页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Agent 任务」找到 384 条内容
按专题浏览 →匹配正文：…下的关键对比 1. 上下文管理 ReAct：每轮将Thought/Action/Observation全部拼接，上下文线性增长。长任务中前期观察会稀释后续推理，需配合滑动窗口或摘要压缩 Plan-and-Execute：规划阶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 …
匹配追问：场景切入 假设你在做客服系统，用户问完订单状态又追问退款流程，Agent需要一步步查，你看过ReAct那种模式吧？那如果用户问题很长，比如查三个月内的所有订单，你觉得Plan-and-Execute会不会更合适？ 层层追问 你处理过长上下文的Agent任务吗？……比如每一步都留记录，上下文越堆越多……那如果遇到窗口上限，你会怎么优化？……ReAct和Plan-and-Execute在错误恢复上有什么区别？ 直球架构 比较ReAct和Plan-and-Execute在长上下文任…
…ry Bank、MemGPT、RAG-based Memory） 说明记忆检索的关键设计（索引策略、相关性计算、遗忘机制） 体现对Agent任务持续性的理解（多轮状态保持、目标追踪） 有实际落地考量（延迟、存储成本、一致性） 核心思路 大模型记忆机制的本质是突破固定上下文窗口的限制，实现信息的跨会话持久化与高效检索。我从三个层面展开： 一、架构层：原生上下文扩展 长上下文模型 采用Ring Attention、StreamingLLM等改进注意力机制，将有效窗口从4K扩展到1…
学习内容与项目面试，在同一条路上。