匹配正文：…：组件作用规划（Planning）拆解任务、制定执行策略、自我反思修正记忆（Memory）短期上下文 + 长期知识库（向量存储）工具调用（Tool Use）与外部API、数据库、计算资源交互主流框架对比 1. ReAct（Reasoning + Acting）核心机制：推理(Thought) → 行动(Action) → 观察(Observation) 循环特点：显式展示思考过程，行动有依据，可解释性强适用：需要多步工具调用的场景，如问答、数据分析局…

#百度#Agent#AI Agent 架构

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配正文：…树）等模式动态调整计划，根据反馈迭代优化 3. 记忆系统（Memory）短期记忆：当前对话上下文、会话窗口内的信息长期记忆：向量数据库存储的历史经验、用户画像、领域知识通过检索增强实现跨会话的个性化服务 4. 工具/行动模块（Tools & Action）工具注册：外部API、数据库、计算引擎等工具选择：根据规划结果动态选择合适工具参数解析：将自然语言转化为结构化调用参数（Function Calling）结果处理：解析工具返回，决定继续规划或输出结果 5. …

#百度#Agent#AI Agent 核心组件

面试题·Prompt· 字节

Agent系统Prompt设计：架构与机制

匹配正文：…unction格式）执行沙箱：超时控制、并发限制、结果缓存记忆层（Memory）短期：对话窗口、KV Cache复用长期：向量检索 + 结构化知识库 + 用户画像二、Prompt设计方法论：三层递进 1. 元指令层（Meta-Prompt）角色定义 + 能力边界 + 安全约束明确"能做什么、不能做什么"，设置拒绝话术模板 2. 推理范式层（Reasoning Pattern） ReAct格式：Thought → Action → Observation 循环结…

← 上一页第 18 / 24 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

#字节#Prompt工程#Agent

面试题·Prompt

AI Agent 核心概念与架构

匹配正文：…综合回答依赖模型原生Function Calling能力或Prompt工程实现 3. 记忆模块短期记忆：对话上下文长期记忆：向量数据库存储历史经验 4. 多Agent架构分工型：不同Agent负责规划、执行、验证竞争型：多方案投票选出最优解典型应用场景场景 Agent价值代表产品智能客服自主查询订单/物流/退款，无需人工介入阿里小蜜数据分析自动写SQL、生成图表、解读结论 ChatGPT Code Interpreter 科研辅助文献检索→实验设计…

#Agent 架构#工具调用#AI Agent 架构

面试题·Prompt· 字节

AI Agent 核心特点与局限

匹配正文：…oT/ReAct/Tree of Thoughts）行动：工具调用、代码执行、外部API交互记忆：短期上下文 + 长期知识库（向量检索）主流架构模式模式特点代表 ReAct 推理与行动交替，实时修正大多数开源Agent Plan-and-Execute 先全局规划再执行复杂多步骤任务 Multi-Agent 多角色协作分工 AutoGPT、MetaGPT 优势与局限性当前优势能力边界扩展：通过工具调用突破LLM知识截止和计算限制任务泛化：同一框架适配不同…

#字节#评估与监控#Agent

面试题·Prompt

封闭标签分类如何约束解码?

匹配正文：…只在所用模型/API支持时作为辅助，不能靠屏蔽首token保证完整标签合法。类别100不是通用选型门槛。超大类别或层级分类：改用Embedding检索+小模型二次确认，而非硬枚举必须属于闭集的输出：可使用完整标签序列约束、支持enum的严格结构化接口或确定性分类器/规则，并单独处理拒答、截断与无合适标签；这不等于业务决定100%正确。兜底策略：无论哪种方法，都需加后校验——用精确成员检查与schema校验确认输出属于封闭集合；模糊匹配可能把错误输出强制归类，不宜作为严格…

#Logit Bias#约束解码#封闭集合标签分类

面试题·Prompt· 字节

Prompt 工程方法怎么选?

匹配正文：…的选择考量（如API黑盒场景的限制）一、手动设计方法核心思路：基于经验规则构造离散文本模板 Few-shot：在Prompt中嵌入示例，引导模型模仿输出格式 Chain-of-Thought (CoT)：显式写出推理步骤，激发多步推理能力角色设定与指令分解：通过System Message限定角色，复杂任务拆分子步骤 Self-Consistency：多路径采样投票，提升答案稳定性特点：零成本、即时生效，但依赖人工经验，迁移性差二、自动化优化策略方法类型核心机…

#字节#Prompt Engineering 方法#Prompt Tuning vs AutoPrompt

面试题·Prompt· 百度

AI Agent 三大组件原理

匹配正文：…ct：推理（Reasoning）+ 行动（Acting）交替进行，形成"思考→行动→观察→再思考"的循环实现要点：Prompt中嵌入示例，约束输出格式为结构化JSON（thought/action/observation） 2. 工具调用（Tool Use）标准化协议：采用OpenAI Function Calling或LangChain的Tool接口工具描述：每个工具需定义名称、功能描述、参数Schema（JSON Schema）执行流程：模型生成调用参数 → 系统…

#百度#Agent#AI Agent 设计

面试题·Prompt· 阿里

Prompt 优化方法有哪些?

