51题

在大模型应用开发中，以下代码用于实现用户输入的敏感词过滤，请问存在哪些问题？

Python def filter_sensitive_words(text):     sensitive_words = ["敏感词1", "敏感词2", "敏感词3"]     for word in sensitive_words:         if word in text:             text = text.replace(word, "*")     return text

A. 未考虑敏感词的大小写变体（如“敏感词1”和“敏感词1”）

B. 替换逻辑存在漏洞，可能导致部分敏感词遗漏（如叠词敏感词）

C. 敏感词列表硬编码，不便于动态更新和维护

D. 未处理文本为空的异常情况

E. 替换符号固定为“*”，无法适配不同场景的脱敏需求

答案：ACDE

解析：A. 代码未对文本和敏感词做大小写归一化处理，若用户输入大写/混合大小写的敏感词（如“敏感词1”），会因匹配失败无法过滤；C. 敏感词列表直接写在函数内部，新增/删除敏感词需修改代码，维护成本高，应存储在配置文件/数据库中实现动态更新；D. 若输入text为None或空字符串，调用text.replace()会抛出AttributeError，未做异常捕获；E. 固定用“”替换，无法满足不同场景的脱敏需求（如部分脱敏“敏词1”）；B. 错误，基础替换逻辑对普通敏感词（含叠词）均能生效，不存在遗漏漏洞。

52题

关于大模型的 Few-shot 提示方法，以下描述正确的有哪些？

A. 核心是通过提供少量示例，引导模型理解任务要求

B. 示例数量越多越好，能显著提升模型效果

C. 示例需具备代表性，覆盖任务的核心场景

D. 适用于模型难以直接理解的复杂任务

E. 示例格式无需统一，模型可自动适配

答案：ACD

解析：A. Few-shot（少样本）提示的核心逻辑是利用3-5个高质量示例，让模型快速感知任务的输入输出模式；C. 示例需覆盖任务核心场景，才能让模型全面理解任务边界，避免片面学习；D. 对于规则复杂、语义模糊的任务（如复杂意图分类），仅靠文字描述难以让模型理解，Few-shot示例能直观展示逻辑，提升任务适配度；B. 错误，示例数量并非越多越好，过多示例会占用上下文窗口，导致模型注意力分散；E. 错误，示例格式必须统一，否则会混淆模型对任务格式的认知，降低效果。

53题

使用 LlamaIndex 加载 Excel 格式的文档时，应选择哪个 Loader？

A. SimpleDirectoryReader

B. ExcelLoader

C. PDFLoader

D. TextLoader

答案：B

解析：LlamaIndex 的 Loader 需与文档格式精准匹配；B. ExcelLoader 是专门用于加载 Excel 格式文档（.xlsx、.xls）的组件，能正确解析表格的行列数据并保留结构；A. SimpleDirectoryReader 是通用目录加载器，需配合对应格式 Loader 使用，并非专门加载 Excel；C. PDFLoader 仅用于加载 PDF 文档；D. TextLoader 仅用于加载纯文本文件，因此 B 正确。

54题

以下代码用于大模型微调的数据加载，请问代码的功能是什么？

Python import json def load_finetune_data(data_path):     data = []     with open(data_path, "r", encoding="utf-8") as f:         for line in f:             line = line.strip()             if not line:                 continue             json_data = json.loads(line)             data.append({                 "input": json_data["prompt"],                 "output": json_data["response"]             })     return data

A. 加载 CSV 格式的微调数据，转换为列表格式

B. 加载 JSON 行格式的微调数据，提取输入输出对

C. 加载文本格式的微调数据，进行数据清洗

D. 加载 Excel 格式的微调数据，生成字典列表

答案：B

解析：代码核心逻辑是读取“JSON 行格式”文件（每行一个独立 JSON 字符串）；逐行读取后跳过空行，通过json.loads(line)解析单行 JSON，提取prompt作为模型输入、response作为模型输出，最终组装为[{"input": "...", "output": "..."}]格式的列表返回；A. 无 CSV 解析逻辑（如csv.reader）；C. 数据清洗（strip()、跳过空行）是次要操作，核心是提取输入输出对；D. 无 Excel 解析逻辑，因此 B 正确。

