匹配正文：…口、摘要压缩长期记忆用户偏好、历史经验、领域知识向量数据库（如Milvus）、知识图谱 3. 工具调用（Tool Use）流程：LLM生成结构化调用指令 → 解析执行外部API → 结果回填上下文关键：Function Calling机制让模型学会"何时调用、传什么参数" 4. 执行与反馈（Action & Reflection）执行工具后，观察结果，判断任务是否完成反思机制：失败时回溯原因，重新规划（如Reflexion框架）协同示例：查询"北京明天天气并提…

#百度#Agent#Agent 工作原理

面试题·Agent· 高德

Agent记忆分层：摘要与检索协同

匹配正文：…速"这类规则成本权衡：摘要用7B模型，主推理用70B；向量检索用HNSW索引，召回 latency <50ms 学习建议建议从RAG和Agent架构基础入手，理解向量检索、摘要模型和分层记忆设计模式，结合论文与开源项目（如MemGPT）实践核心流程。

#高德#Agent#Agent 记忆管理

面试题·Agent· 蚂蚁

Agent 工具调用失败怎么处理?

匹配正文：…新授权或终止。授权拒绝、预算耗尽或高风险结果未知时可以暂停/结束；闭环不等于失败后必须继续。学习建议建议先理解Agent的执行流程，再学习常见工具调用模式与错误类型，结合实际案例练习设计带容错和反馈的Agent决策逻辑。参考资料 HTTP语义RFC9110 AWS官方超时与重试设计 OWASP逐请求授权 OWASP日志敏感信息处理 Self-RAG原论文

← 上一页第 11 / 15 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

#蚂蚁#Agent#Agent 工具调用失败

面试题·Agent· 淘天

LangChain vs LlamaIndex vs AutoGPT 架构差异?

匹配正文：…T：主循环+内存+技能注册表，类操作系统架构 LangGraph：持久化状态图，节点（函数）+边（条件路由），支持循环 2. 执行流程 LangChain: 输入 → [链节点1] → [链节点2] → 输出（DAG或线性） LlamaIndex: 查询 → 检索 → 合成 → 输出（检索增强流程） AutoGPT: while(未完成) { 思考→执行→观察→记忆 }（自治循环） LangGraph: 状态图遍历，支持中断/恢复/人机交互节点 3. 工具集成 LangCha…

#淘天#Agent#Agent 框架对比

面试题·Agent· 阿里

Agent框架模块化与工具集成怎么比?

匹配正文：…ent/ReActAgent封装，代码更简洁生态丰富度工具库极多（100+）专注数据工具（数据库、API等）选型建议快速RAG落地 → LlamaIndex（索引优化、查询引擎成熟）复杂流程编排 → LangChain（灵活度高，生态完善）多Agent协作 → AutoGen（对话模式天然支持）生产稳定性 → 两者都有坑，LangChain版本迭代快、API变动大是主要痛点实际项目中我常混合使用：LlamaIndex管检索，LangChain管工具编排。学…

#阿里云#Agent#Agent 开发框架

面试题·Agent· 百度

Agent 核心机制怎么工作?

匹配正文：…ent的核心定义：感知-思考-行动的循环架构 ReAct范式的推理与行动交织机制 Function Calling的实现原理和调用流程记忆机制的设计（短期/长期记忆）多Agent协作与任务分解策略 Agent的本质：LLM + 工具 + 控制循环 Agent不是简单的"模型套壳"，而是让大模型具备自主决策能力的系统架构。核心架构：感知-思考-行动循环 ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ 环境输入 │ → │…

#百度#Agent#Agent 工作原理

面试题·Agent· 百度

Agent 规划记忆工具分工

匹配正文：…类型作用实现方式短期记忆当前对话上下文系统Prompt + 多轮对话历史长期记忆跨会话知识积累向量数据库存储 + RAG检索 3. 工具模块（Tools）扩展LLM能力边界：计算器、搜索引擎、API调用、代码执行器等核心机制：Function Calling，模型输出结构化JSON决定调用哪个工具工具描述需包含：功能说明、参数Schema、返回值格式 4. 行动模块（Action）执行规划结果，调用工具并获取反馈形成观察→推理→行动的闭环循环支持多…

#百度#Agent#Agent 规划记忆工具分工

面试题·Agent· 百度

Agent 核心组件架构

匹配正文：…ory）类型作用实现方式短期记忆当前对话上下文滑动窗口、Prompt内维护长期记忆跨会话知识积累向量数据库存储+检索增强工作记忆中间执行状态临时变量、执行轨迹 3. 工具调用（Tools）功能：扩展LLM能力边界（计算、搜索、API操作等）关键机制：Function Calling（模型输出结构化JSON）→ 外部执行 → 结果回传工具描述需清晰定义：功能说明、参数schema、返回值格式 4. 行动执行（Action）将规划结果转化为具体操作…

#百度#Agent 核心组件架构#Agent 系统架构怎么搭？规划、记忆、工具与行动

面试题·Agent· 商汤科技

Agent 架构落地看哪些组件?

