调用和工具操作组合成工作流
以及实现上下文管理Memory（记忆）：通过 Memory 组件（如对话历史缓存、实体关系跟踪）实现长对话连贯性。

6. 什么是向量数据库

参考面试回答：我的理解是：
向量数据库它可以将非结构化数据(如文本、图片、音频等)转换成高维向量的形式进行存储、通过向量数据库预先存储结构化段、实时检索最相关的 Top-K 内容作为上下文输入、并通过高效的相似性搜索算法、快速找到与目标向量最接近的数据项。
传统数据库采用存储数据、主要用于精确匹配查询、常用的检索方式就是精确匹配、索引结构有像B+树或者倒排索引的结构。
而向量数据库针对高维向量数据优化、支持近似最近邻(ANN)搜索算法、更适合语义相似性搜索。可以理解为TopN系列、检索TopK相关内容作为上下文输入。向量数据库预先向量化并建立索引（如 HNSW、IVF），实现亚秒级检索。代表性的向量数据库就是Milvus：一个开源的向量数据库系统

8. 向量数据库的核心原理是什么？核心技术是什么

参考面试回答：
向量数据库的核心原理是通过将高维数据（如图像、文本）转换为多维向量、并基于相似性度量（如余弦相似度、欧氏距离），利用高效的索引结构和近似最近邻（ANN）算法、快速检索与目标最相似的向量结果。
这一过程可概括为三个关键步骤：
首先是向量化：我们通过嵌入模型将非结构化数据映射为稠密向量、比如用BERT处理文本、ResNet处理图像、或CLIP处理多模态数据。这些模型能捕获数据的语义或特征信息、通常生成128到2048维的向量
其次是索引构建：为了高效检索、我们会采用分层导航小世界图（HNSW）等结构预处理向量。HNSW能将搜索复杂度降至对数级O(log N)。同时我们还会利用乘积量化（PQ）来压缩向量、减少内存占用、以及通过倒排索引（IVF）缩小搜索范围。
最后是近似搜索：在实际应用中我们允许一定误差来提升速度。ANN算法会在准确性和效率间寻找平衡点、确保在毫秒级延迟内返回Top-K相似结果、同时保持95%以上的召回率。
总的来说就四个核心层：向量化引擎->索引结构 ->相似度计算->搜索

原始数据 → 向量化 → 索引构建（HNSW/PQ/LSH） → 输入查询向量 → ANN近似搜索 → 返回Top-K结果

（格式明天再改吧___发帖于2025.6.25 00:47）