55题

在大模型 API 调用中，以下哪些参数用于控制输出内容的长度？

A. temperature

B. max_tokens

C. top_p

D. max_length

E. stop

答案：BDE

解析：B. max_tokens 是主流大模型 API 控制输出长度的核心参数，指定输出的最大 token 数量（如设置为 500 则最多生成 500 个 token）；D. 部分 API 用max_length直接限制输出文本的字符/ token 长度；E. stop 参数通过设置停止符（如“###”“\n”），模型生成到停止符时立即终止，间接控制输出长度；A. temperature、C. top_p 仅控制输出随机性，与长度无关，因此 BDE 正确。

56题

以下哪些属于 RAG 系统中常见的文档预处理操作？

A. 文档格式转换（如 PDF 转文本）

B. 文本去重和错别字修正

C. 模型参数调优

D. 文本切片（Chunking）

E. 向量数据库索引构建

答案：ABD

解析：文档预处理是 RAG 系统“数据准备”阶段的核心，目标是将原始文档转换为模型可处理的格式；A. 格式转换能将非结构化的 PDF/图片等转换为纯文本，是预处理基础；B. 去重和纠错可提升数据质量，避免冗余/错误信息干扰检索；D. 文本切片能适配模型上下文窗口长度，拆分出语义完整的小片段；C. 模型参数调优属于“生成”环节；E. 索引构建属于“检索”环节，均不属于预处理，因此 ABD 正确。

57题

以下代码用于实现大模型的流式输出，请问存在哪些问题？

Python def stream_llm_output(prompt):     response = llm_client.chat.completions.create(         model="qwen-max",         messages=[{"role": "user", "content": prompt}],         stream=False     )     for chunk in response:         if chunk.choices[0].delta.content:             print(chunk.choices[0].delta.content, end="", flush=True)

A. 未设置 stream=True，无法实现流式输出

B. 循环遍历 response 的方式错误

C. 未处理 API 调用异常

D. 模型参数设置错误，应使用 stream=True 参数

答案：ACD

解析：A/D. 大模型 API 实现流式输出的核心是设置stream=True，代码中stream=False会让 API 返回完整响应而非逐段流式 chunk，是核心错误；C. 代码未添加try-except块，若 API 调用失败（如网络中断、Key 无效）会直接抛出异常，导致程序崩溃；B. 错误，若stream=True正确设置，循环遍历response的方式是流式输出的标准写法，因此 ACD 正确。

58题

关于大模型应用的用户数据安全，以下哪些做法是正确的？

A. 收集用户数据前获得用户明确授权

B. 对收集的用户敏感信息进行加密存储

C. 将用户数据直接用于大模型微调，提升模型效果

D. 数据使用完毕后及时删除，避免长期留存

E. 公开分享用户数据用于学术研究

答案：ABD

解析：A. 符合《个人信息保护法》，用户数据收集需遵循“告知-同意”原则，明确告知数据用途；B. 对敏感信息（手机号、身份证号、隐私内容）加密存储（如 AES 加密），能防止数据泄露；D. 遵循“数据最小留存”原则，使用完毕后及时删除，减少泄露风险；C. 错误，未经用户同意将数据用于微调违反隐私规定；E. 错误，公开分享用户数据会严重侵犯隐私，即使学术研究也需脱敏+授权，因此 ABD 正确。

59题

使用 LangChain 构建多轮对话应用时，以下哪个组件用于存储对话历史？

A. ConversationBufferMemory

B. LLMChain

C. PromptTemplate

D. Retriever

答案：A

解析：LangChain 中Memory类专门用于存储对话历史；A. ConversationBufferMemory 是基础的对话历史存储组件，能完整保留所有用户-模型的对话内容，为多轮对话提供上下文支持；B. LLMChain 用于串联模型和提示词，执行生成任务；C. PromptTemplate 用于构建提示词模板；D. Retriever 用于检索相关文档，均无对话历史存储功能，因此 A 正确。

60题

以下哪些指标可用于评估 RAG 系统的检索效果？

A. 精确率（Precision）：检索到的相关文档占所有检索文档的比例

B. 困惑度（Perplexity）：衡量模型生成文本的流畅度

C. 召回率（Recall）：检索到的相关文档占所有相关文档的比例

D. F1 值：综合精确率和召回率的调和平均数

E. BLEU 分数：衡量生成文本与参考文本的相似度

答案：ACD

解析：检索效果评估核心关注“结果的相关性和完整性”；A. 精确率衡量检索结果的精准度（越少无关文档越好）；C. 召回率衡量检索结果的完整性（越多相关文档越好）；D. F1 值 = 2*(精确率*召回率)/(精确率+召回率)，综合评估检索效果；B. 困惑度、E. BLEU 分数均用于评估模型生成内容的质量，与检索效果无关，因此 ACD 正确。