匹配正文：…00ms → 400ms，避免集中重试压垮服务熔断降级：连续失败率>50%或错误数达阈值，快速失败走兜底逻辑随机抖动：防止多个Agent同时重试造成的请求尖峰 4. 抖音场景的特殊考量高并发下需防"重试风暴"：全局重试配额池，超限直接拒绝按用户/设备维度限流，避免单用户疯狂重试异步化非关键任务，削峰填谷一句话总结：重试不是越多越好，而是"该重试时才重试，重试时优雅退避，失控时快速熔断"。学习建议建议理解重试机制的典型场景与副作用，结合实际案例掌握退避策略、熔…

← 上一页第 10 / 18 页下一页 →

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#抖音

#Agent

#Agent 重试机制

面试题·Agent· 小红书

长序列行为数据怎么处理?

匹配正文：…\cdot \Delta t}，近期行为权重指数级提升重要性采样：基于点击/停留时长计算行为得分，Top-K检索任务感知选择：Agent规划时，用当前query检索相关历史（类似RAG）工程实现：维护双记忆结构热记忆：最近1-2天行为，全量放入prompt 冷记忆：历史行为向量化存入HNSW索引，按需检索Top-10 三、上下文管理优化 KV Cache复用：对固定历史前缀预计算并缓存，避免重复编码稀疏注意力：Longformer/BigBird模式，降低O(n^2…

#小红书#Agent#长序列行为数据

面试题·Agent· 百度

Reflection vs Memory 怎么分工?

匹配题目：在多智能体系统中，Reflection（反思）和Memory（记忆）机制分别起到什么作用？它们如何提升智能体的协作效能？

#百度#Agent#多智能体系统

面试题·Agent· 字节

工具集设计关键因素?

匹配题目：在Agent系统设计中，工具集(toolset)的设计应该考虑哪些关键因素？如何实现有效的工具调用机制？

#字节#Agent#Agent 工具集设计

面试题·Agent· 字节

通信 vs 角色分工怎么选？

匹配正文：…息总线混合模式：短期状态：Redis共享上下文窗口关键决策：结构化消息传递，确保可追溯实际场景：智能客服工单处理阶段执行Agent 动作意图识别 Classifier Agent 判断是退款/投诉/技术问题信息收集 Interviewer Agent 追问订单号、问题细节方案生成 Solver Agent 匹配知识库生成解决方案合规审核 Policy Agent 检查是否符合退款政策执行确认 Executor Agent 调用ERP系统完成操作核心优势 …

#字节#Agent#多Agent协同

面试题·评估· 高德

多工具评分排序机制

匹配题目：在智能体系统中，当多个可用工具均可完成同一子任务时，如何实现工具选择的决策机制？是否设计了评分、排序或置信度评估模块？请描述其实现逻辑与优化策略。

#高德#Agent#智能体工具选择

面试题·评估· 百度

Reflection 和 Memory 怎么协同?

匹配题目：在多智能体系统（Multi-Agent System）中，请详细解释Reflection（反思）和Memory（记忆）机制的技术实现原理、功能作用，以及它们如何协同提升智能体的协作效率和决策能力。

#百度#Agent#Multi-Agent System

面试题·评估· 百度

Reflection vs Memory 如何影响决策?

匹配题目：在多智能体系统中，Reflection（反思）和Memory（记忆）机制分别起到什么作用？它们如何影响智能体的决策和协同效果？

#百度#Agent#多智能体系统

面试题·评估· 字节

Query改写怎么训练与评估?

匹配题目：在多Agent系统中，Query改写通常用于提升任务理解与协作效率。请说明Query改写的常见实现方式，并详细阐述：如果由你负责训练一个Query改写模块，你会如何设计数据采样策略来挑选训练Query？模型上线后，你将如何评估其实际效果？请提出具体的评估指标体系（包括离线与在线指标）。

#字节#评估与监控#Agent

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配正文：…可控性要求：高合规场景优先RAG（可追溯来源）第二步：成本权衡数据成本：微调 > RAG > ICL > 提示工程推理成本：Agent > RAG > 微调 > 提示工程维护成本：Agent > RAG > 微调 > 提示工程第三步：滴滴场景示例实时定价：微调（历史订单数据训练，延迟敏感）司机答疑：RAG（政策文档频繁更新+需准确引用）异常处理工单：Agent（需调用订单系统+地图服务+规则引擎）关键认知工业落地的核心是分层架构：基座模型+轻量适配层。多数…

#滴滴#模型微调#Agent

面试题·Prompt· 阿里

Prompt优化怎么评估准确性与效率？

匹配正文：核心思路 Agent系统的Prompt优化评估需要分层设计：单节点Prompt效果 → 链路级综合影响 → 业务价值验证。一、准确性指标层级指标说明任务级任务完成率端到端目标达成比例步骤级步骤正确率 ReAct循环中Thought/Action/Observation的合理性工具级工具调用准确率参数填充正确、时机选择合理关键：人工标注成本高，可用LLM-as-Judge做初步筛选，人工复核边界case。二、稳定性指标输出一致性：相同输入多次运行的…

#阿里云#Prompt工程#评估与监控

面试题·Prompt· 百度

Reflection 机制怎么提升协作?

