匹配正文：…h-Synthesis 的思路，是先拆出可独立验收的研究单元，按依赖关系分批并行，再综合它们的结构化结果。它听起来像“多开几个 Agent 就能更快”，这恰好忽略了最难的调度问题。有的单元要等前置结果，有的会共享同一个搜索服务，还有的会因慢页面或限流变成尾部任务。并行度过高时，排队、重试和综合开销可能抵消节省的时间，因此不能保证一定更快。所以面试官真正想听的是：哪些子任务适合并行，怎样建立依赖图和分批调度，如何为共享工具分配并发与预算，慢单元拖尾时是等待、降级还是部分…

#Deep Research#执行框架与长任务#Deep Research 并行任务拆分

项目实战·Agent

第 8 章:评估:调研类任务没标准答案,怎么定义「好」

匹配正文：…的评估。为什么难评估:调研任务没标准答案,「跑通」≠「做得好」,过程也要评概念:评估两个层面(结果质量 + 过程质量) 调研 Agent 的评估,要同时看「交出来的东西」和「怎么做出来的」: 评估两个层面:结果质量(报告好不好)+ 过程质量(调研做得规不规范) 结果质量(评最终报告):答案正确性、引用准确性(说的有没有出处、出处对不对)、覆盖全面性、有没有幻觉(编造事实)、结构可读性。过程质量(评调研轨迹):步骤是否合理、有没有该查不查 / 反复空查、工具用得对不对、效…

#Agent#Deep Research#项目实战

面试题·Agent

Deep Research 训练的种子问题从哪里来，怎样避免一开始就把数据做偏？

← 上一页第 12 / 17 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

匹配正文：…一标准，不让它自由创造新口径。审核一致不代表标签一定正确。还要通过轨迹试跑和下游训练观察验证。例如大家都把某题标成复杂，但基线 Agent 一次 Visit 就能完成，就应回头修正难度定义。审核记录保存规则版本。指南更新后，受影响的旧样本需要重新检查，不能因为曾经人工通过就永久有效。产品和工具变化后，旧种子会不会过时？会。新增工具可能让原本需要多步搜索的问题变成一次结构化查询，工具下线也可能让旧任务无法执行。来源页面、产品版本和业务流程变化，会使参考证据和完成条件…

#Deep Research#数据构造与训练#Deep Research 种子数据

面试题·Agent

简单问答怎样升级成真正需要多步研究的问题，又不把题目编坏？

匹配正文：…要核验多少独立信息。推理跳数反映结论依赖多少前序结果。对象与维度数量反映比较和归一化工作。来源冲突与时效要求增加验证难度。工具类型和必要步骤反映执行复杂度。动态规划程度检查中间结果是否可能改变后续动作。答案开放度与风险决定评分和人工复核要求。这些维度可以组成标签或分层，不必压成一个绝对分数。两个总分相同的问题，可能一个难在证据冲突，一个难在长工具链，训练价值不同。复杂 QA 质量与难度评估矩阵难度、可回答性、证据和多样性要分开检查，不能互相抵消。生成题的质…

#Deep Research#数据构造与训练#Deep Research 复杂问答

面试题·Agent

GRPO 为什么同一道题要采样一组答案，组内相对优势到底怎么算？

匹配正文：…单丢弃。失败分布本身是诊断资产，要保留原因和版本。组大小应该越大越好吗？更大的组可能覆盖更多策略，使组内统计更稳定。但长程 Agent 每条候选都要运行工具，组越大，采样成本、延迟和环境波动越高。如果 reward 本身噪声大，增加候选不一定解决判定错误。组太小则均值和标准差更容易受单条异常影响，也可能很难采到明显不同的路径。合理组大小要结合任务难度、轨迹长度、采样多样性、环境成本和 reward 稳定性实验确定。不能从教学示例的四条轨迹推导生产组大小，也不能把…

