AI面试·中档题

AI面试·中档题

1. 在RAG系统中，如何平衡检索的召回率和精确率？你会采用哪些策略？
答案： 可以通过多路检索（如关键词+向量）、重排序（Reranker）、调整检索块大小、使用混合检索（RAG-Fusion）等。例如，先用向量检索召回Top-K，再用交叉编码器重排序，提高精确率。

2. 你提到对Qwen2.5-0.5B进行微调，请说明微调数据的构造方法和注意事项。
答案： 对于医疗问答，需要收集领域相关的问答对或指令数据。构造时需确保数据质量、多样性，避免偏见和错误信息。注意事项：① 数据清洗（去重、去除噪声），② 平衡不同疾病/问题类型，③ 加入否定样本（如"不知道"的回答），④ 验证数据合规性（如脱敏）。

3. 自然语言转SQL任务中，如何解决用户问题的歧义性和复杂查询（如多表Join、子查询）？
答案： 可通过：① 提供数据库Schema信息（表结构、字段注释）给模型；② 使用Few-shot示例引导；③ 结合Function Calling让模型分步生成SQL；④ 对于复杂查询，可设计多步Agent，先识别实体再生成子查询。另外，可加入语法校验和重试机制。

4. 你使用LangGraph管理Agent流程，请说明LangGraph相比LangChain的Agent有什么优势？
答案： LangGraph基于图结构定义Agent的工作流，支持循环、分支、并行等复杂逻辑，更灵活地控制多智能体协作和状态管理。而LangChain的Agent通常是线性或简单循环，难以处理复杂多步交互。LangGraph适用于需要动态规划和多智能体协同的场景。

5. 在RAG系统中，如何评估检索模块的效果？你会使用哪些指标？
答案： 常用指标包括：命中率（Hit Rate）、平均倒数排名（MRR）、归一化折扣累积增益（NDCG）等。此外，可结合下游生成任务评估，如答案的忠实度（Faithfulness）与检索内容的相关性。

6. 你提到对模型进行量化部署（Ollama, vLLM），请比较这两种工具的特点。
答案： Ollama是一个简化的大模型运行工具，支持一键部署和调用，适合本地快速测试。vLLM则专注于高吞吐量推理，通过PagedAttention和连续批处理优化，适合生产环境。两者都支持量化模型，但vLLM更强调性能。

7. 在医疗器械领域微调模型，如何保证生成内容的准确性和安全性？
答案： 需采取多重措施：① 使用高质量、权威的医疗数据（如指南、药品说明书）微调；② 加入安全护栏，如拒绝回答超出范围的问题；③ 结合RAG实时检索最新医学知识；④ 进行严格的医学专家评估和测试；⑤ 遵守医疗法规（如FDA对AI软件的要求）。

8. 请解释RAG中的"Advanced RAG"和"RAG-Fusion"分别指什么？
答案： Advanced RAG通常指在基础RAG上引入优化技术，如多路检索、重排序、查询重写、元数据过滤等。RAG-Fusion是一种结合多种检索结果（如向量检索与关键词检索）并融合排序的技术，可能通过倒数排名融合（RRF）或学习排序模型。

9. 你在动态SQL生成项目中使用了Deepseek，请说明Deepseek模型在处理复杂指令方面的优势。
答案： Deepseek模型在代码生成和逻辑推理方面表现优异，其训练数据包含大量代码，对结构化输出支持好。在Function Calling场景中，Deepseek能准确识别需要调用外部函数的时机，并生成符合格式的参数，减少解析错误。

10. 你在医疗项目中用Bert-Score评估微调效果，为什么选择这个指标？它有什么局限性？
答案： Bert-Score利用BERT的上下文嵌入计算生成文本与参考答案的相似度，能更好捕捉语义而非字面匹配。局限性：① 对专业术语可能不敏感；② 依赖于BERT模型本身的质量；③ 无法评估事实正确性，需结合人工或医学知识库验证。