摘要：本文汇总大模型应用落地高频问题：Query重写坑、RAG召回坑、Agent调用坑、数据更新坑、模型幻觉坑，结合生产实战给出可落地的解决方案，适合AI研发工程师复盘与面试总结。
一、Query重写核心痛点与优化方案
1、过度重写跑偏语义：通过强约束Prompt+相似度校验，禁止篡改原始意图，短query扩展、长query少改写。
2、子query过多性能爆炸：限制最大子查询数量，语义去重，降低检索开销。
3、上下文污染：重写模块仅使用当前query，隔离历史对话，避免语义错位。
4、降级兜底：重写超时、相似度过低、召回为空，自动降级使用原始query检索。
二、RAG全链路踩坑优化
1、分块不合理：固定分块破坏语义，采用差异化语义分块+版面解析，保障知识完整性。
2、单一检索精度低：ES+Milvus双路召回+RRF融合+Cross-Encoder精排，兼顾关键词与语义。
3、知识库更新滞后：Kafka流式事件驱动，实现分钟级增量更新。
4、幻觉难治理：溯源机制+Prompt约束+高质量检索上下文，多维度压制幻觉。
三、Agent工具调用常见问题解决
1、模型幻觉编造工具/参数：框架层Schema校验+工具合法性校验兜底。
2、Skill超时卡死：统一超时、熔断、重试机制。
3、循环无效调用：单轮会话限制最大工具调用次数。
4、返回内容过大：结果截断、结构化输出，避免上下文爆炸。
四、数据流水线稳定性优化
大数据量同步采用分片并行、断点续跑、单分片重试；流数据消费依靠offset断点续传；严格幂等设计防止重复入库；并发限流保护GPU与向量库服务。
五、模型训练基础知识点复盘
清晰区分监督/无监督/半监督/强化学习：分类与回归属于监督学习；聚类、预训练属于无监督；少量标签+伪标签为半监督；RLHF基于PPO强化学习对齐。同时掌握过拟合与欠拟合治理方案，通过正则、Dropout、早停、数据扩充平衡模型泛化能力。
总结：大模型落地不是模型调用，是全链路工程化治理。从数据接入、预处理、检索优化、Agent调度、异常兜底到监控评测，每一环都决定线上效果，也是AI研发工程师的核心竞争力。