匹配正文：…段一次性消耗上下文生成计划，执行阶段仅需维护当前步骤+原始计划，上下文更紧凑 2. 推理效率 ReAct：单步决策简单，但多轮调用LLM，总token数高；优势在于按需推理，不会为过细的计划浪费token Plan-and-Execute：规划阶段一次 heavy call，执行阶段轻量；但若计划粒度不当（过细/过粗），会导致重复规划或执行偏差 3. 错误恢复 ReAct：局部错误可立即在下一步修正，灵活性强；但错误可能逐步累积，且缺乏全局视角导致局部最优 Plan-and-…

#美团#Agent#ReAct vs Plan-and-Execute

面试题·Agent· 蚂蚁

多用户Memory隔离：LangChain改造方案

匹配口述回答：…了Redis原子操作，还要考虑读写锁，虽然Redis单线程模型已经解决了一部分。举个例子，比如电商客服场景，用户问退款政策，[[Agent]]查了知识库后给出回答，这段对话要记住。如果另一个用户同时问满减规则，两个会话的Memory必须完全隔离。用Redis方案，两个用户的记忆分别存在不同key下，互不干扰。而且Redis可以设TTL，比如7天，到期自动清理，防止存储膨胀。另外，还有个延伸点，就是当记忆体量特别大的时候，比如一个用户积累了上千轮对话，直接全量加载到prom…

#蚂蚁#Agent#LangChain Memory 隔离

面试题·Agent· 字节

AutoGen vs LangGraph 怎么选?

← 上一页第 12 / 13 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

匹配口述回答：…int机制，可以精确回放每一轮状态，出了问题好排查。这里有个坑。很多人觉得AutoGen简单，直接拿来上线，结果发现流程不可控，LLM偶尔抽风导致业务异常。我的经验是，二者都需要授权、预算、停止与失败处理；LangGraph的图不能保证零差错，AutoGen也可采用规则控制。生产稳定性要靠具体实现与故障演练验证。不过话说回来，真正落地的场景往往不是二选一。比如一个复杂的客服系统，我会用AutoGen做多Agent的协商和沟通，但外层用LangGraph搭一个工作流框架，把…

#字节#百度#Agent

面试题·Agent· 字节

LangGraph外还有哪些流程编排框架?

匹配口述回答：…个客服系统要处理退款政策，用户问"我买的东西降价了能不能退差价"，LlamaIndex可以先把几十页的售后政策文档切碎建索引，然后Agent根据问题去检索相关条款，再结合上下文回答。这里有个坑：前提是你的数据源必须结构清晰，如果文档质量差、信息混乱，索引建出来也是垃圾，召回率会很低。我上线前会特别关注[[Chunk]]策略和[[Hybrid Search]]的调参，不然容易漏关键信息。再来说AutoGPT和BabyAGI。它们更偏向探索LLM自主规划的上限，核心是一个循环：…

#字节#百度#Agent

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…的标题、章节、条款编号完全保留文档逻辑结构、支持精确引用溯源依赖文档解析质量（如OCR、版式分析）法律合同、病历、监管文件智能体切块（Agentic） LLM先读全文，按主题/事件主动划分最贴合人类理解、可提取跨段落关联成本高、延迟大、需设计prompt 超高价值文档、需要深度推理的场景医疗/法律领域的实践要点 1. 优先保结构法律：以"条款→款→项"为最小单元，而非固定长度医疗：以"主诉-现病史-检查-诊断"等病历章节为边界 2. 元数据增强 chunk …

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…键证据在prompt中间时被忽略改进：重排序把关键文档放首尾、压缩/摘要减少长度、显式引用机制 4. 知识冲突与幻觉检索内容与大模型参数知识矛盾时，模型可能"固执己见"或随机选择改进：置信度校准、检索内容高亮标记、source attribution强制引用三、系统层面局限 5. 延迟与成本检索+重排+生成链路长，首token延迟高改进：检索缓存、预计算embedding、流式生成、推测解码 6. 复杂推理场景失效多跳问答、对比分析、数值计算等需要综合多源信息时…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：答案要点意图识别决定检索策略选择（向量检索/关键词检索/混合检索）通过查询改写和扩展提升召回率识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品…

#OPPO#RAG 意图识别#RAG

面试题·评估

LangChain vs AutoGPT vs MetaGPT 怎么选?

