匹配正文：…ought (CoT) 在提示中加入"Let's think step by step"或示例推理过程场景：数学计算、逻辑推理、多步骤决策局限：简单任务可能过度思考，增加延迟和成本 Tree-of-Thoughts (ToT) 让模型生成多个候选思路，评估后选择最优路径场景：创意写作、策略规划、需要探索的复杂问题代价：需要多次采样，推理成本显著增加三、Agent与工具增强 ReAct (Reasoning + Acting) 交替进行思考→行动→观察，直到完成任务 …

#小红书#提示工程方法#Prompt 技术

面试题·Prompt· 美团

ReAct 框架怎么实现推理+行动?

匹配正文：…态规划：根据观察实时调整，非固定流程典型应用：LangChain的AgentExecutor、AutoGPT、各类客服/数据分析Agent。

#美团#评估与监控#Agent

面试题·Prompt· 美团

ReAct 如何提升复杂任务？

匹配追问：…电商客服Agent，用户问‘这个手机有什么颜色？’，你打算怎么设计思考-行动流程？如果用户接着问‘那红色款和蓝色款哪个续航好？’，Agent该怎么继续推理和查询？层层追问你觉得大模型做复杂任务时，是直接把推理步骤写出来好，还是让它去调工具好？……那如果既要推理又要调工具，怎么结合？……有没有想过让它们交替进行，比如推理一步、调工具、再根据结果推理下一步？直球架构请介绍一下ReAct框架的核心思想和完整工作流程，包括Thought、Action、Observation的…

← 上一页第 16 / 16 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

#美团#Agent#ReAct 框架

面试题·Prompt· 阶跃星辰

ReAct 各模块输入输出是什么？

匹配口述回答：…on]]机制，让模型自己检查自己的输出，发现错误就回溯重来，而不是一条路走到黑。总结一下我的看法。ReAct框架特别适合那种需要多步工具调用的场景，比如客服、信息检索、数据分析。但前提是工具本身要稳定，返回结果要结构化，而且必须对模型的输出做严格的格式解析和校验，否则很容易被格式错误打断。我更倾向于把它看成一种模式，而不是一个固定的框架，实际项目中经常和Agent的其他设计混用，比如加上记忆模块或者多Agent协作。一句话定位：ReAct本质是让模型交替思考和行动，动态调…

#介跃星辰#Agent#ReAct 工作流程

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：…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-Execute等多模式Agent实现记忆管理：ConversationBuff…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 华为

逻辑引导怎么用？

匹配追问：…，用户问“我账户被冻结了”，模型直接答“余额不足”就出错了。你怎么引导它先查日志、再判断原因、最后给解释？层层追问你处理过需要多步推理的任务吗？……比如数学题，模型容易跳步骤出错，怎么让它按逻辑走？……那要是用在agent决策场景呢？怎么保证它思考-行动-观察不跳步？直球架构说下大模型推理时为什么需要逻辑引导？在哪些情况下必须用？具体有哪些实现方式，比如结构化prompt或输出约束，相比自由生成有什么优势？

#华为#逻辑推理引导#逻辑引导

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配口述回答：…果掉就调召回策略。另外还有一个有意思的点，就是召回和重排的边界其实可以灵活调整。比如在 [[Agentic RAG]] 里，[[Agent]] 可以动态决定是继续召回还是直接重排，甚至多次迭代。这个方向其实挺值得深入聊的。所以整体上，两阶段架构是个很务实的工程选择，核心就是在成本和精度之间找到平衡点。我更倾向把它看作一个可调节的 pipeline，而不是固定的套路，根据业务场景去调召回量和重排模型，才能落地得稳。本质是计算成本与精度的权衡召回阶段快速筛出候选集重排阶…

#字节#两阶段检索#RAG 重排序

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：…（文档切分、向量化、存储）列举至少2种检索策略（如混合检索、重排序）及适用场景提及RAG的典型优化方向（查询改写、上下文压缩、多路召回）能指出实现中的常见陷阱（如切分粒度、语义漂移） RAG核心架构：两阶段流水线索引阶段（离线）文档处理：按语义/固定长度切分chunk，控制256-512 tokens，保留上下文重叠向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding-3）编码为稠密向量存储：写入向量数据库（Milvus…

#字节#RAG系统实现#RAG 实现

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配口述回答：…块支持完整证据召回，而不是背一个chunk_size。块更小可能更容易命中局部事实，但上下文容易断；块更大能保留论证链，也会带来更多噪声。因此我会把分块当成需要验证的系统参数。第一步先看文档。API文档优先按函数或接口切，合同按条款和层级切，报告按标题和段落切，表格与代码则保留自己的逻辑单元。过长单元再二次拆分，同时保留父级标题和原文位置。这样做比直接对所有文档使用固定长度更容易解释，也方便引用溯源。第二步准备多组候选。较短分块、较长分块、结构化分块都在同一批真实问题上跑…

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配追问：…统，你觉得最关键的是什么？……文档怎么切块才不丢上下文？……检索策略上，光靠向量够吗？……生成时怎么保证不瞎编、还引用来源？直球架构设计一个医疗领域的RAG系统，从文档处理、索引构建、检索策略到生成优化和评估，完整链路你怎么搭？重点说说多模态解析、双轨索引、多路召回加精排、以及防止幻觉的生成约束。

#字节#RAG 全链路#RAG 技术链路

面试题·Prompt· 字节

LLM 输出格式如何强校验?

匹配追问：场景切入假设我们做一个订单查询的Agent，用户说‘查一下我的订单’，模型可能输出一段话也可能输出JSON。你怎么保证它一定返回一个结构化的订单对象，而不是自由文本？层层追问你平时怎么保证模型输出是你要的格式？……那如果Prompt里写了要求，它还是偶尔输出乱的呢？……再比如API调用场景，格式错了整个流程就断了，你会怎么兜底？直球架构聊聊大模型输出的格式过滤机制。从Prompt、模型层到后处理，你一般怎么设计？有哪些关键技术和权衡？

#字节#Prompt工程#大模型输出过滤

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配追问：…层层追问 RAG的基本流程你肯定知道，先检索再生成……但实际中检索质量不好怎么办？……比如用户问的问题和文档表述差距很大，或者需要多步推理，你有哪些手段优化？直球架构请你对比Naive RAG和Advanced RAG，重点说清楚它们在架构上的主要区别，以及各自适合什么场景？

#淘天#重排与优化#Naive RAG