71题
在 RAG 系统中，若发现模型生成的答案与检索到的文档内容无关，大概率是哪个环节出现了问题？
A. 文本切片时的字符长度设置过长
B. 嵌入模型（Embedding）的语义映射精度不足
C. 模型的 temperature 参数设置过低
D. 向量数据库的存储容量不足
答案：B
解析：A. 切片字符长度过长仅可能引入冗余信息，不会导致答案与文档无关；B. 嵌入模型负责将查询和文档转换为语义向量，若其精度不足，会导致检索到的文档与查询语义不匹配，模型基于无关文档自然无法生成相关答案，这是该问题的核心原因；C. temperature 参数过低仅会降低生成内容的随机性，与答案和文档的关联性无关；D. 向量数据库存储容量不足会导致无法存储完整文档向量，而非生成无关答案，因此 B 正确。
72题
以下代码用于构建 LlamaIndex 的检索引擎，请问代码中 similarity_cutoff=0.7 的作用是什么？
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| Python from llama_index.core import VectorStoreIndex def build_query_engine(documents): index = VectorStoreIndex.from_documents(documents) query_engine = index.as_query_engine( similarity_top_k=5, similarity_cutoff=0.7 ) return query_engine |
A. 限制检索结果的最大数量为 0.7（向下取整为 0）
B. 仅保留与查询向量相似度大于等于 0.7 的文档片段
C. 设定嵌入模型的输出向量维度为 0.7（归一化处理）
D. 控制检索结果的排序权重，相似度权重占比 70%
答案：B
解析：similarity_cutoff 是 LlamaIndex 检索引擎的核心过滤参数，取值范围为 0-1；B. 该参数的作用是设置语义相似度阈值，仅保留与用户查询向量相似度大于或等于该阈值的文档片段，过滤掉低相似度的无关内容；A. 限制检索结果数量的是 similarity_top_k；C. 它与嵌入模型的向量维度无关，向量维度由嵌入模型本身决定；D. 它不参与排序权重计算，仅做过滤操作，因此 B 正确。
73题
关于大模型的"幻觉"问题，以下哪种解决方案最直接有效？
A. 提高模型的 temperature 参数，增加生成内容的随机性
B. 采用 RAG 架构，让模型基于检索到的真实文档生成答案
C. 减少模型的上下文窗口长度，降低模型的处理压力
D. 增加微调数据的数量，让模型记忆更多知识
答案：B
解析：大模型"幻觉"的核心是模型脱离真实依据，生成虚假或无支撑的内容；A. 提高 temperature 参数会增加随机性，反而可能加剧幻觉；B. RAG 架构的核心价值是为模型提供真实、相关的文档作为生成依据，从根源上约束模型不脱离事实，是解决幻觉问题最直接有效的方案；C. 减少上下文窗口长度会限制模型的信息处理能力，无法解决幻觉；D. 增加微调数据仅能扩充模型的记忆知识，无法避免模型在未知领域生成幻觉，且易导致过拟合，因此 B 正确。
74题
使用 LangChain 构建 RAG 应用时，以下哪个组件用于加载 PDF 格式文档？
A. PyPDFLoader
B. TextLoader
C. JSONLoader
D. ExcelLoader
答案：A
解析：LangChain 针对不同格式文档提供了专用 Loader 组件；A. PyPDFLoader 是专门用于加载 PDF 格式文档的组件，能正确解析 PDF 中的文本内容（支持多页解析）；B. TextLoader 仅支持加载纯文本文件（.txt）；C. JSONLoader 支持加载 JSON 格式文件；D. ExcelLoader 支持加载 Excel 格式文件，因此 A 正确。
75题
以下哪些属于大模型 API 调用中的常见请求头（Request Header）配置？
A. Content-Type: application/json
B. Authorization: Bearer {API_KEY}
C. User-Agent: My-LLM-Application/1.0
D. Response-Type: stream
E. Loss: 0.001
答案：ABC
解析：请求头用于传递请求的元数据信息，适配 API 接口要求；A. Content-Type 指定请求体的数据格式，JSON 格式是 API 调用的主流格式，该配置必不可少；B. Authorization 用于身份验证，通过 Bearer 令牌传递 API_KEY，确保调用权限；C. User-Agent 用于标识调用应用的信息，便于 API 提供方进行日志统计和问题排查；D. Response-Type 并非标准请求头，流式输出通常通过请求参数配置（如 stream=true）；E. Loss 是模型训练过程中的指标，与 API 调用请求头无关，因此 ABC 正确。