匹配题目：在多智能体系统中，Reflection（反思）机制的主要功能是什么？它如何提升智能体的协作效率和决策质量？

#百度#Agent#Reflection 机制

面试题·Prompt· 商汤科技

ReAct 范式核心思想与工作流程

匹配正文：…清晰定义Action的输入schema和返回格式终止条件：设置最大循环次数，识别finish等特殊Action ReAct是现代Agent框架（如LangChain、AutoGPT）的理论基础，与Function Calling结合可实现生产级系统。

#商汤科技#Agent#ReAct 范式

面试题·检索· 快手

RAG 延迟准确率根因

匹配题目：在Agent系统落地实践中，检索增强生成（RAG）技术通常会面临哪些延迟和准确率方面的挑战？产生这些问题的根本原因是什么？

#快手#RAG延迟与准确率#RAG 延迟准确率根因

项目实战·Agent

Memory & Transformer 基础

匹配正文：…教程与代码暂未公开。请先阅读下方对应公开教程，再按需要咨询课程安排。补齐大模型底层硬功夫:Transformer 四大基础 + Agent 长程记忆面试被问「讲讲 GQA 和 MHA 的区别」「MoE 怎么路由」「Memory 模块怎么设计」时卡壳，往往不是不努力，而是底层基础没系统补过。这个项目把 Transformer 的四大基础(分词、Embedding 训练、注意力变体、MoE)和大模型 Memory 模块一次补齐，既是底层原理，也是面试高频。分词 Token…

#项目实战#Memory & Transformer 基础

学习路线·学习路线

大模型应用开发学习路线

匹配正文：…流；结果错了时，知道应该先检查模型输入、检索、工具、状态还是返回结果。关口③：做深一条项目线项目阶段最容易犯的错，是 RAG、Agent 和 Deep Research 都跑了一遍，但每一条都没有评测、失败和技术取舍。正确做法是选一条主线，沿完整工程链路向下做。 RAG 主线：适合知识库、检索与企业问答按“解析与入库 → 切分与索引 → 检索与重排 → 生成与对话 → 评测与上线”推进。系统学习：RAG 智能问答系统项目验收：25 道 RAG 项目面试题必须留下的…

#学习路线#RAG#Agent

求职指南·Agent

vLLM 推理服务、吞吐、延迟与成本项目模拟面试

匹配正文：…tion · production 生产中如何做副本、限流、预热、模型版本、健康检查、自动扩缩、监控、灰度和回滚？考察重点：验证系统是否真实上线，并具备监控、灰度和回滚能力。真实并发、token 速率、模型副本和容量水位队列、显存、TTFT、TPOT、错误率和健康检查模型、量化或调度参数的灰度与预热记录模型版本、量化和路由策略的回退记录需要追加追问时：scale_unverified → production-proof；production_evidence_m…

#模拟面试#简历项目#连续追问

求职指南·Agent

Trace、线上监控与问题复盘项目模拟面试

匹配正文：… 需要追加追问时：ownership_ambiguous → ownership-proof。下一步：design。配套学习：Agent 系统哪些模块最易出问题?。 2. ownership · ownership-proof 请用一个脱敏 Trace、告警规则、仪表盘或复盘行动项证明你的具体贡献。考察重点：用可脱敏工件交叉验证职责，而不是继续听抽象表述。能对应到本人动作的变更、评审或设计记录本人提交的 Trace 字段、告警规则、仪表盘或复盘行动项下一步：des…

#模拟面试#简历项目#连续追问

系统教程·Prompt

Prompt 工程面试题大全

匹配正文：…束，再做解析校验、失败重试、局部修复和兜底路径。面试里要讲出工程闭环，而不是只说让模型输出 JSON。 Prompt 和 RAG、Agent 是什么关系？ Prompt 是 RAG 和 Agent 的接口层：RAG 用它组织上下文和引用，Agent 用它定义任务、工具与停止条件。好的 Prompt 工程必须和系统设计一起看。继续学习大模型技术栈全景：Prompt 在应用岗里考多少做一个 Agent 项目怎么做：Prompt 与工具协同

#专题学习#Prompt 工程面试题大全

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：很多团队第一次做 Deep Research，会把它理解成“检索次数更多的 RAG”。于是系统不管收到什么问题，都先拆计划、反复搜索、打开网页、整理报告。用户只是问一句“这个产品支持哪些文件格式”，也要等 Agent 跑完一整轮研究。流程看起来很智能，实际却把一个本来一次检索就能回答的问题，做得更慢、更贵、更不稳定。反过来，如果用户问的是“请比较三种技术方案在小团队、低运维和数据合规约束下的适用性，并给出能够核查的依据”，只查一次再生成也不够。一次检索可能只拿到某个厂商…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由