匹配口述回答：这道题问的是AI [[Agent]]框架的选型，其实本质是在问：你打算把多少控制权交给大模型，多少留给人。三个主流框架，LangChain、AutoGPT、MetaGPT，正好代表了三种不同的控制粒度。先说LangChain。它更像一个编排工具箱，你通过链式组合把流程写死：先调模型、再调工具、再输出。它的优势是灵活，生态丰富，一百多个集成，快速搭个[[RAG]]原型或者工具调用场景特别顺手。但这里有个坑：它的抽象层太厚了。你写一个简单的链，背后可能封装了三层回调、十个组件…

#Agent#AI Agent 框架对比#LangChain vs AutoGPT

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…制、多跳推理弱）提出至少3个具体优化方向（如混合检索、重排序、查询改写）结合实际场景说明优化方案的可行性体现对RAG与微调、Agent等技术边界的理解 RAG的核心价值与深度优势层面知识动态化：无需重训模型即可更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变更的业务知识技术深度体现不仅是"向量检索+Prompt拼接"，而是涉及查询理解→多路召回→精排…

#美团#RAG 局限性#RAG 优化方向

面试题·Agent

ReAct 框架是什么?

匹配正文：…(看结果)→ 再思考,直到得出最终答案对比一次性回答:每一步都有真实反馈兜底,能纠错、能拆解复杂任务、轨迹可解释它是最经典的 Agent 执行范式,出自 2022 年的论文 ReAct 代价是多轮模型调用,延迟和 token 成本更高,还要防死循环核心概念 ReAct 是一种让大模型把"推理过程"和"工具行动"交替进行的执行框架:模型先写下思考,再执行一个动作,观察工具返回的结果后继续思考,循环往复直到任务完成。一个循环长什么样以"姚明的妻子比他小几岁"为例: Th…

#入门#基础概念#ReAct 框架

面试题·多模态· 美团

弱多模态+强文本模型怎么协同?

匹配口述回答：…型、图表模型、通用 VLM；LLM 侧也可以按成本分层，普通问题用便宜模型，复杂推理再上强模型。扩展性方面，我会把 VLM 和 LLM 之间的接口标准化成 observation schema。只要接口稳定，后面替换更强的 VLM、增加图表专用模型、接入视频模型，都不会影响上层推理逻辑。最后可以做反馈闭环。把 LLM 发现的错误、人工修正样本、低置信案例回流，用来微调 VLM 或训练路由器。这样系统不是一次性拼两个模型，而是能持续提升“看得准”和“想得对”的协同效果。核…

#美团#多模态#Agent

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配题目：在实际的大模型应用中，你使用过哪些有效的Prompt Engineering技巧来提升模型输出的质量、准确性和一致性？请结合具体应用场景（如RAG、Agent等）举例说明其设计思路、实施过程及实际效果。

#华为#Prompt工程#Prompt Engineering 技巧

面试题·Prompt· 华为

思维链(CoT)什么时候用?

匹配正文：…hot CoT：提供带推理过程的示例，引导格式 Self-consistency：采样多条CoT路径，投票选最优答案实际落地时，Agent场景常将CoT与ReAct结合，让模型输出Thought: → Action: → Observation:的结构化推理链。学习建议建议系统学习该知识点

#华为#思维链 CoT#Chain-of-Thought 使用场景

面试题·Prompt· 百度

意图识别 Prompt 最佳实践?

匹配追问：…“我想退款”，但不同语境下可能是“申请退款”或“查询退款进度”。你怎么写prompt让模型稳定区分这两种？层层追问你平时怎么给大模型写prompt做分类任务？……如果意图有几十种，写一个很长的系统prompt，模型容易忽略中间的类别，你怎么优化？……再进一步，怎么让模型不仅能分对，还能告诉我它为什么这么分？直球架构设计一个用于意图识别的prompt模板，要考虑角色定义、结构化输出、few-shot示例和推理引导。你具体怎么组织这些要素？模板长什么样？

#百度#Prompt工程#Agent

面试题·Prompt· 字节

ReAct 架构原理与失败场景

匹配题目：请详细解释ReAct（Reasoning and Acting）架构在智能体（Agent）中的设计思想、工作流程及其在大模型任务执行中的优势。

#字节#百度#Agent

面试题·Prompt· 美团

ReAct 框架怎么工作？

匹配题目：请介绍ReAct（Reasoning + Acting）框架的基本思想、工作流程及其在大模型代理（Agent）任务中的应用，例如问答、工具调用等场景。

#美团#Agent#ReAct 框架

面试题·Prompt· 美团

ReAct 框架怎么用?

