匹配正文：答案要点区分短期记忆（工作记忆）与长期记忆（经验存储）的作用说明Memory如何解决LLM上下文窗口限制阐述记忆检索与经验积累对决策优化的价值提及多智能体间记忆共享与协作机制 Memory在多智能体系统中解决三个核心问题：突破上下文限制、积累领域经验、实现协作共享。核心作用分层短期记忆（工作记忆）维护当前对话/任务的上下文状态弥补LLM有限的上下文窗口（通常4K-128K）支持多轮推理中的信息连贯性长期记忆（经验存储）沉淀历史决策轨迹与结果反馈存储领域…

#百度#Agent#多智能体 Memory

面试题·Agent· 美团

DeepResearch Agent 怎么工作?

匹配正文：答案要点理解DeepResearch的核心定位：自主式深度研究而非单次检索掌握"规划-搜索-阅读-综合"的循环架构说明与传统RAG的本质区别（主动性vs被动性）列举典型应用场景（行业调研、竞品分析、学术综述）提及技术挑战（信息可信度、成本控制、长上下文管理）核心定位 DeepResearch是自主式深度研究Agent，区别于传统RAG的单轮检索-生成模式，它能像研究员一样进行多轮探索、验证和综合。技术架构：循环式"研究-反思"流程 1. 规划层（Planning…

#美团#Agent#DeepResearch Agent

面试题·Agent· 百度

Agent 系统可调用哪些工具?

匹配正文：…。常见工具类型包括：信息获取类搜索引擎（Google/Bing/百度）：获取实时知识，弥补模型训练数据截止问题知识库/RAG检索：查询企业内部文档、产品手册数据库查询：SQL执行、业务数据检索计算与执行类代码解释器：Python执行复杂计算、数据分析、绘图计算器/Math API：精确数学运算，避免LLM数值幻觉沙箱环境：安全执行用户提交的代码业务操作类企业API：订单查询、库存管理、用户系统操作第三方服务：天气、地图、翻译、支付接口消息通知：邮件、短…

← 上一页第 19 / 27 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

#百度#Agent#Agent 工具类型

面试题·Agent· 快手

Agent 系统实现流程与核心组件

匹配正文：…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，应保留到原记录的引用，关键事实需要回查。 4. 反馈与可观测性记录输入、规划摘要、状态迁移、工具调用、观察结果、延迟、成本和停止原因。根据工具返回更新状态，必要时重试、换工具、请求用户确认或安全终止。结论：Agent 的核心不是无限自主调用工具，而是在可验证状态、权限和预算内完成受控反馈循环。图…

#快手#Agent#Agent 系统实现

面试题·Agent· 字节

工具集设计最佳实践?

匹配正文：…控：调用延迟、成功率、LLM选择工具的分布，用于后续优化字节场景的特殊考量高并发工具池：抖音电商场景工具数可能过百，需引入工具检索（Tool Retrieval）而非全量prompt 多租户隔离：不同业务线工具命名空间隔离，防止冲突

#字节#Agent#Agent 工具集设计

面试题·Agent· 字节

Agent 框架核心组件怎么搭?

匹配正文：…___| 异常处理：工具超时/失败时触发重试或备选方案人机协同：置信度低时主动请求确认模块协作机制数据流：用户输入 → 记忆检索（相关背景）→ 规划生成 → 工具选择 → 并行/串行执行 → 结果整合 → 记忆更新 → 响应输出关键循环：执行结果反馈到规划模块，支持动态重规划（如工具结果不符合预期时调整策略）。

#字节#Agent#Agent 框架设计

面试题·Agent· 字节

多 Agent 协同选通信还是共识?

匹配正文：…Planner）：接收用户请求，拆解任务子图，决定执行顺序执行者（Worker）：多个专业agent（如代码生成、数据分析、文档检索），只处理特定子任务验证者（Verifier）：检查结果质量，触发重试或反馈修正通信协议使用共享内存+消息队列（如Redis Stream），而非直接RPC调用消息格式标准化：{from, to, task_id, payload, context_window, deadline} 关键机制机制实现要点任务路由 Planner根…

#字节#Agent#多智能体协同

面试题·Agent· 字节

大量工具怎么选?

匹配正文：答案要点工具分层/分类架构设计基于语义的工具检索机制工具描述优化与向量化延迟优化策略（预加载、缓存、并行）工具学习/自动化工具发现核心挑战分析工具选择困难：LLM上下文窗口有限，无法一次性加载所有工具描述；相似工具难以区分调度复杂：工具间存在依赖、互斥、资源竞争；执行顺序影响结果响应延迟：工具检索+LLM决策+实际调用链路长解决方案 1. 层次化工具架构工具分类层：按领域/功能预分类（如"数据库类""搜索类"），先选类别再选具体工具元工具（Meta-t…

#字节#百度#Agent

面试题·Agent· 字节

LangGraph外还有哪些流程编排框架?

