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。
「LLM 检索增强生成」找到 400 条内容
按专题浏览 →匹配正文：…PT的SOP 消息传递 松耦合，容错好 AutoGen的ConversableAgent 黑板系统 渐进式问题求解 传统AI + LLM混合 协作与竞争策略 协作 任务分解：按技能图谱分配（如：Researcher→Writer→Editor） 结果聚合：投票、加权融合、迭代精炼 竞争/冲突解决 仲裁者机制（Judge Agent裁决） 置信度阈值触发重协商 代价敏感的资源竞价 三、实际应用对比 维度 单智能体 多智能体 延迟 低（单次推理链） 高（多轮通信） 可扩展性 受限…
匹配口述回答：…率，比如所有工具调用失败后的兜底逻辑，以及安全隔离的完善度。 工具集设计本质是平衡问题 工具粒度：原子与组合的取舍 描述清晰度：让LLM准确理解 调用机制：错误处理与安全隔离 上下文管理：压缩与轨迹保留 约4分钟 当工具数量超过几十个时，需要用RAG检索工具描述，而不是让模型从全量工具中硬选。 这个延伸点会引向面试官追问：RAG检索工具描述的具体实现、如何保证检索质量、工具库索引的更新策略等。
…[Self-Refine]] 和 [[Reflexion]]，让Agent自己检查结果对不对，错了重来。但反思不是白送的，它多一次LLM调用，延迟和成本都在涨，得看场景值不值得。 其实现在还有一个趋势，就是把Agent和 [[RAG]] 结合起来，叫[[Agentic RAG]]。Agent负责规划查询策略，RAG负责检索，比单纯用Agent调工具更灵活。但这里有个前提：检索的准确度要高，不然Agent拿到错误信息会越跑越偏。 所以我的整体判断是：没有银弹，只有场景匹配。Re…
学习内容与项目面试，在同一条路上。