#Deep Research#数据构造与训练#Deep Research GRPO

面试题·Agent

Deep Research 一跑几分钟，为什么不能用普通同步接口硬等？

匹配正文：…复创建两份研究。相关工程教程给出的方向是异步任务加进度查询，并要求重试、降级、断点和状态隔离。所以面试官真正想问的是：长时 Agent 如何拆成任务控制面和执行面，任务状态机怎样设计，怎样处理幂等、租约、断点、取消、重试和背压，GPU 推理与外部工具并发如何协调，又如何定义可验证的服务目标而不虚构现有 QPS 或 SLA？同步请求为什么容易出问题？第一，生命周期不匹配。网关、负载均衡和客户端都有超时，研究任务却可能更久。连接结束不代表任务应该被杀掉。第二，失败边…

#Deep Research#上线成本与评估#Deep Research 长任务

面试题·Agent

Deep Research 评估为什么不能只看最终答案，过程合理又该怎么量？

匹配正文：一份调研报告最后结论正确，不代表 Agent 的研究过程可靠。它可能凭预训练记忆猜中答案，也可能只看搜索摘要，碰巧没有犯错。换一个日期、对象或来源，捷径就会失效。反过来，一条轨迹工具选择合理、引用完整，也可能因为网页更新、计算错误或遗漏子问题，最终报告仍然不合格。 Deep Research 是开放任务，又是多步骤过程。只看最终文本，会把“蒙对”当能力；只看步骤，又可能忽略交付结果。相关评估材料明确把质量拆成结果与过程两个层面，并要求准确、引用、报告质量和效率共同观察。…

#Deep Research#上线成本与评估#Deep Research 评估

面试题·Agent

LLM Judge 分数变高，为什么 Deep Research 可能反而更会刷分？

匹配正文：… Judge 从规则到人工校准的流程规则、盲评、多 Judge、换位和人工锚点共同降低单一裁判风险。 Goodhart 定律在 Agent 评估里怎样出现？奖励引用数量，模型开始堆无关链接。奖励答案长度，模型增加重复背景。奖励少调用工具，模型提前停止并用记忆补结论。奖励某个 Judge 的总分，模型学习它喜欢的措辞和结构。奖励覆盖关键词，模型逐项复述 rubric，却没有真实证据。这些行为都会让指标上升，但用户任务不一定变好。一旦评估分数进入训练、提示优化和发…

#Deep Research#上线成本与评估#Deep Research LLM Judge

面试题·RLHF与对齐· 美团

Environment-based 训练怎么用?

匹配正文：…ronment-based 训练指训练数据来自策略对环境的查询和交互，而不是只从固定数据集读取样本。环境可以是模拟器、游戏、网页、工具服务、代码沙箱或真实系统。它不要求每生成一步就立刻更新参数，完全可以先批量 rollout、写入缓冲区，再按 on-policy 或 off-policy 算法更新。能访问环境只意味着可获得新转移，并不保证训练分布和部署分布一致。机制与边界模拟环境的优点是成本可控、可并行、可重放，并能安全制造边界情况；缺点是模型误差和 sim gap，策略…

#环境交互训练#在线学习#模拟器训练

面试题·Agent· 美团

ReAct vs Plan-and-Execute 怎么选?

匹配追问：场景切入假设你在做一个电商客服机器人，用户问一个复杂订单问题，比如退款进度、物流异常和商品瑕疵一起问。你会怎么设计agent的推理流程？是让模型边想边调用工具，还是先整体规划再一步步执行？层层追问 Agent处理长任务时，你觉得是边推理边行动好，还是先做计划再执行好？……那当上下文越来越长、接近token上限时，这两种方式各自会出什么问题？……比如早期的一个错误观察，哪种架构更容易恢复？直球架构直接比较ReAct和Plan-and-Execute两种框架在长上下文任务…

#美团#Agent#ReAct vs Plan-and-Execute

面试题·Agent· 美团

ReAct vs Plan-and-Execute 推理效率对比?

匹配口述回答：…胀速度，如果重规划比例超过 20%，说明计划层太粗了，需要调整粒度。另外，现在有一种做法是把计划本身也做成可迭代的，比如让 [[Agent]] 在执行过程中不断更新计划，而不是一锤定音。这其实模糊了 ReAct 和 Plan-and-Execute 的边界，但我觉得这是更务实的演进方向。所以整体上，我更倾向把 ReAct 看作微观动作的灵活工具，把 Plan-and-Execute 看作宏观流程的骨架，两者搭配而不是二选一。具体用多少比例，取决于任务的确定性和上下文预…

#美团#Agent#ReAct vs Plan-and-Execute

面试题·Agent· 得物

大模型记忆机制怎么改进?