76题
在大模型微调过程中，若出现"过拟合"现象，以下哪种做法可以缓解？
A. 增加微调数据的样本数量，提升数据多样性
B. 提高学习率，加快模型参数更新速度
C. 增加训练轮数（epochs），让模型充分学习数据特征
D. 移除所有正则化策略（如 Dropout、权重衰减）
答案：A
解析：过拟合的核心是模型过度学习训练数据的细节和噪声，泛化能力下降；A. 增加微调数据样本数量、提升数据多样性，能让模型学习更全面的任务特征，减少对局部噪声的依赖，是缓解过拟合的有效方法；B. 提高学习率可能导致模型训练不稳定，加剧过拟合或欠拟合；C. 增加训练轮数会让模型更深度地拟合训练数据，进一步加重过拟合；D. 移除正则化策略会失去对模型参数的约束，无法抑制过拟合，因此 A 正确。
77题
以下代码用于实现大模型生成内容的格式校验（校验是否为 JSON 格式），请问代码是否正确？
|--------------------------------------------------------------------------------------------------------------------------------------|
| Python import json def validate_json_output(content): try: json.loads(content) return True except json.JSONDecodeError: return False |
A. 正确，能有效校验内容是否为合法 JSON 格式
B. 错误，未处理 content 为 None 的情况
C. 错误，json.loads() 无法处理带注释的 JSON 内容
D. 错误，应使用 json.dumps() 进行格式校验
答案：A
解析：JSON 格式校验的核心是尝试解析内容，捕获解析异常；A. 代码正确使用 json.loads() 尝试解析输入 content，若解析成功返回 True（合法 JSON），若捕获 JSONDecodeError 异常返回 False（非法 JSON），是标准的 JSON 格式校验方法；B. 若 content 为 None，会抛出 TypeError，但该问题属于输入数据预处理范畴，并非校验逻辑本身的错误，且题目仅关注 JSON 格式校验；C. 带注释的 JSON 本身不属于标准 JSON 格式，无需支持；D. json.dumps() 是将Python对象转换为 JSON 字符串，并非用于校验，因此 A 正确。
78题
关于 RAG 系统的向量数据库，以下描述正确的是？
A. 向量数据库仅能存储文本向量，无法存储原始文本内容
B. 向量数据库的核心优势是高效支持向量相似度检索
C. 向量数据库的检索速度与向量维度成正比（维度越高，速度越快）
D. 向量数据库无需进行索引构建，直接即可进行高效检索
答案：B
解析：A. 错误，主流向量数据库（如 Milvus、Pinecone）均支持同时存储向量数据和原始文本内容（元数据），方便后续关联查询；B. 正确，向量数据库针对向量数据进行了专门优化，能高效支持余弦相似度、欧氏距离等多种相似度计算和检索，这是其与传统关系型数据库的核心区别；C. 错误，向量维度越高，计算复杂度越大，检索速度越慢；D. 错误，向量数据库需要构建专门的向量索引（如 IVF、HNSW），才能实现高效检索，直接检索的效率极低，因此 B 正确。
79题
在大模型提示词设计中，以下哪种做法能有效提升模型的回答质量？
A. 提示词尽可能简洁，仅保留核心问题，不添加额外信息
B. 明确模型的角色、任务目标和输出格式要求
C. 大量使用模糊化词汇（如"大概""可能"），给模型更多发挥空间
D. 避免提供示例，防止模型被示例限制思维
答案：B
解析：A. 提示词过于简洁会导致模型理解偏差，无法准确把握任务要求；B. 明确模型角色（如"资深数据分析师"）、任务目标（如"分析销售数据趋势"）和输出格式（如"以表格形式呈现"），能为模型提供清晰的引导，显著提升回答质量和贴合度；C. 模糊化词汇会让模型无法准确把握任务边界，导致回答偏离预期；D. 合理提供示例（Few-shot）能帮助模型快速理解任务逻辑，提升回答质量，而非避免提供，因此 B 正确。
80题
以下哪些属于大模型应用部署时的核心考虑因素？
A. 服务器的硬件配置（如 GPU、内存、显存）
B. 应用的并发访问量，确保服务的高可用
C. 模型 API 的调用成本，控制运营开支
D. 生成内容的合规审核机制，避免违规风险
E. 模型的参数量大小，必须选择参数量最大的模型
答案：ABCD
解析：A. 硬件配置直接决定模型推理速度和服务稳定性，是部署的基础；B. 并发访问量决定了服务的扩容策略，需确保高并发场景下服务不宕机、响应及时；C. 大模型 API 调用按 token 或次数计费，需控制成本，避免运营开支过高；D. 部署时必须搭建合规审核机制，对生成内容进行实时过滤，避免违规风险；E. 错误，模型参数量需与任务需求、硬件资源、成本预算匹配，并非越大越好，参数量过大可能导致部署成本过高、推理速度过慢，因此 ABCD 正确。