匹配正文：…rning） Few-shot：提供2-5个输入-输出示例，引导模型理解任务模式；关键在示例分布覆盖边缘case 动态示例检索：用Embedding从示例库召回相似case，比静态示例更精准（RAG+Prompt结合）三、推理增强 CoT（思维链）：在示例中展示"Let's think step by step"的推理过程，激发模型逐步思考，适合数学、逻辑题 Self-Consistency：对同一问题采样多条推理路径，投票取多数答案，降低单条CoT的随机性 ToT（思维树…

#阿里#Prompt工程#Prompt 优化方法

面试题·Prompt· 美团

Agent 四大基础能力详解

匹配正文：…上下文信息，分三类：工作记忆：当前对话/任务窗口短期记忆：会话级上下文（如RAG检索的片段）长期记忆：用户画像、历史经验（需向量库存储）重要性：支撑个性化和持续学习，避免"金鱼式"交互 4. 工具调用（Tool Use）作用：通过Function Calling与外部系统交互（搜索、计算、数据库、API）重要性：突破模型参数知识的边界，实现行动落地。需设计：工具描述的标准化（OpenAI格式）错误处理与重试机制 5. 执行与反思（Execution & Ref…

#美团#评估与监控#Agent

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配正文：…t负责任务分解，子Agent并行执行子任务，通过消息总线通信记忆机制设计短期记忆：对话上下文窗口管理，关键信息提取长期记忆：向量数据库存储历史经验，支持RAG式检索工作记忆：当前任务相关的临时状态维护推理策略优化推理范式选择 CoT（思维链）：复杂推理任务，显式生成中间步骤 ReAct：需要工具调用的场景，推理与行动交替进行 ToT（思维树）：多路径探索，用投票或评估选择最优解效率优化自适应推理深度：简单任务用单步CoT，复杂任务扩展推理步数推理预算控制：设…

#百度#Agent#Agent 性能优化

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…n（Retrieve/IsRel/IsSup/IsUse），让模型自主决定何时检索、如何使用 Toolformer范式：预训练阶段嵌入API调用能力，将外部工具调用内化为模型原生能力长上下文优化 NTK-aware RoPE、YaRN 等方法用于扩展可处理的上下文；具体长度和质量取决于模型及训练配置。更长窗口能减少截断，但不能代替检索质量与事实核验。二、训练策略层面数据质量提升指令微调数据：过滤低质量指令，引入思维链（CoT）数据增强推理能力知识边界标注：明确标注"…

#百度#对话模型准确性#模型架构优化

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…结合，通过检索实时引入上下文，解决纯LLM的知识固化问题。架构组成与工作流程三核心组件：知识源：文档库、数据库、API等，需向量化索引检索器：编码查询→相似度搜索→返回Top-K相关文档（常用Dense Passage Retrieval或Embedding模型）生成器：将"查询+检索文档"拼接为上下文，生成最终回答标准流程：用户Query → 向量化 → 向量检索召回 → 重排序（可选） → 上下文拼接 → LLM生成解决的关键问题问题说明事实幻觉生…

#淘天#阿里#RAG 架构

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配正文：…差异维度传统"先检索后生成" RAG 流程关系流水线式分离：检索→拼接→生成，各模块独立优化端到端融合：检索作为可微分模块嵌入生成流程训练方式检索器固定或独立训练，生成模型无法反馈优化检索联合训练，生成loss可回传优化检索编码器知识存储检索结果作为硬提示（hard prompt）拼接检索向量通过注意力机制软融合（soft fusion）核心区别：RAG将检索从"前置预处理"转变为"模型内部运算"，典型如Dense Passage Retrieval +…

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：…建层级内容处理方式更新频率权威库诊疗指南/法典/药品说明书结构化抽取+人工审核月度案例库判例/病例/专家经验向量化+元数据标注实时实时库最新文献/政策/新闻爬虫+轻量审核小时级关键处理：医疗：ICD编码对齐、药品相互作用图谱构建法律：法条层级关系（上位法/下位法）、时效性标记三、检索系统：多路召回+领域精排召回阶段稠密向量（领域Embedding微调，如MedEmbed/LawEmbed）稀疏向量（BM25 + 领域同义词扩展） …

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：…核心思想：模型生成答案前，先从外部知识库中检索相关信息作为上下文，再基于这些证据进行生成。标准工作流程索引阶段：文档切分 → Embedding模型编码 → 存入向量数据库检索阶段：用户Query向量化 → 相似度检索Top-K相关片段生成阶段：将"检索结果 + 原始Query"拼接输入LLM → 生成最终回答解决的核心问题问题传统LLM RAG方案知识幻觉参数化记忆，容易"编造" 检索提供事实依据，可溯源知识时效性训练后无法更新知识库动态更新，无需重…

