大型语言模型（LLM）的技术面试题

大型语言模型（LLM）的技术面试题

一、提示校准：减轻提示学习中的偏见

原理：提示校准（Prompt calibration）通过调整提示词的表述方式，减少模型输出中的固有偏见，而非修改模型本身或训练数据。它聚焦于优化输入指令的中立性和精确性，从而引导模型生成更公平的结果。
举例：若要通过LLM筛选简历，原始提示可能包含“优先考虑年轻候选人”，这隐含年龄偏见。通过提示校准，可调整为“根据岗位要求匹配候选人技能，不考虑年龄因素”，使模型输出更符合公平原则。

二、矢量存储的适用场景

原理：矢量存储用于存储文本的语义向量（捕获语义信息），主要支持需要外部知识检索的任务（如RAG系统）。但并非所有文本任务都需要——仅依赖文本自身上下文即可完成的任务无需矢量存储。
无需矢量存储的场景举例：

• 情感分析：判断“这部电影太精彩了！”为积极情感，仅需分析文本本身，无需外部知识。
• 机器翻译：将“Hello world”译为“你好世界”，依赖句子内部结构和语言规则，无需额