面试题[AI大模型]
AI开发核心技术栈：大模型原理、RAG检索增强生成、Agent智能体开发、Prompt工程、LangChain框架实战、向量数据库、模型微调与部署。
1. AI大模型基础
1.1 什么是 RAG？
RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索与大语言模型生成的技术架构。它通过在生成答案前先从外部知识库中检索相关文档，让模型“查资料再作答”，从而有效解决大模型知识更新滞后、容易产生幻觉等问题。
RAG 的主要流程（经典三步）
| 阶段 | 核心动作 | 说明 |
|---|---|---|
| 1. 索引（Indexing） | 文档切块 → 向量化 → 存储 | 离线准备：将知识库文档分割成小段落，用嵌入模型转为向量，存入向量数据库。 |
| 2. 检索（Retrieval） | 查询向量化 → 相似度搜索 → 召回相关块 | 在线：用户问题也被转为向量，去数据库中召回最相似的 top‑K 个文本块。 |
| 3. 生成（Generation） | 拼接提示词 → LLM 生成答案 | 将检索到的文本块与原始问题一起构成提示，交给 LLM 生成最终答案。 |
更细致的流程（含常用优化）
- 查询预处理
- 可对用户问题进行改写（如 HyDE）、分解多跳问题，提升检索准确性。
- 检索
- 常用向量相似度（余弦、内积）+ 关键词（BM25）混合检索。
- 可增加重排序（Re‑rank）步骤，在初步检索（如向量相似度或关键词匹配）召回一批相关结果后，用更精准的模型对召回结果精细排序，把最可能包含答案的结果放在最前面。
- 上下文注入
- 将排好序的文本块与问题按模板组合，例如：
基于以下内容回答问题：\n{检索结果}\n问题：{query}\n答案：
- 将排好序的文本块与问题按模板组合，例如：
- 生成
- LLM 根据提供的证据生成答案，并可要求引用来源。
- （可选）对话记忆
- 多轮对话场景下，将历史对话摘要也纳入检索或提示中。
简单理解：RAG 就是让 LLM 学会“开卷考试”——先翻书（检索），再作答（生成）。
2. AI大模型进阶
3. AI大模型拓展
3.1 OpenClaw 原理
OpenClaw之所以这么火，是因为它不再只是一个能聊天的AI，而是一个真正能动手干活的AI系统。它的核心理念，可以概括为给大语言模型（LLM）装上"手和脚"，让AI从"思考者"进化为"执行者"。你可以把它的工作方式想象成三个部分：统一的输入通道、强大的中央调度系统和丰富的执行工具。
OpenClaw 核心原理速览：
| 核心层级 | 代表组件 | 一句话解释 | 它做了什么 |
|---|---|---|---|
| 统一入口层 | Channels (通道) | 像一个"万能插座"，连接所有聊天App | 让你在微信/飞书/Telegram上就能直接发指令，不用切换应用 |
| 中央调度层 | Gateway (网关) + Agent (智能体) | 系统的"大脑"和"项目经理" | 理解你的任务，拆解步骤，并指挥工具去执行 |
| 能力扩展层 | Skills (技能) + Memory (记忆) | AI的"工具箱"和"日记本" | 让AI拥有操作电脑、处理文件等具体能力，并记住你过往的偏好 |
为了让你更清晰地理解，我把这个过程拆解开来看看：
Step 1：理解意图与拆解任务
当你在聊天软件里下达指令，比如 "帮我整理一下桌面"，OpenClaw的智能体（Agent）就开始工作了。
- 接收指令：你的消息会通过通道（Channels）进入系统。
- 规划任务：接着，网关（Gateway）会判断该交给哪个智能体（Agent）处理。智能体会进行意图识别，把这个复杂指令拆解成一系列具体步骤：先扫描桌面、识别文件类型，再分类移动。
Step 2：调用工具并执行
任务拆解好后，就该AI的"手脚"登场了。
- "工具包" (Skills)：OpenClaw的技能系统，就像为AI准备的乐高积木，包含了"搜索文件"、"移动文件"、"发送邮件"等一个个功能块。智能体只需要按顺序调用它们即可。任何开发者都能为它添加新技能，让AI的能力无限扩展。
- "记忆本" (Memory)：为了能连贯地工作，AI需要记忆。OpenClaw将记忆设计为本地文件，这就像AI的"日记本"，它能从中回忆你的习惯，或记住任务执行到哪一步了。
Step 3：自主反馈与循环
执行过程中，OpenClaw会实时观察结果并自动调整，形成一套完整的"思考-行动-观察"循环。
- 动态调整：比如在"整理桌面"时，如果"图片"文件夹不存在，它会自动创建，而不是让任务失败。
- 跨应用操作：这种能力让它能完成跨应用任务，比如"从邮件下载Excel附件，分析数据后做成图表发给老板"。
深层思考：OpenClaw为何能引发革命？
OpenClaw的火爆，反映了AI领域从"感知与生成"向"自主执行"演进的关键一步。
- 重新定义AI角色：它通过Headless（无头）架构，让AI退居后台，融入现有聊天软件，极大降低了用户的使用门槛。同时，通过本地化的记忆存储，将"黑箱"的AI行为变得透明，用户可以随时查看和修正，建立了人机协作的信任基础。
- 范式迁移，而非技术堆砌：OpenClaw的成功不在于发明了全新的AI技术，而在于用一种巧妙、优雅的工程架构，将大模型（LLM）的智能、即时通讯的便捷和操作系统的能力进行了整合。它证明了，在AI领域，优秀的系统设计有时比纯粹的算法突破更能影响世界。