#RAG

分享5个大模型应用面试真题，各位自诩‘资深’的大模型专家，遇到如下面试题时，你会回答吗？ 1. 请详细阐述你所熟悉的一种主流深度学习框架的核心特点和优势，以及你在实际项目中是如何运用它？ 2. 大模型训练中遇到训练时间长，消耗大的问题，你是如何解决的请分享具体的经验。 3. RAG和Graph-based RAG各有特点，请对比这两种场景，并说明你在实际项目中是如何选择和应用它们？ 4.

Cursor 是如何用 Merkle 树 + RAG 实现快速索引代码库？ 💡 核心思路： 1️⃣ 本地用 AST 分割代码 → 构建 Merkle 树"指纹" 2️⃣ 只同步变更文件（增量更新，节省 90%+ 带宽） 3️⃣ 代码块 → Embedding 向量 → Turbopuffer 向量数据库 4️⃣ 用户提问 → 语义搜索 → 本地读取源码 → LLM 生成答案 🛡️ 隐私保护：

#BestBlogs 一文带你 "看见" MCP 的过程，彻底理解 MCP 的概念 | 阿里云开发者 深度解析 AI 上下文协议（MCP），对比 RAG 与 Function Calling，并通过实践演示理解其工作流程。 摘要： 文章详细介绍了模型上下文协议（MCP），一个旨在标准化 AI 助手与外部系统连接的开放标准。作者首先回顾了 RAG 和 Functi

#BestBlogs 淘宝 Java 工程师的 LLM 开发实践 | 大淘宝技术 从 Java 工程师视角出发，详细介绍如何使用 Spring AI 框架进行 LLM 应用开发，包括对话、Function Calling 和 RAG 实践。 摘要： 本文为 Java 工程师提供了 LLM 应用开发的实战指南。首先分析了当前 LLM 的局限性，强调了应用开发的重要

一个专业人士，可以根据不同的问题源源不断的产生答案，随着专业能力精进还能产生更好的答案。AI只能训练这个人公开回答过的问题和答案，对于没有回答过的就不一定能回复好。当然AI的优势是基础知识库足够强大，回复速度快。另外这里说的知识库“训练”通常是指的RAG，本质上就是检索筛选，根据检索出的“片段”拼凑出答案。

关于 MCP 的几个理解误区： 1. 误区 1：MCP 协议需要大模型支持 MCP 全称模型上下文协议，是为了在用户与大模型对话过程中，补充上下文信息给大模型，让大模型更准确的回答用户提问而设计的。 在 MCP 出来之前，有多种方式可以实现上下文信息的补充，比如： - 记忆存储。把对话过程的历史消息存储下来，每次新提问，带上历史消息一起发送给大模型 - RAG。在让大模型回答问题之前，先从

「Agent, RAG, Reasoning」论文 ReSearch: Learning to Reason with Search for LLMs via Reinforcement Learning ReSearch，充满了 ReAct 的影子。它教会模型“何时求助于世界”；但局限在于，ReSearch 只能依赖一种工具。 作者提出了一种创新的框架，名为 ReSearch，旨在

数据污染确实是一个不回避的问题，不过更高级的应用还是要靠Re/Act 和 RAG + MCP 的模式。 只是用模型的推理和总结能力，限制模型幻觉。

问：宝玉老师，我想请教个rag的问题。我们想通过收集时事新闻报道编写分析报告，如果采用RAG方案对新闻进行处理，数据量提供多大出来的报告比较合适，亦或者这个需求有什么别的更好的处理方案吗 答： 通常在考虑使用 AI 解决问题时，我的第一个建议是先不要考虑 RAG 这些因素，而是回归聚焦到问题本身，搞清楚要解决什么问题，然后再看要不要使用 AI 的方案，以及怎么使用 AI 的方案。 就拿这个问题

问：什么是 RAG？ RAG（检索增强生成，Retrieval-Augmented Generation）是一种结合了信息检索和生成式人工智能的技术。通俗地讲，它先通过检索，从数据库或互联网等外部知识源中找到与问题相关的内容，再利用生成模型（如GPT）基于这些内容生成答案。这种方式让模型不仅依靠训练时学习到的知识，还能实时获取最新信息，从而更准确地回答问题。 举个简单的例子：假设你问AI：“20

OpenAI 这套开发工具把Agent开发需要的基础能力都提供了，搜索、RAG、意图识别、内容审核、Computer use 以及 Browser use，整个Agent开发的成本瞬间降低了很多。 预期可见的会出来一批Agent方向的产品。