匹配正文：…G/Document）是first-class citizen，Agent通过query_engine/chat_engine封装检索+推理适用场景：知识密集型任务，如企业文档问答、研报分析优势：数据接入极丰富（100+ loaders），检索链路优化深入 AutoGPT / BabyAGI — "自主决策实验" 核心定位：探索LLM自主规划的上限，非生产框架关键设计：目标分解→任务队列→执行→记忆反思的循环；BabyAGI更简化，纯靠prompt驱动局限：token…

#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：…确必要性：历史信息确实会干扰决策，尤其是动态环境中列举2-3种具体实现机制（时间衰减、重要性评分、主动遗忘）说明与RAG/向量检索的结合方式提及实际落地中的权衡（衰减参数调优、计算开销）必要性判断有必要，尤其在两类场景：动态环境：工具API、业务规则频繁变更，旧记忆会误导决策长会话Agent：上下文累积后，早期无关信息稀释有效信号但注意区分：事实性知识（用RAG外挂）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…

#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：…ion（感知结果）→ Thought（重新规划）... 循环直至任务完成。记忆模块贯穿全程：短期记忆维护当前轨迹，长期记忆支持知识检索。关键设计点：反思机制（Self-reflection）——执行失败后能回溯重规划，而非简单报错。

#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：…耗时（如代码执行） Future/Promise、Celery任务队列状态共享跨轮次记忆持久化 Redis/数据库存储，结构化检索事件驱动多Agent协作消息队列（Kafka/RabbitMQ）、Pub-Sub 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· 字节

长文档 Chunking 怎么选?

匹配正文：…先，按条款编号切分；添加父级标题作为上下文前缀特殊处理：法条引用关系需建图索引，不依赖纯文本切块关键权衡粒度vs召回：块越小检索准但可能丢上下文，块越大完整但噪声多建议：实际采用多粒度索引——小chunk用于精排，大chunk（或父文档）用于生成时补充上下文评估方法检索侧：Top-K命中率、MRR 生成侧：答案完整性人工评分、引用准确率学习建议建议从基础切块方法（如固定长度、按段落）入手，理解其在专业文档中的局限；再学习语义切块等高级策略，结合实际案例练习分块…

#字节#RAG Chunking#长文档切分

面试题·文档处理· 字节

文本块如何生成向量并构建可维护索引？

匹配正文：…适合将查询与文档分别编码并预计算文档向量；普通 BERT 的 CLS/mean pooling 未经针对性训练时不应自动视为高质量检索嵌入。品牌和榜单只能用于候选筛选，最终用自己的查询—证据标注验证。批量编码时固定模型 revision、tokenizer、前缀模板、截断策略、dtype 与归一化方式，记录失败项并可重试。若模型输出已归一化，内积可用于余弦排序；否则距离配置必须与模型训练和归一化契约一致。不要把不同模型、不同维度的分数直接比较。领域适配可以采用对比学习、h…

#RAG#文本向量化#Embedding

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…ding相似度检测主题变化长文档、多主题混合计算成本高，可用聚类或BERTopic辅助关键考量：块太小→上下文丢失；块太大→检索精度下降、Embedding稀释。实践中常组合使用，如先按标题分章节，再语义细分。三、Embedding模型选型候选模型：BGE-M3、多语言E5或具体GTE型号等；核对官方语言/长度支持，在目标题集测试，不把系列名或动态榜单位置当领域效果保证。垂直领域：领域数据微调（如法律用ChatLaw-Text2Vec），或用LLM生成合成数据训练…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 百度

RAG ANN 索引优化

匹配正文：…nlist、nprobe，以及 PQ 码长共同决定构建成本、延迟与召回。应扫参绘制 Pareto 曲线，而非使用固定比例。两阶段检索：ANN 先取较大候选集，再用原始向量、cross-encoder 或任务分数精排，以较小在线成本恢复部分精度。表示与分块：选对 embedding、距离函数和归一化方式；文档分块应通过查询集验证边界与重叠。领域微调、多向量表示只有在评测改善时采用。工程维护：分片与副本、冷热分层、批量写入、删除墓碑与周期压缩、索引版本化和原子切换。高选择性…

