匹配口述回答：…t]]时，该怎么编排。LangGraph的核心就一句话：它以有向状态图编排，并支持循环。DAG可以分支与并行，只是图定义不含环，但Agent需要“想→做→看结果→再想”这种闭环，LangGraph就是专门干这个的。我具体说一下几个典型场景。先看多轮对话Agent，比如客服。你问一句，它答一句，但中间可能需要查订单、查政策，甚至要用户确认，这些步骤不是线性的。LangGraph的循环边可以让它“思考→调用工具→观察结果→再思考”，配置持久化后可保存你定义的state，不等于自…

#淘天#LangGraph 状态机与场景#LangGraph 适合什么场景？状态机与复杂工作流

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…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表现差改进：引入Agent（ReAct迭代检索）、知识图谱增强、专用工具调用四、小红书场景的特殊考量社区内容RAG还需解决：UGC质量参差（需内容过滤）、实时性要求高（新笔记秒级索引）、多模态内容（图文联合检索）。

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 淘天

LangGraph 适用边界与替代

匹配口述回答：…er，能把状态持久化到数据库，任务中断后从断点恢复，这对生产级应用很关键。那跟其他方案怎么划界呢？AutoGen更适合快速原型，Agent之间像群聊，灵活但不可控；LangChain原生的Agent适合简单工具调用，流程一复杂就难维护。LangGraph的优势就是状态机显式建模加持久化容错，适合金融、医疗这些对合规要求高的场景。但实际落地，我通常会把LangGraph和[[Multi-Agent]]方案结合起来用，比如用LangGraph编排多个AutoGen群聊组，取长补…

← 上一页第 16 / 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

#淘天#评估与监控#LangGraph 适用边界与替代

面试题·评估· 美团

Coding vs GUI vs Search 谁先落地?

匹配口述回答：…的自动化测试，用GUI Agent模拟人工录入发票、核对报表，这个场景ROI很清晰，降低人工回归测试成本。但你要做通用个人助理，让Agent帮你订酒店、填表单，长链路任务成功率现在还不太行，用户容忍度很低，点错一步就崩了。工程实现难度上，编程有现成的IDE插件生态和沙箱执行环境，像Docker、E2B，安全隔离方案很成熟。搜索的检索加总结pipeline也有一堆开源工具。GUI最难，环境感知需要[[OCR]]、目标检测、DOM解析串起来，每一步都有精度损失，而且不同应用没有…

#美团#Agent#Agent 能力对比

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…edding模型（领域适配）检索失败检测：当置信度低于阈值，触发主动澄清或转人工技术边界与选型 RAG不是万能解，需与SFT、Agent协同：高频稳定知识 → SFT内化到模型参数动态/海量知识 → RAG外挂复杂任务执行 → Agent+RAG（检索作为工具之一）美团场景示例：外卖菜品知识用RAG实时更新，但下单对话策略用SFT固化，复杂售后链路用Agent调度。

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调· 字节

动态Prompt训练数据怎么构建?

匹配正文：…否合理、Action是否正确调用对比级 RL/DPO训练同一状态下，优/劣响应的偏好对关键决策：是否对"中间步骤"打标签——Agent任务建议细粒度，纯对话任务可粗粒度三、上下文建模：状态追踪机制结构化状态表示：将历史工具返回、中间结论编码为模型易解析的格式（JSON/XML嵌入Prompt）位置敏感设计：关键信息（如最新Observation）放在Prompt尾部，利用位置偏置截断策略：超长上下文时，保留摘要而非简单截断——需同步训练摘要模块四、质量验证：动…

#字节#动态Prompt训练数据#Prompt微调数据构建

面试题·知识图谱· 字节

知识图谱怎么动态更新?

匹配口述回答：这道题其实是在问，[[Agent]]系统怎么让[[知识图谱]]跟得上外部世界的变化。我理解，本质上就是Agent感知外部世界的能力，既要准又要快。先说最常见的更新机制。先看增量抽取，说白了就是只抓变化的部分，别每次都重建整个图谱。实现上，对结构化数据可以用 CDC 工具，比如监听数据库的 binlog，像 Debezium 就能干这个；对非结构化数据，比如文档，就用[[滑动窗口]]比对 [[Embedding]] 差异。接着说事件触发，用消息队列加流处理引擎，比如 Kafk…