匹配正文：…构通常包含：入口与策略层：认证、限流、意图识别、风险分级和预算。规划与状态层：维护目标、步骤、依赖、当前状态和终止条件；确定性流程优先用状态机。工具层：工具 schema、参数校验、权限、超时、幂等、重试、熔断和结果校验。记忆与知识层：短期状态、长期记忆与 RAG 分开治理，并执行租户隔离和删除策略。安全与人工层：敏感动作审批、最小权限、提示注入防护和审计。观测层：记录 trace、模型与 Prompt 版本、工具输入输出、token、延迟、错误码和回退路径。教…

#商汤科技#Agent#AI Agent 架构

面试题·Agent· 商汤科技

LangGraph 核心功能与设计理念

匹配正文：…持久化内建：自动checkpoint，支持断点续跑、人机介入、时间旅行调试核心能力对比能力 LCEL LangGraph 线性流程 ✅ ✅ 循环/迭代 ❌ ✅ 条件分支有限 ✅ 持久化状态 ❌ ✅ 多Agent协作困难 ✅ 典型应用场景 1. 复杂ReAct Agent 工具调用失败后的重试循环多轮反思（reflection）直到答案达标 2. 多Agent协作系统用Send实现Map-Reduce（如并行分析多个文档后汇总） Supervisor-Worker架…

#商汤科技#LangGraph 框架#AI Agent 构建

面试题·Agent· 百度

Agent 推理模式对比

匹配正文：…：模块化编排，封装了Prompt管理、记忆、工具链等特点：生态丰富、上手快；但抽象层厚，定制灵活性受限适用场景：快速原型验证、RAG+Agent结合的标准化应用 4. AutoGPT / BabyAGI 核心机制：目标分解 + 自主任务队列 + 长期记忆特点：追求完全自主，但稳定性差、易陷入循环适用场景：实验性探索、开放式任务（实际生产较少用） 5. Multi-Agent框架（如MetaGPT、AutoGen）核心机制：多角色协作，模拟软件开发等流程特点：分工明…

#百度#Agent 推理模式对比#Agent 推理模式有哪些？ReAct、Plan-and-Execute 与 Reflection

面试题·Agent· 美团

DeepResearch Agent 怎么工作?

匹配正文：答案要点理解DeepResearch的核心定位：自主式深度研究而非单次检索掌握"规划-搜索-阅读-综合"的循环架构说明与传统RAG的本质区别（主动性vs被动性）列举典型应用场景（行业调研、竞品分析、学术综述）提及技术挑战（信息可信度、成本控制、长上下文管理）核心定位 DeepResearch是自主式深度研究Agent，区别于传统RAG的单轮检索-生成模式，它能像研究员一样进行多轮探索、验证和综合。技术架构：循环式"研究-反思"流程 1. 规划层（Planning…

#美团#Agent#DeepResearch Agent

面试题·Agent· 美团

Agent 主流架构怎么选?

匹配口述回答：…，像 LLMCompiler 或 DSPy，执行中发现异常就重新规划。这个架构适合步骤明确、不太需要中途变卦的场景，比如企业SOP流程，每一步都是固定的。最后是 [[Multi-Agent]] 架构，多个专用Agent分工协作，中间有个调度器做意图识别和分发。比如一个客服系统，拆成订单Agent、售后Agent、退款Agent，每个只负责自己那摊事。优点很明显：模块化、可扩展、可以并行处理。但协调起来很头疼，容易出现循环调用，比如订单Agent让售后Agent查退款，售后又…

#美团#Agent#Agent 架构设计

面试题·Agent· 淘天

Agent 开发框架对比

匹配正文：…gGraph 核心特点：模块化设计，链式调用（Chain）+ 图状态管理（LangGraph）适用场景：快速原型、需要灵活编排的RAG+Agent混合系统局限：抽象层较厚，复杂流程调试困难 2. AutoGPT / BabyAGI 核心特点：自主循环执行，目标分解 + 记忆管理 + 工具调用闭环适用场景：开放式任务探索、自动化研究、个人助理局限：容易陷入死循环，token消耗高，可控性差 3. MetaGPT 核心特点：多Agent协作，模拟软件公司角色（PM/架构师…

#淘天#Agent#Agent 开发框架对比

面试题·Agent· 淘天

LangChain vs AutoGPT vs BabyAGI 怎么选?

匹配正文：…态最完善，后两者实验性较强核心架构差异框架架构模式核心特点 LangChain 模块化编排链式/图式组合，开发者显式控制流程 AutoGPT 自主循环 GPT-4自主决策→执行→反思的闭环 BabyAGI 任务队列驱动基于优先级队列的任务创建与执行关键能力对比 LangChain 优势：组件丰富（Prompt、Memory、Tools、Output Parsers），生产级稳定局限：需人工设计Agent逻辑，自主性弱适用：企业级RAG、固定工作流、多Agen…

#淘天#Agent#LangChain vs AutoGPT

面试题·文档处理· 字节

长文档 Chunking 怎么选?

匹配题目：在构建面向专业领域（如医学、法律）的RAG系统时，如何对长文档进行有效的文本切块（Chunking）？请系统性地列举常见的文本切分策略，分析其原理、优缺点，并结合具体应用场景比较不同策略的适用性。

#字节#RAG Chunking#长文档切分

面试题·文档处理· 百度

Chunking 策略怎么选?