匹配正文：… DB + 时间衰减稠密检索 + 遗忘曲线加权持续学习、个性化结构化记忆（如DB/GPT）知识图谱或关系型存储复杂推理、工具调用关键设计点：写入策略：非全量存储，用模型生成摘要/事件三元组压缩信息检索策略：混合检索（向量相似度 + 时间近邻 + 重要性评分）一致性维护：定期触发**记忆反思（reflection）**整合碎片化信息三、检索增强：RAG与Agent记忆融合 RAG-based Memory 将历史交互切分chunk，构建可检索记忆库与实时R…

#得物#Agent#大模型记忆机制

面试题·Agent· 高德

Tool Calling 参数格式怎么保?

匹配正文：…ed + 业务校验为主，配合轻量后处理。学习建议建议先掌握JSON Schema和API基础概念，再学习约束解码原理，结合开源工具如Outlines或Guidance动手实践，理解不同方法在真实Agent系统中的应用差异。

#高德#Tool Calling 参数格式#约束解码

面试题·Agent· 阿里

主流 LLM 应用产品怎么选?

匹配正文：产品选择：阿里通义千问（C端）+ 科大讯飞星火（B端场景）一、技术架构对比维度通义千问讯飞星火核心架构 RAG为主，轻量Agent能力 Agent为主，深度RAG融合技术侧重搜索增强生成（实时信息）任务规划+工具调用（办公自动化）典型能力联网搜索、文档解析、代码生成插件生态、API编排、多轮任务执行关键差异：通义的RAG强调"知识广度"（覆盖全网+上传文档），星火的Agent强调"行动深度"（理解意图→拆解步骤→调用工具→完成闭环）。二、场景与体验分…

#阿里#科大讯飞#Agent

面试题·Agent· 蚂蚁

多轮对话上下文状态管理机制

匹配口述回答：…本号和 CAS，冲突时重新读取合并，或按 session 建队列串行化有副作用的步骤。会话粘滞只能减少跨节点访问，不能替代一致性。工具调用还要保存幂等键与状态，避免重试造成重复扣款、发信或写库。 Agent 多步执行时记录结构化决策摘要、工具输入输出、状态变化和停止原因，不保存或展示隐藏推理链。最后用版本冲突率、恢复延迟、上下文 token、摘要触发率和故障注入验证节点切换后不会丢轮次或重复执行。本质是状态记忆与资源平衡三级存储与生命周期动态截断与压缩分布式一致性方案…

#蚂蚁#Agent#多轮对话上下文管理

面试题·Agent· 小红书

生成式推荐系统有哪些改进方向？

匹配正文：…：曝光未点击可作为带噪候选，须考虑用户是否看见、位置与反馈延迟；与随机负样本、人工偏好及去偏方案做对照。 3. 系统集成：RAG与Agent的深度融合用户Query → Agent规划（意图识别→工具调用）→ RAG检索实时热点/库存 → 生成式模型融合多源信息 → 交互式澄清（多轮）→ 最终推荐 RAG增强：接入实时笔记池、趋势话题，解决生成内容"过时"问题 Agent协同：支持多轮对话式推荐，主动询问偏好（如"喜欢户外还是室内活动？"），突破单次请求的信息局限 4. 应…

#小红书#Agent#生成式推荐系统

面试题·Agent· 小红书

LLM 输出格式不规范怎么修?

匹配正文：… Schema 预定义字段类型/必填/枚举值复杂结构化需求，可校验 Function Calling 强制输出匹配函数参数结构 Agent工具调用场景 Constrained Decoding 解码时限制token生成空间自研模型/开源方案（如outlines库）小红书场景：笔记标签抽取用JSON Schema强制tags: array<string>，避免模型输出字符串拼接三、后处理层（容错兜底）解析容错：用json5/demjson容忍尾随逗号、单引号等 LLM…

#小红书#Agent#LLM 输出格式规范

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配正文：主流Agent框架对比 1. LangChain —— 通用编排框架核心定位：LLM应用的全流程编排与工具集成核心能力：Chain/Agent抽象、工具调用（Tool Calling）、记忆管理、多模型路由技术特点：LCEL（LangChain Expression Language）支持流式、异步、并行执行 Agent场景：ReAct、Plan-and-Execute、Self-Ask等推理模式的标准化实现 RAG角色：提供RetrievalQA、Conversati…

#阿里云#Agent#Agent 框架对比

面试题·Agent· 高德

ReAct 框架核心优势在哪?