#字节#知识图谱#Agent

面试题·Prompt· 脉脉

Prompt 如何系统设计、评测和发布？

匹配正文：…和格式，数量由上下文预算与净增益决定，不固定为 3–5 个。避免把真实隐私数据放进示例。复杂任务可以要求给出简洁依据、可核查步骤或工具结果；不应依赖暴露内部思维链来获得安全性或可审计性。 3. RAG 与 Agent RAG 提示保存证据 ID，要求逐主张引用，并在证据不足或冲突时澄清/拒答。原始相似度不是校准置信度，不能统一写“低于 0.7 拒答”。先通过数据、检索、上下文组装和生成各层评测确定条件。 Agent 的工具描述要与服务端 schema 一致，但模型生成参数仍需…

#Prompt#提示工程#结构化输出

面试题·Prompt· 华为

思维链(CoT)什么时候用?

匹配正文：…链分析、事件时序推理 3. 需要可解释性的决策场景医疗诊断、法律分析、风险评估用户需要理解"为什么"而不仅是"是什么" 4. Agent规划与工具调用任务分解为子步骤，每步决定调用哪个工具错误时可回溯到具体步骤定位问题作用机制与示例核心机制：将隐式推理显式化，通过"思考→行动→观察"的循环，利用自回归特性逐步生成中间状态。示例对比（数学应用题）：方式输入输出标准Prompt "小明有5个苹果，给了小红2个，又买了3个，现在有几个？" "6个"（可能错） …

#华为#思维链 CoT#Chain-of-Thought 使用场景

面试题·Prompt· 美团

LangGraph 多轮对话优势在哪?

匹配口述回答：…态持久化、节点解耦，让复杂逻辑变得可维护。具体说一下状态管理。手动方案里，你每轮都得自己把history塞进Prompt，多[[Agent]]协作时状态散得到处都是，一个函数改了另一个就得跟着改。LangGraph内置了StateGraph，状态按节点粒度持久化，还支持checkpointer，能实现对话中断后恢复，或者人工审核介入，比如客服退款流程里，用户说到一半去查订单，回来还能接着聊。再一个，图结构本身就是文档，节点是业务单元，边是流转规则，新需求来了加个节点就行，不…

#美团#Agent#LangGraph 多轮对话

面试题·Prompt· 字节

LLM 输出格式如何强校验?

匹配正文：… 保留创造性，人工兜底流式输出增量解析 + 状态机校验实时发现格式错误，提前截断关键权衡：格式严格性 vs 任务完成率。对Agent工具调用必须严格，对内容生成可适当宽松。参考资料 OpenAI 官方：JSON mode、strict schema 与拒绝/截断边界

#字节#Prompt工程#大模型输出过滤

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配正文：答案要点能系统分类提示工程方法（基础技巧、上下文学习、推理增强、Agent模式）准确说明CoT/ToT/ReAct的核心机制与区别能结合业务场景分析选型（简单任务vs复杂推理vs工具调用）指出提示工程的局限性（上下文长度、稳定性、可扩展性）一、基础提示技巧 Zero-shot / Few-shot Zero-shot：直接描述任务，适合简单明确的需求（如格式转换、简单分类） Few-shot：给2-5个示例，显著提升小模型表现和输出格式稳定性优缺点：零成本低，但复…

#小红书#提示工程方法#Prompt 技术

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：…ngChain 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链：通过LCEL灵活组合…

#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：… 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-Execute等多模式Agent实现记忆管理：Conversati…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 华为

逻辑引导怎么用？

匹配正文：…景 1. 多步复杂推理数学计算、逻辑谜题、因果推断等需要严格步骤验证的任务模型容易跳步或中间结果出错，导致最终答案偏差 2. 工具调用与Agent决策 ReAct/Function Calling场景：思考→行动→观察的循环必须按序执行防止模型"幻觉"调用不存在的工具或跳过观察直接结论 3. 需要可解释输出的业务场景医疗诊断、金融风控等高风险决策，要求输出可追溯的推理链条实现方式举例方式一：结构化CoT Prompt prompt = """请按以下步骤回答： […

#华为#逻辑推理引导#逻辑引导

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：…：调整temperature、top-p，或对特定token降权动态停止条件：检测到风险模式时触发early stopping 工具调用约束：Agent场景下限制可调用的工具白名单 3. 输出层：审核与修正规则拦截：正则/关键词匹配高风险内容模型审核：用独立的安全模型做二分类判定人工回流：低置信度样本进入人工标注队列，反哺训练人工反馈的闭环设计反馈类型应用场景技术实现实时干预直播/客服场景运营人员一键打断、话术注入离线标注内容审核标注平台+主动学习…

