ai-engineering-from-scratch-zh/phases/14-agent-engineering/09-hybrid-memory-mem0/quiz.json at main · fancyboi999/ai-engineering-from-scratch-zh · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
{
  "lesson": "09-hybrid-memory-mem0",
  "title": "混合记忆：向量 + 图 + KV（Mem0）",
  "questions": [
    {
      "stage": "pre",
      "question": "KV 存储最擅长处理哪类查询？",
      "options": [
        "对长对话的语义相似度",
        "以（user, type, entity）为键的直接事实查找",
        "共享某个计费实体的客户之间的可达性",
        "「某时刻有效」的时间性查询"
      ],
      "correct": 1,
      "explanation": "KV 在精确键上是 O(1) 的；向量用于相似度，图用于关系。"
    },
    {
      "stage": "pre",
      "question": "Mem0 在每次 add() 时并行写入的三个存储是什么？",
      "options": [
        "向量、KV、图",
        "Cache、queue、log",
        "Postgres、Redis、ClickHouse",
        "Embedding、attention、FFN"
      ],
      "correct": 0,
      "explanation": "Mem0 把每次写入扇出到向量、KV 和图存储。"
    },
    {
      "stage": "check",
      "question": "哪三个维度喂给 Mem0 的融合分数（fusion score）？",
      "options": [
        "相关性、重要性、新近性",
        "精确率、召回率、F1",
        "延迟、吞吐量、成本",
        "置信度、困惑度、BLEU"
      ],
      "correct": 0,
      "explanation": "分数是相关性、重要性和新近性的加权和；权重按产品调优。"
    },
    {
      "stage": "check",
      "question": "当一个新进来的事实与现有的边矛盾时，Mem0g 会怎么做？",
      "options": [
        "删除这条边",
        "把现有的边标记为无效但不删除，使时间性查询仍能遍历",
        "抛出异常",
        "重写 user_id"
      ],
      "correct": 1,
      "explanation": "软失效（soft invalidation）保留了历史，以便进行时间性（某时刻有效）查询。"
    },
    {
      "stage": "check",
      "question": "为什么本课建议按产品调优融合权重？",
      "options": [
        "提供商要求这样",
        "对聊天 agent 新近性占主导，对合规 agent 重要性占主导，对检索 agent 相关性占主导",
        "向量库拒绝相等的权重",
        "Apache 2.0 要求这样"
      ],
      "correct": 1,
      "explanation": "不同产品对相关性/重要性/新近性想要不同的偏置；一套权重并不适合所有情况。"
    },
    {
      "stage": "post",
      "question": "Mem0 使用的作用域分类（scope taxonomy）是什么？",
      "options": [
        "Public、private、secret",
        "User、session、agent",
        "Local、regional、global",
        "Read、write、admin"
      ],
      "correct": 1,
      "explanation": "作用域为 user（跨会话）、session（单个线程）、agent（每实例状态）。"
    },
    {
      "stage": "post",
      "question": "在此模式中，embedding 漂移（embedding drift）是什么，本课建议如何缓解？",
      "options": [
        "向量被加密；轮换密钥",
        "随着语料增长，向量检索质量下降；定期对使用最多的 top-N 记录重新做 embedding",
        "embedding 整数溢出；改用 float64",
        "embedding API 更换了 URL；固定一个域名"
      ],
      "correct": 1,
      "explanation": "定期对热记录重新做 embedding，能在语料增长时保持检索质量稳定。"
    }
  ]
}