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。
「任务分解 工具调用」找到 34 条内容
按专题浏览 →匹配口述回答：…有无限循环，以及服务重启或外部系统超时后如何保持前后一致。 一句话定位：Agent 任务规划本质是让 LLM 从思考到行动的闭环 任务分解：CoT、ToT、ReAct 的边界，实际是混合使用 目标设定与执行监控：层次化拆解加观察-思考-行动-验证闭环 落地风险：工具失败、幻觉、长上下文，以及我的取舍 约4分钟 工具调用失败或超时时的重试与回退策略，以及如何用 Self-RAG 防止 LLM 编造工具返回结果 面试官可能会追问：Self-RAG 具体怎么实现？重试次数和回退策略…
匹配正文：…+ 环境交互能力，区别于纯生成模型的关键：闭环反馈机制 四大核心组件 感知：接收环境状态（API返回、用户输入、工具输出） 规划：任务分解、策略选择（CoT/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…
学习内容与项目面试，在同一条路上。
匹配口述回答：…。否则看起来智能，实际上一用就崩。 AI Agent本质是LLM从被动响应到自主决策的跃迁 任务规划：ReAct循环加结构化输出 工具调用：Function Calling标准化协议 记忆分层：短期滑动窗口，长期向量检索 落地风险：死循环、工具不可靠、记忆一致性 约4分钟 多Agent协作处理并行子任务，比单Agent串行更高效，但通信和一致性是难点。 面试官可能会追问多Agent的通信协议、任务分解策略、以及如何避免Agent间的冲突。