#快手#人工反馈控制#人工干预 LLM 生成

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…度匹配，依赖静态索引关键优化：分块策略、重排序、Hybrid Search Deep Research 架构：Planning Agent + Tool Use + Memory 核心机制：动态生成子问题（Decomposition）基于中间结果决定下一步检索方向多源信息整合与交叉验证典型实现：ReAct/CoT + 浏览器工具 + 长上下文整合应用场景对比 RAG适合 Deep Research适合企业内部知识库问答行业调研、竞品分析客服机器人、文档助手 …

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…phRAG：构建知识图谱，支持多跳推理与全局摘要 Agentic RAG：ReAct循环（检索→推理→再检索），动态决策检索时机与工具 RAG + Fine-tuning：领域embedding微调 + 生成模型SFT，打通语义空间关键权衡：RAG并非万能，与Fine-tuning是互补关系——RAG解决"知识更新"，Fine-tuning解决"知识内化"；复杂推理场景需走向Agent化，而非堆砌检索次数。

#小红书#RAG局限性#RAG 局限性

面经·项目面试

SFT 样本有答案，训练目标却可能被截掉

匹配正文：…。只读原始答案，或者只打印序列长度，都绕过了决定训练目标的那一步。长度也应在模板处理之后计算。角色标记、生成提示以及随输入带入的工具定义，都可能占用序列位置。原文看起来只有几段，并不能说明经过分词后仍在预算内。沿实际输入处理路径统计，才能让长度上限和最后留下的答案落在同一个口径上。向左截断，为什么会留下开头？我核对的是一个用于 Agent 训练的本地代码包，其中包含基于 verl 的 SFT 数据集实现。它的多轮SFT数据集按pad_mode分成两条处理路径。这个参数决…

#SFT#数据处理#截断

面试题·RLHF与对齐· 美团

模拟器与 World Model 的偏差和迁移

匹配口述回答：…l，model-free RL 也能在模拟器中训练；model-based RL 才显式学习或使用动力学模型做规划。优势是能学多步工具调用和错误恢复，风险是模拟偏差、奖励漏洞、探索成本和长程信用分配。世界模型误差会累积，但不必然按固定指数增长；可微模型也不会自动解决所有信用分配。【90秒主答】一个浏览器 Agent 可在真实网页、录制重放的测试站点或人工模拟页面中交互；代码 Agent 可在容器里编辑、运行测试并获取结果。这些环境都能提供可执行反馈，却未必包含训练得到的 …

#环境模拟训练#世界模型#Model-based RL

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：…。所以我会从三个维度来聊：技术方向、团队协作、个人成长。先说技术方向，这也是我最关心的。我看到书面答案里提到[[RAG]]和[[Agent]]的结合，这个点我特别感兴趣。具体来说，在外卖或到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…

#面试技巧#职业规划#团队文化

面试题·RLHF与对齐· 美团

Long Horizon 训练环境怎么搭?

匹配口述回答：搭建长视野训练环境时，我会先保证问题定义正确，再谈算法。第一层是状态和观测：真实环境状态是什么，Agent 实际能看到什么，动作是否合法，什么时候是正常终止，什么时候只是超时截断。若任务部分可观测，就不能假设单帧观测包含完整决策信息，应让策略使用历史、memory 或 belief state，并记录环境版本和随机种子。第二层是奖励。我会先保留一个真正反映任务完成的终局奖励，再考虑是否加入可验证里程碑或势函数式 shaping。不能为了“缓解 gamma 衰减”就额外提高近…

#Long Horizon RL#奖励塑形#课程学习

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·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配口述回答：…G]]，就是让模型自己决定什么时候去检索、检索什么，甚至用[[ReAct]]循环多次检索。我觉得这是RAG的进化方向，但前提是[[Agent]]的决策能力要可靠，不然容易陷入死循环。所以我的判断是，RAG不是银弹，它适合知识密集、答案可被文档支撑的场景，比如客服、合规审查；但如果是创造性写作或者需要深层推理的，RAG只能当辅助，得配合微调或者[[知识图谱]]。我倾向于把RAG当成一个工具链，而不是一个模型，它的核心是做好检索这一环，后面生成交给大模型就行。一句话定位：把R…

#字节#RAG 最佳实践#RAG 技术原理