#百度#文档处理#RAG ANN 索引优化

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配正文：一、Embedding模型选型策略核心原则：任务驱动选型任务场景推荐方向典型模型通用语义检索双塔编码器，MTEB高分 BGE、GTE、E5系列代码/技术文档代码预训练模型 CodeBERT、CodeT5+ 多语言场景多语言对比学习 multilingual-e5、BGE-M3 长文档理解支持长上下文的模型 Jina Embeddings v2（8K）关键考量点：维度与效率权衡：1024维通常效果较好，但768维在速度和存储更优指令微调：E5、BGE等…

#字节#Embedding 模型选型#RAG 向量化流程

面试题·文档处理· 字节

医学论文与法律条文切块

匹配正文：核心原则专业领域文档切块的关键：语义完整性优先于固定长度，确保检索到的chunk能独立回答用户问题。常见分块策略策略实现方式适用场景固定长度按token/字符数硬切（长度需通过实验确定）通用场景、快速验证；不推荐专业领域递归字符优先按段落→句子→词切分结构清晰的文档，保留自然边界语义分块用embedding相似度检测主题边界内容混杂、主题跳跃的长文档结构感知按Markdown/HTML标签、目录层级切技术文档、法律条文（条款级） Agenti…

#字节#医学论文与法律条文切块#医学论文和法律条文为什么要用不同的切块策略

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…简单对复杂嵌套结构（法律条款层级）处理粗糙通用文档、博客文章语义切块用embedding相似度检测主题边界块内语义一致、检索精度高计算成本高、边界可能漂移长论述性文本、医学综述结构感知切块解析PDF/DOC的标题、章节、条款编号完全保留文档逻辑结构、支持精确引用溯源依赖文档解析质量（如OCR、版式分析）法律合同、病历、监管文件智能体切块（Agentic） LLM先读全文，按主题/事件主动划分最贴合人类理解、可提取跨段落关联成本高、延迟大、需设计p…

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配正文：…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（超出模型窗口）或过短（信息密度低）；主题分割计算开销大适用：法律合同、学术论文等结构清晰的文档 3. 滑动…

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配正文：…） ↓ Embedding模型编码 → 按实际显存、限流和失败重试能力确定批量大小 → 写入向量库 ↓ 按需建立倒排索引，用于混合检索工程注意点： batch size 要根据文本长度、向量维度、显存、接口限流和失败重试成本压测，不能照搬固定值元数据携带原始文档ID和chunk位置，方便召回后重排序、去重或拼接上下文对高频更新场景，设计版本、幂等与增量更新机制，避免新旧chunk同时被召回面试回答落点先说明业务问题和文档结构，再给出候选切法、评测集与指标，最后说清最…

#蔚来#文档处理#RAG文本分块

面试题·文档处理· 百度

RAG 分块参数调优

匹配正文：答案要点分块策略分类（固定长度、语义、递归等）及适用场景分块粒度与检索精度的权衡关系边界处理策略（句子/段落完整性）重叠策略的作用与设置实际选型需结合文档类型和业务需求核心分块策略 1. 固定长度分块（Fixed-size）按token数或字符数切分，具体长度作为候选变量优点：实现简单、Embedding均匀、便于批量处理缺点：可能切断语义，边界信息丢失 2. 递归分块（Recursive）优先按段落→句子→固定长度层级切分优点：尽量保持语义单元完整缺…

#百度#RAG 分块参数调优#RAG 分块大小和 overlap 怎么调？指标与实验方法

面试题·文档处理· 百度

常用分块方法有哪些?

匹配正文：…段落等天然边界，适合结构化文档重叠窗口（Overlap）策略缓解边界信息丢失问题文本分块是RAG系统的关键预处理环节，直接影响检索质量和生成效果。常用策略可分为以下几类： 1. 固定长度分块（Fixed-size Chunking）按固定token数或字符数切分，具体长度作为候选变量优点：实现极简，便于批量处理，向量化效率高缺点：硬截断可能切断句子语义，边界信息易丢失适用：快速原型、对语义连贯性要求不高的场景 2. 递归分块（Recursive/Hierarchi…

#百度#文本分块策略#RAG chunking

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配正文：…p=2, dim=1) # L2归一化必要性：将向量映射到单位球面，使余弦相似度等价于点积，加速Milvus/PGVector的检索计算工程注意版本管理：模型更新时全量重刷向量，或双版本并行灰度维度对齐：不同模型输出维度不同（768/1024/3072），入库前校验监控埋点：记录编码耗时、缓存命中率、向量分布漂移

#安克科技#RAG 向量化流程#Embedding 模型选择