匹配正文：…servation（观察）→ Thought → ... 区别于传统范式：纯CoT：只推理，不接触外部世界，知识截止且易幻觉纯工具调用：只执行，缺乏显式推理过程，黑盒决策相比纯提示工程的优势维度纯提示工程 ReAct 信息来源静态上下文，一次性输入动态获取，按需检索/计算错误处理错就错，无法中途修正观察反馈→重新推理→调整策略可解释性黑盒输出显式思维链，可追溯决策路径复杂任务长上下文易迷失分步拆解，每步聚焦子目标关键机制 1. 自我验证与修正…

#高德#Agent#ReAct 框架

面试题·Agent· 淘天

LangChain vs LlamaIndex vs AutoGPT 架构差异?

匹配正文：…大框架核心定位框架核心定位设计哲学 LangChain 通用LLM应用编排模块化链式组合 LlamaIndex 检索增强型Agent 数据索引优先 AutoGPT 自主决策Agent 目标驱动循环 LangGraph 复杂状态流Agent 图结构状态机关键维度对比 1. 架构设计 LangChain：Chain为核心，线性/分支结构，通过LCEL语法糖组合 LlamaIndex：QueryEngine封装检索+生成，Agent是AgentRunner包装器 Auto…

#淘天#Agent#Agent 框架对比

面试题·Agent· 美团

大模型输出怎么做真实性验证?

匹配正文：…laim segmentation）对每个声明独立检索权威知识源使用NLI模型判断"检索证据→支持/反驳/无关"生成结论典型工具：RARR、FAC2框架工具调用验证对可验证实体（时间、数值、人物）调用API/Wikipedia查询结构化数据比对，直接判定真伪 2. 引用溯源（Attribution）生成时约束（更优）训练阶段引入引用标记，强制模型输出<cite>doc_id</cite> 推理时限制只能从提供的上下文选择引用后处理匹配使用句子级嵌入，计算生…

#美团#Agent#大模型真实性验证

面试题·Agent· 蚂蚁

高并发下状态一致性怎么保证？

匹配正文：核心设计：分层状态架构短期状态（工作记忆）最近N轮对话 + 当前Agent执行中间状态存储：Redis集群，TTL设置（如30分钟无活动清理）结构：Hash存元信息，List/ZSet存消息序列长期状态（外部记忆）用户画像、历史摘要、关键事实提取存储：持久化DB（MongoDB/ES）+ 向量库检索状态更新机制写路径用户输入 → 路由层（按session_id哈希）→ 单线程处理保证顺序 → 更新Redis + 异步落盘 + 发布变更事件并发控制乐观锁…

#蚂蚁#Agent#多轮对话上下文管理

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配正文：…增强知识更新延迟实时索引管道、增量更新、结合API动态查询这些痛点正是Agentic RAG兴起的核心动因——通过引入反思、工具调用、主动验证等机制，突破传统"检索-拼接-生成"的线性范式。学习建议掌握RAG基本流程，结合实际案例理解检索与生成间的瓶颈，对比进阶方法如Graph RAG、Agent增强。

#淘天#Agent#RAG 痛点

面试题·Agent· 百度

反思机制原理与失败场景

匹配正文：核心定义反思机制是让Agent具备元认知能力——不仅能执行任务，还能审视自己的执行过程并主动纠错。区别于简单的"重试"，反思是对思维链本身的再思考。设计原理：三层闭环结构层级功能典型输出执行层生成行动/推理代码、工具调用、中间结论观察层收集执行反馈执行结果、环境状态、错误信息评估层批判性审视判断正确性、定位错误根因、提出修正策略关键设计：显式化反思过程——让模型把"我错在哪、为什么错、怎么改"说出来，而非隐式内化。在推理中的作用错误识别：区分…

#百度#Agent#反思机制