生成式 AI 应用工程师考试试卷及答案

生成式AI应用工程师考试试卷及答案一、填空题（共10题，每题1分）1.生成式AI核心模型架构之一是______（如GPT、BERT采用）。2.Prompt工程中“给出少量示例引导模型”的方法叫______。3.LangChain中负责从外部数据源获取信息的组件是______。4.向量数据库存储的是文本/图像等的______。5.图像生成模型StableDiffusion属于______模型类型。6.衡量生成文本流畅度的指标ROUGE主要用于______任务。7.大模型参数高效微调的常用方法是______（低秩适应）。8.生成式AI多轮对话中，维护上下文的组件是______。9.OpenAIAPI中，用于文本生成的模型引擎是______（如gpt-3.5-turbo）。10.生成式AI应用开发流程通常包括需求分析、模型选择、______、部署运维。二、单项选择题（共10题，每题2分）1.以下哪个不是生成式AI的核心模型？A.TransformerB.扩散模型C.自编码器D.CNN2.LangChain中，用于将大模型与用户输入连接的基础组件是？A.LLMB.ChainC.PromptTemplateD.DocumentLoader3.向量数据库的主要优势是？A.存储结构化数据B.快速相似度检索C.支持SQL查询D.容量无限4.Prompt工程中，“零样本学习”指的是？A.无任何示例直接生成B.1个示例C.多个示例D.微调模型5.以下哪个是大模型参数高效微调方法？A.全参数微调B.LoRAC.预训练D.无监督学习6.生成式AI应用中，“RAG”技术的全称是？A.Retrieval-AugmentedGenerationB.Random-AccessGenerationC.Real-timeAIGenerationD.Rule-basedAIGeneration7.以下哪个工具用于Prompt工程可视化？A.PromptLayerB.DockerC.KubernetesD.TensorFlow8.图像生成模型DALL-E属于哪个公司？A.OpenAIB.GoogleC.MetaD.Microsoft9.生成式AI伦理中，“幻觉”指的是？A.模型生成虚假信息B.模型崩溃C.模型训练数据泄露D.模型响应过慢10.以下哪个是部署大模型的常用框架？A.FastAPIB.PyTorchC.TensorFlowD.HuggingFaceTransformers三、多项选择题（共10题，每题2分）1.生成式AI的应用场景包括？A.文本生成B.图像生成C.代码生成D.语音合成2.LangChain的核心组件包括？A.LLMB.PromptTemplateC.ChainD.DocumentLoader3.常用的向量数据库有？A.PineconeB.ChromaC.FAISSD.Elasticsearch4.Prompt工程的常用技巧包括？A.清晰指令B.示例引导C.格式指定D.上下文限制5.大模型的训练阶段包括？A.预训练B.微调C.部署D.推理6.生成式AI的伦理风险包括？A.虚假信息B.版权问题C.偏见D.隐私泄露7.以下属于文本生成模型的是？A.GPT-4B.BERTC.LLaMAD.StableDiffusion8.RAG技术的关键步骤包括？A.数据检索B.上下文构建C.模型生成D.数据清洗9.用于大模型推理加速的技术有？A.量化B.模型蒸馏C.LoRAD.分布式训练10.生成式AI应用开发的工具链包括？A.HuggingFaceB.LangChainC.PineconeD.FastAPI四、判断题（共10题，每题2分）1.Transformer模型的核心是注意力机制。（）2.扩散模型只能用于图像生成。（）3.LangChain的Chain组件用于组合多个工具/模型。（）4.向量数据库支持精准匹配查询。（）5.零样本学习不需要任何训练数据。（）6.RAG技术可以降低大模型的幻觉问题。（）7.GPT系列模型是开源的。（）8.Prompt工程只适用于大语言模型。（）9.大模型微调只能使用全参数微调。（）10.生成式AI的伦理问题不需要考虑。（）五、简答题（共4题，每题5分）1.简述RAG技术的工作原理及优势。2.什么是Prompt工程？列举2个常用技巧。3.简述LoRA技术的作用及优势。4.生成式AI应用部署中，Docker的主要作用是什么？六、讨论题（共2题，每题5分）1.如何解决生成式AI的“幻觉”问题？请给出至少3种方法。2.生成式AI应用开发中，如何平衡模型性能与成本？请给出具体策略。---答案部分一、填空题答案1.Transformer2.少样本学习（Few-shotLearning）3.检索（Retrieval）组件4.嵌入向量（Embedding）5.扩散（Diffusion）6.文本摘要7.LoRA8.对话记忆（或上下文窗口管理）9.GPT系列10.Prompt优化/数据处理二、单项选择题答案1.D2.A3.B4.A5.B6.A7.A8.A9.A10.A三、多项选择题答案1.ABCD2.ABCD3.ABC4.ABCD5.AB6.ABCD7.AC8.ABC9.AB10.ABCD四、判断题答案1.√2.×3.√4.×5.√6.√7.×8.×9.×10.×五、简答题答案1.RAG原理与优势：RAG（检索增强生成）是“检索+生成”结合技术。原理：用户问题→向量数据库检索相关文档片段→片段+问题构成Prompt→大模型生成答案。优势：①降幻觉（依赖真实数据）；②无需微调更新知识（实时补新数据）；③减训练成本（避免全量微调）；④提准确性（结合最新/领域数据）。2.Prompt工程定义与技巧：设计有效输入引导大模型生成高质量输出的过程。常用技巧：①少样本学习：添加1-5个示例，帮模型快速学任务模式；②清晰指令：用具体语言描述任务（如“3句话总结核心观点”）；③格式指定：要求输出JSON/列表，方便后续处理。3.LoRA作用与优势：大模型参数高效微调方法。作用：仅训练少量低秩矩阵适应特定任务。优势：①参数少（仅0.1%-1%原参数）；②训练快（计算量小）；③部署灵活（多适配器切换）；④不破坏原模型（保留通用能力）。4.Docker的作用：容器化技术，核心作用：①环境一致（开发/测试/生产环境统一）；②轻量化（仅含必要依赖，启动快）；③可扩展（配合K8s扩容缩容）；④隔离性（服务间资源隔离）；⑤简化部署（一键部署，无需手动配环境）。六、讨论题答案1.解决幻觉的方法：①RAG：结合外部真实数据检索，基于可靠文档生成；②Prompt优化：添加“不确定则说明”指令，要求基于事实；③微调：针对领域数据微调，增强知识准确性；④事实核查：生成后对比权威数据库过滤虚假；⑤人工审核：重要场景人工校验。例如医疗AI结合权威医学库，避免错误诊断。2.平衡性能与成本策略：①模型选择：简单