#字节#外部知识检索#RAG 原理

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：…部知识库，把相关文档塞进Prompt，让模型基于"开卷考试"作答。标准流程（三阶段）阶段关键动作技术要点索引文档切分→Embedding→入库分块策略（按语义/固定长度）、向量化模型选型检索 Query向量化→相似度搜索→TopK召回向量数据库（Milvus/Faiss）、多路召回（向量+关键词）生成拼接Prompt→LLM生成答案上下文压缩、引用溯源、拒答机制为什么能提升质量？事实准确性：知识库可维护、可溯源，直接引用原文降低幻觉知识时效性：不…

#字节#大模型幻觉#RAG 原理

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配正文：检索模块工作机制 RAG检索模块的核心流程：索引构建：文档切分→Embedding编码→写入向量数据库在线检索：查询向量化→近似最近邻搜索（ANN）→返回TopK候选结果组装：结合元数据过滤，送入生成模块三种提升相关性的方法 1. 混合检索（Hybrid Search）原理：融合向量语义检索 + 关键词匹配（BM25），解决向量检索对专有名词、ID类信息召回不足的问题融合策略：线性加权 score = α·dense_score + (1-α)·sparse_sc…

#字节#Query Rewriting#RAG 检索模块

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配正文：… 2. 检索引擎层多路召回：Dense（语义匹配）+ Sparse（BM25关键词）+ KG（图遍历）领域适配：用领域语料微调Embedding模型（如医疗用PubMedBERT）查询改写：识别专业术语同义词（如"心梗"↔"心肌梗死"），扩展缩写 3. 生成控制层上下文组装：按相关性+时效性排序，控制token预算引用生成：强制模型输出引用标记 [来源:XX法规第X条]，支持点击溯源拒绝机制：检索置信度低于阈值时，明确告知"未找到权威依据"而非编造 4. 可信保障…

#字节#高精度RAG#高精度 RAG

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配正文：…K相关片段生成模块：基座模型 + 领域Prompt + 引用约束应用层：对话管理、权限控制、审核反馈检索模块设计多路召回向量检索：Dense Embedding（领域微调，如E5-Mistral-medical）关键词检索：BM25 + 领域同义词词典（如ICD-10编码映射）结构化检索：SQL/图查询针对法条层级、药品属性精排与过滤 Cross-Encoder重排序时效性过滤（法律：优先现行有效；医疗：优先近3年指南）权威性分级（法规 > 专家共识 > …

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配正文：…药剂量、量刑标准）强制人工确认众包+专家双审：初级审核员筛查，领域专家终审 4. 索引架构（三级）层级作用技术选型一级：向量索引语义召回领域微调Embedding + 混合检索二级：关键词索引精确匹配（药品名、法条号） Elasticsearch 三级：知识图谱关联推理（禁忌症、判例引用） Neo4j 合规性保障机制溯源强制：每个回答附带原文片段+文档版本+页码权限控制：敏感内容按角色脱敏（患者/医生/律师可见层级不同）审计闭环：用户查询→检索片段→…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配正文：…时间和幻觉风险，RAG通过实时检索"开卷考试"。工作原理：三阶段流程阶段动作关键组件索引（Indexing）文档切分→Embedding→入库向量化模型（如BGE、text-embedding-3）检索（Retrieval）用户Query向量化→相似度搜索→Top-K召回向量数据库（Milvus、Faiss、ES）生成（Generation）拼接"Query+检索结果"→Prompt工程→LLM生成大模型+Prompt模板如何提升两大能力 1. 事…

#字节#RAG工作原理#RAG 工作原理

面试题·RAG· 小红书

RAG 检索噪声怎么处理?

匹配正文：…er替代Bi-Encoder做精排，过滤低相关性文档上下文压缩：用LLM或专用模型对长文档摘要，减少噪声信息占比多路召回融合：向量检索 + 关键词检索 + 图谱召回，取交集或加权融合降低单路噪声动态阈值：根据查询难度自适应调整top-k数量，难查询多召回、易查询严过滤二、生成阶段：增强鲁棒性置信度引导生成：让模型输出引用来源并给出相关性评分，低置信度时主动降权或拒绝回答反事实训练（Counterfactual Training）：SFT阶段注入噪声文档，训练模型学…

#小红书#检索噪声过滤#RAG 噪声处理

面试题·RAG· OPPO

查询文档相关性怎么算?

匹配正文：…i,D) + k1·(1-b+b·|D|/avgdl)] 局限：词汇鸿沟、"苹果"歧义无法区分。二、语义匹配：跨越词汇鸿沟稠密向量检索（Dense Retrieval）查询和文档分别编码为向量，用 ANN（近似最近邻）快速检索代表：DPR、Contriever，采用双塔架构——编码器分离，可离线建索引，毫秒级响应三、深度学习精排：BERT 及其变体交互式架构（Cross-Encoder）拼接 [CLS] Query [SEP] Doc [SEP] 输入 BE…

#OPPO#查询文档相关性#语义匹配