匹配口述回答：这道题其实问的是，怎么让大模型在复杂任务中既能思考又能动手，而不是只动脑不动手或者只动手不动脑。[[ReAct]]框架的核心就是把推理和行动交错起来，而不是分开做。具体说一下工作机制，它的循环是Thought→Action→Observation，然后拿Observation再去更新Thought，形成一个闭环。你可以这么理解：模型先想一下现在该干什么，然后去调一个工具或查一个数据库，拿到结果后再想下一步。比如用户问今年诺贝尔物理学奖得主是谁，模型先想我需要搜索最新信息，然…

#美团#Agent#ReAct 框架

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：核心定位差异维度 LangChain LlamaIndex 设计目标通用LLM应用编排框架数据驱动的检索增强框架核心抽象 Chain（链式调用）、Agent（自主决策） Index（索引结构）、Retriever（检索器）、QueryEngine（查询引擎）优势领域复杂工作流编排、多工具Agent 大规模文档索引、结构化检索关键功能对比 LangChain强项 Agent系统：ReAct、Plan-and-Execute等推理模式，支持工具调用与多轮决策模块化…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：核心定位差异维度 LangChain LlamaIndex 设计目标通用LLM应用编排框架数据检索与知识库专用框架抽象层级高，覆盖完整应用生命周期聚焦数据摄入→索引→检索→合成核心优势工具链整合、Agent编排、记忆管理数据连接器、索引策略、检索优化技术侧重点对比 LangChain的核心能力链式编排：通过LCEL构建复杂工作流，支持条件分支、并行执行工具生态：内置大量第三方工具集成（搜索、数据库、API） Agent系统：ReAct、Plan-and…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：…题：知识库如果一天一更新，用户问“今天有什么优惠”，模型还是拿昨天的政策回答。所以对于高频变化的数据，比如库存、价格，我会用 [[Agent]] 配合 [[Function Calling]] 实时查数据库，而不是走静态索引。还要看查询改写成本：用户 query 经常很短或者有歧义，比如“怎么退”，需要先让模型扩写成“退货流程是什么”，但这会多一次 LLM 调用，延迟和成本都要考虑。其实 [[Naive RAG]] 和 Advanced [[RAG]] 的核心区别不在于索引…

#美团#RAG架构#RAG 系统架构

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…：用Cross-Encoder精排，过滤低质片段 3. 生成阶段上下文组装：检索结果 + 用户Query → 构造Prompt 大模型生成：基于检索上下文回答，可引用来源典型应用场景场景说明企业知识问答内部文档、规章制度，解决大模型不知道私域知识的问题客服系统基于产品手册实时检索，避免幻觉，答案可溯源研报/法律分析长文档摘要+精准定位原文，处理超出上下文长度的材料核心优势 vs 局限优势知识实时更新：不用重新训练模型，增量更新知识库即可可解释性强：…

#字节#RAG应用场景#RAG 技术实现

面试题·项目与经历· 京东

面试反问怎么问才加分?

匹配口述回答：面试结束前，我会选两到三个与前面交流最相关的问题，而不是背一串技术名词。第一个可以问：团队现在最希望大模型解决的具体用户问题是什么，成功主要看哪些指标，当前基线和最大失败类型分别是什么？这个问题能判断项目是在做展示、内部提效还是承担真实业务结果。如果面试官提到知识库或Agent，我会继续问：线上错误通常来自召回、生成、工具执行还是数据更新，团队怎样收集失败样本并决定下一轮优先级？这比直接问是否使用某个向量库更有信息。若对方说召回问题多，再追问文档版本、权限、评测集和引用支持…

#面试技巧#职业规划#团队沟通

面试题·RLHF与对齐· 美团

环境训练 vs 监督学习怎么选?

匹配追问：环境反馈延迟或稀疏时如何设计奖励函数或训练策略基于环境的训练样本效率低，有哪些改进方法（如模型-based RL、离线RL）在LLM Agent场景中，如何构建"环境"进行训练场景切入假设现在优化一个连续决策系统，动作会改变后续状态，反馈还可能延迟。你会怎样判断它应使用监督学习、contextual bandit、offline RL 还是受控 online RL？层层追问监督数据和策略交互数据的来源差在哪？……只有日志时如何处理分布外动作？……bandit 与完…

#环境交互#在线学习#探索与利用

面试题·项目与经历· 美团

面试反问环节怎么准备?

匹配口述回答：…店这类多轮对话场景里，用户可能先问“附近有什么火锅店”，再追问“有没有双人套餐”，这里就需要RAG能结合对话历史做上下文检索，同时Agent能根据当前状态调用不同的工具或API。我觉得真正落地的难点在于怎么把[[ReAct]]框架和检索结果融合，让模型既能依赖知识库的事实，又能自主规划下一步动作。举个例子，比如用户问“我上周的退款怎么还没到”，系统需要先通过[[Self-RAG]]判断是否需要检索订单信息，然后调用客服工单API，最后生成回复。这里面每个环节的置信度都要有兜底…

#面试技巧#职业规划#团队文化