匹配正文：…记忆系统（Memory）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…

#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· 百度

Agent 工具类型怎么选?

匹配正文：…际落地中的工具注册与管理机制 Agent工具主要分为以下几类，每类解决不同能力边界问题： 1. 信息检索类搜索引擎/知识库：弥补模型知识时效性和幻觉问题，如实时新闻查询、企业内部文档检索数据库查询：SQL执行、向量检索，用于结构化数据获取 2. 计算与推理类代码执行器：Python/Shell执行复杂计算、数据分析，解决数学推理短板专用计算API：金融定价、科学计算等，避免模型自行计算出错 3. 外部服务类业务API：订单查询、天气、地图、支付等，打通真实业务系统 …

#百度#Agent#AI Agent 工具

面试题·Agent· 小红书

多智能体协同怎么保证?

匹配正文：…资源竞争；MAS中的博弈论均衡一致性保障共识算法：Raft/PBFT的简化应用，确保关键决策达成一致状态同步：CRDT或版本向量处理并发更新，最终一致性即可满足多数场景冲突解决：优先级规则、投票机制或引入仲裁Agent 工程实践要点角色设计：用角色模板（ReAct/Plan&Execute）定义Agent职责边界观察-信念-意图（OBI）模型：显式建模Agent心智状态容错机制：心跳检测、超时重试、优雅降级实际落地推荐从双Agent协作（如Reviewer-E…

← 上一页第 14 / 22 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

#小红书#Agent#多智能体协同

面试题·Agent· 美团

Agent 主流架构怎么选?

匹配正文：…行处理缺点：协调复杂，可能出现循环调用关键组件对比组件作用典型方案 Memory 上下文持久化短期(对话历史)、长期(向量库) Tool Calling 外部能力扩展 OpenAI Function Calling、Toolformer Reflection 自我纠错 Self-Refine、Reflexion 选型建议简单任务（单工具查询）：直接Function Calling 多步骤推理：ReAct或Plan-and-Execute 复杂业务场景（如美团外卖…

#美团#Agent#Agent 架构设计

面试题·Agent· 快手

Agent 系统实现流程与核心组件

匹配正文：…、重复状态、最大步数、时间与成本预算，防止死循环和过早结束。 2. 工具调用工具用 Schema 描述名称、用途、参数和副作用。模型输出调用意图后，服务端完成参数校验、权限检查、幂等控制和人工确认，再执行工具并返回结构化结果。超时和错误要有可区分的状态，避免模型把失败响应当成事实。 3. 记忆管理短期状态保存当前任务约束和已验证观察，不等于无限保留全部对话。长期记忆写入前要做权限、来源、用户隔离、有效期和纠错控制；向量库只是检索手段，不等于记忆天然可靠。摘要是有损压缩…

#快手#Agent#Agent 系统实现

面试题·Agent· 字节

AI Agent 趋势与挑战怎么破?

匹配正文：…进展亮点模块关键进展规划从CoT到ToT（思维树），再到基于LLM的MCTS搜索记忆短期工作记忆（上下文压缩）+ 长期向量记忆 + 知识图谱结构化记忆工具调用 Function Calling标准化，MCP协议推动工具生态互通安全沙箱执行、权限分级、人机协同确认机制核心挑战：技术+工程双重困境技术层面规划可靠性：长程任务错误累积，"一步错步步错"；复杂约束下的最优解搜索仍是NP-hard 工具边界模糊：LLM难以判断"该用工具"还是"直接回答"，工具选…

#字节#百度#Agent

面试题·Agent· 字节

Agent 记忆衰退：为何与如何实现

匹配正文：…挂）vs 交互记忆（会话上下文），后者才是衰减机制的主战场。三种实现方式机制核心思路具体做法时间衰减越旧权重越低记忆向量附加时间戳，检索时按 e^{-\lambda t} 降权；或定期清理超期记忆重要性评分关键记忆保留用LLM或轻量模型给记忆打"重要性分"，低分记忆优先淘汰访问频率衰减冷数据下沉 LRU/LFU策略，长期未访问的记忆迁移到慢存储或摘要压缩工程落地要点与RAG结合：向量库中存全量记忆，衰减机制作用于检索前的候选过滤或重排序阶段参数权…

#字节#Agent#Agent 记忆衰退

面试题·Agent· 美团

Agent 必备基础能力有哪些?

匹配正文：…行→记忆"的闭环： 1. 感知（Perception）接收多源输入：用户指令、环境状态、工具返回结果关键：将非结构化信息转化为模型可理解的上下文 2. 规划（Planning）任务拆解：把复杂目标分解为可执行的子步骤策略选择：决定下一步动作（调用工具/直接回答/继续推理）常用模式：ReAct（推理+行动交替）、CoT（链式思考）、ToT（树状搜索） 3. 工具调用（Tool Use / Action） Function Calling：结构化输出工具名和参数执行反…

#美团#Agent#Agent 基础能力

面试题·Agent· 美团

Agent组件通信机制与架构模式对比

匹配正文：…ub 选型建议快速POC：ReAct + 同步调用，最小闭环验证生产系统：Plan-and-Execute + 异步工具 + 向量数据库记忆复杂工作流：Multi-Agent + 事件总线，明确角色边界关键原则：规划与执行解耦、状态外置化、失败可重试。

#美团#Agent#Agent 组件通信

面试题·文档处理· 百度

Chunking 策略怎么选?