匹配追问：场景切入我看你简历上做过知识库问答。假设用户问一篇技术文档里的问题，比如问“RLHF的训练流程”，你觉得文档是切成小段好还是整章一起给模型？怎么切才能既找到相关段落又不漏掉细节？层层追问 RAG系统里文档你怎么分块的？……固定长度切和按句子切你觉得哪个好？……那如果一段话被切断了，比如“如图3所示”跑到了下一块，检索到上一块就废了，这种你怎么处理？直球架构请系统讲一下RAG中分块策略对检索和生成的影响。按固定长度、语义边界、滑动窗口和重叠分块这四种，分别说原理、优缺点…

#百度#文档处理#Chunking 策略

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配口述回答：这道题其实问的是，在[[RAG]]系统里怎么切文本才能既保证语义连贯又不让检索跑偏。说白了，[[分块]]就是在上下文完整性和检索精确性之间找平衡。块太大，噪声多，[[embedding]]被稀释，精度掉得厉害；块太小，语义割裂，LLM拿到的上下文不够，答非所问。那具体怎么做呢？先说说几种常见策略的适用边界。固定长度分块，按token或字符数硬切，实现简单，适合快速上线，但对自然语言不友好，容易在句子中间断开。语义分块用embedding相似度判断边界，能保持语义完整，适合高…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 百度

常用分块方法有哪些?

匹配正文：…nt-specific）：利用标题、段落等天然边界，适合结构化文档重叠窗口（Overlap）策略缓解边界信息丢失问题文本分块是RAG系统的关键预处理环节，直接影响检索质量和生成效果。常用策略可分为以下几类： 1. 固定长度分块（Fixed-size Chunking）按固定token数或字符数切分，具体长度作为候选变量优点：实现极简，便于批量处理，向量化效率高缺点：硬截断可能切断句子语义，边界信息易丢失适用：快速原型、对语义连贯性要求不高的场景 2. 递归分块（R…

#百度#文本分块策略#RAG chunking

面试题·评估· 得物

Agent部署关键环节与陷阱

匹配正文：…持久化历史；key设计：agent:{user_id}:{session_id} Token预算：滑动窗口保留最近N轮，超长历史走RAG摘要压缩；单轮预留20%给工具返回结果隔离策略：用户级、会话级、工具调用级三级context，防止信息泄露 4. 调度系统执行模式：ReAct循环（Thought→Action→Observation），支持单步/多步工具并行（DAG依赖解析）优先级队列：实时对话>批量任务，防止长尾阻塞中断机制：用户新消息可中断当前推理链，保存che…

#得物#Agent#Agent 系统部署

面试题·评估· 高德

Agent 如何防越权与隐私泄露?

匹配正文：…不给详情" 人机协同：高危操作（转账、删数据）必须人工确认，Agent只到"预提交"状态学习建议建议先掌握Agent基本架构与RAG流程，再学习常见安全机制如RBAC、数据脱敏技术和审计日志设计，结合实际案例理解安全策略的落地方式。

#高德#Agent#AI Agent 安全防护

面试题·评估· 字节

Agent 系统优缺点怎么分析?

匹配正文：…ent 崩溃缺乏有效的中断恢复机制 4. 可观测性与调试长链路黑盒，难以定位哪一步规划出错三、与 RAG 的协同设计维度 RAG Agent 定位知识检索增强任务执行与决策融合方式 Agent 将 RAG 作为工具之一，或 RAG 结果注入 Agent 上下文典型架构：用户 query → Agent 规划 → 判断需检索 → 调用 RAG 工具 → 基于检索结果继续规划 → 执行最终动作四、工程落地要点容错设计：工具调用失败重试、降级到预设流程人机协同…

#字节#Agent#Agent 系统优缺点

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配口述回答：…型还支持sparse和multi-vector模式，能处理同义改写、跨语言、口语化表达，比如用户说“怎么退款”，文档里写的是“退货流程”，向量能关联上。预训练embedding可直接用于新业务，不以用户点击反馈作为运行前提；领域偏移与实体匹配效果仍要评估。评估指标我重点看三个。质量上，Recall@k 是首要的，因为 [[RAG]] 里漏检代价最高，你漏了相关文档，后面生成就没了依据。然后是 MRR，它看第一个相关结果排得多靠前，对排序质量敏感。效率上，P99 延迟是红线，…

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·评估· 阿里

主流Agent框架优缺点与场景怎么选?

匹配正文：核心定位差异框架核心定位设计哲学 LangChain 通用Agent编排框架 "Chain"为中心，强调组件组合与流程控制 LlamaIndex 数据增强型RAG框架 "Index"为中心，专注知识检索与上下文注入 LangChain 详解核心抽象 Chain：将LLM调用、工具执行、数据转换串联成管道 Agent：ReAct循环，由LLM动态决策工具调用序列 Memory：对话历史的显式管理（Buffer/Window/Summary等）适用场景多步骤复杂工作流…

#阿里云#评估与监控#Agent