匹配正文：…义完整性、检索噪声、召回覆盖、上下文预算和索引成本之间取舍。块大小与效果不存在跨数据集通用的单调关系，必须结合文档结构、查询分布、embedding 模型和生成任务评测。常见策略方法做法主要优点主要风险固定长度按 token 或字符数切分简单、吞吐和容量容易估算可能切断句子、表格或章节结构或语义边界按标题、段落、句子或解析树切分更容易保留完整语义单元块大小不均，依赖解析质量固定步长滑窗用窗口长度与步长生成候选块增加跨边界覆盖重复内容多，索引与…

#百度#文档处理#Chunking 策略

面试题·文档处理· 百度

RAG ANN 索引优化

匹配追问：场景切入假设我们做一个电商客服RAG系统，用户问“退款流程”，系统得从海量文档里找答案。如果向量索引效率低，用户等半天才出结果，你一般会用什么策略来优化索引的效率和召回率？层层追问 RAG系统里向量索引做召回，你觉得哪些环节会影响效果？……比如分块策略？嵌入模型？……那具体怎么提升召回率呢，像ANN算法调参或者多路召回这些，你怎么看？直球架构请列举RAG系统中向量索引优化的常见策略，比如分块、嵌入、ANN算法、多路召回等，并解释每个策略为什么能提升效率或召回率。

#百度#文档处理#RAG ANN 索引优化

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配正文：…感内容尤为重要 2. 边界感知优先在段落、句子边界切分，不在词中间断开特殊内容（表格、列表）尽量保持完整 3. 尺寸匹配参考embedding模型的训练长度（如text-embedding-ada-002用8191 tokens）预留LLM的上下文空间：chunk大小 + prompt + 输出 < context window 4. 元数据增强存储chunk的标题、章节、页码等，用于重排序或过滤 5. 评估驱动迭代用Hit Rate、MRR等指标对比不同策略结…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 字节

RAG 数据清洗与 Chunking 怎么选?

匹配正文：…，实现简单；适合均匀分布的文档递归字符切分优先按段落→句子→单词层级切分需要保持语义完整性；适合技术文档、文章语义切分用embedding模型检测语义边界对语义连贯性要求高；适合对话、叙事文本结构化切分按章节、标题、表格等文档结构切分 PDF/Word等富格式文档；需保留层级关系 Agentic切分用LLM判断最佳切分点高质量要求场景，成本较高工程实践要点：把零重叠、短窗口和较长窗口作为候选，用同一评测集验证是否减少边界信息丢失保留元数据（来源、页码…

#字节#文档处理#RAG 数据清洗

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配正文：…如BERT-based分割）而非固定token数重叠窗口：比较无重叠、短重叠和较长重叠候选，验证跨块召回与冗余成本四、元数据与向量化增强元数据保留：来源文档、章节层级、发布时间、版本号，用于检索过滤和重排序多向量表示：长文档同时存储文档级摘要向量 + 细粒度段落向量领域适配：用领域语料微调embedding模型，或训练领域特定的BGE/M3E 五、质量闭环建立清洗效果指标：分块语义完整性评分、术语覆盖率、信息密度通过检索命中率和生成事实性反向驱动清洗规则迭代学…

#字节#RAG 文档清洗#文档预处理

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配正文：常见分块策略对比 1. 固定长度分块实现：按token数或字符数硬切分（如512 tokens）优点：实现简单、Embedding批次处理高效、便于控制上下文长度缺点：边界可能切断语义（如"深度学习...的优化方法"被拆开），导致检索片段不完整适用：通用场景、对延迟敏感、文档结构松散时 2. 语义边界分割实现：按句子（NLTK/spaCy）、段落（\n\n）、或主题模型（如BERTopic）切分优点：保留语义完整性，检索结果可读性强缺点：块大小不均，可能过长（超…

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 京东

RAG 分块策略选型

匹配正文：…讯）：比较固定长度、结构边界与不同重叠窗口，重点验证响应速度与召回代码文档：按函数/类边界分，保留语法结构最终块大小应同时匹配Embedding输入限制、LLM上下文预算和业务评测结果。学习建议建议掌握大模型训练基础，深入理解推理路径建模与损失函数的关系，结合CoT论文实践分析。

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·文档处理· 百度

分块策略怎么影响检索?

匹配正文：…中文分词、长文档处理）核心分块策略 1. 固定长度分块按token数或字符数硬切分（如512 tokens）优点：简单、对齐向量索引、便于批处理缺点：可能切断语义，边界信息丢失 2. 滑动窗口分块把零重叠、短窗口和较长窗口作为候选，用同一评测集比较边界证据完整率、召回与成本保证上下文连续性，减少边界效应代价：存储和计算成本上升 3. 语义分块（推荐）基于句子/段落边界切分，保持语义完整可用NLP工具（spaCy、NLTK）或模型判断语义边界中文场景需特别注…

#百度#文本分块#chunking 策略

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配正文：…混合、章节层级明确实现与维护复杂度更高实践建议：先按标题、段落、列表、表格或代码边界产生候选，再对过长单元二次拆分。具体长度受embedding模型输入限制、查询类型和上下文预算共同约束。重叠策略（Overlap）作用：当答案跨越切分边界时，补回相邻上下文选择方法：把零重叠、短窗口和较长窗口放到同一评测集比较，不预设固定比例成本：索引体积增加、相似chunk重复召回、重排与生成输入变长配套处理：保留原文起止位置与父级结构，召回后按来源和位置去重、合并保障语义完…

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

匹配正文：…偏离当前需求技术方案 1. 显式对话状态管理对话状态 = {主题实体集合, 用户意图, 未解决问题, 已确认事实} 每轮用轻量模型抽取状态更新状态向量化后参与检索相似度计算 2. 分层检索策略层级内容权重动态调整当前轮用户最新query 意图切换时↑ 近轮上下文前2-3轮关键信息追问场景↑ 全局摘要历史对话压缩长对话时↑ 3. 查询重写与扩展共指消解：将"它"、"这个"替换为具体实体意图感知扩展：根据对话状态补充隐含条件时间衰减：早期轮次信息权重…

#蚂蚁#RAG 多轮对话#知识遗忘

面试题·评估· 高德

高并发 Agent 延迟卡在哪?

匹配正文：…规则必须通过召回回归，避免提前丢失正确文档。 HNSW 通过搜索宽度在延迟与召回间取舍；IVF 通过桶数和探测数取舍；PQ 可减少向量存储与带宽，但会引入量化误差。热点 query、embedding 和结果可以按语料与模型版本缓存；更新后必须正确失效。检索服务独立扩缩容，并记录 Recall@K、P95/P99、缓存命中和资源使用。生成阶段 continuous batching 提高 GPU 利用率，但要按长度或截止时间调度，避免长请求拖累短请求。 KV Cache…

#高德#Agent#Agent 系统延迟优化

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：答案要点 RAG(检索增强生成)= 给大模型外挂一个可实时更新的知识库:先检索、再基于检索材料生成核心流程:文档解析 → 分块(Chunk)→ 向量化(Embedding)→ 入向量库;查询时检索 → 重排 → 拼入 prompt 生成优势:知识可实时更新、答案可溯源、幻觉显著降低、不需要重训模型局限:效果强依赖检索质量(切分不当/纯向量检索对 ID 类文本失效),链路长、延迟与成本上升与微调的边界:微调学「格式与风格」,RAG 注「事实与时效」,生产中常两者结合工…

#美团#评估与监控#RAG 工作原理

面试题·评估· 美团

多路召回评估指标与RAG场景

匹配正文：…性/多跳）配置不同评估权重 A/B测试验证：离线指标提升≠端到端效果提升，需线上验证典型组合稀疏召回（BM25）+ 稠密召回（向量）+ 重排序模型评估：各路Recall → 融合后NDCG → 端到端Answer Accuracy 学习建议建议先掌握信息检索基础指标（如Precision、Recall、MRR），再结合RAG场景理解多路召回的特性，通过实际项目或开源数据集动手实践评估流程。

#美团#评估与监控#多路召回评估

面试题·评估· 字节

Agent 系统优缺点怎么分析?

匹配正文：…划（Planning）：CoT、ReAct、ToT 等策略将复杂任务拆解为可执行子步骤记忆（Memory）：短期上下文 + 长期向量记忆，支持跨会话状态保持工具（Tools）：Function Calling 对接外部 API、数据库、计算资源行动（Action）：执行工具并观察结果，形成闭环核心优势优势典型场景体现自主性智能客服自动判断需查询订单还是转人工适应性数据分析 Agent 根据中间结果动态调整分析路径复杂任务处理多步审批流程自动串联多个业务…

#字节#Agent#Agent 系统优缺点

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：RAG缓解幻觉的核心机制大模型幻觉源于参数化知识的静态性和泛化误差。RAG通过动态检索外部权威知识替代模型"编造"：检索阶段：将用户查询向量化，从知识库召回Top-K相关文档增强阶段：将检索结果与原始查询拼接，构建增强提示生成阶段：模型基于"检索证据"生成，答案被约束在提供的上下文中实际系统实现机制组件关键设计 Embedding模型领域适配（如用BGE、GTE替换通用模型）向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片…

#美团#事实锚定#RAG 缓解幻觉的机制