匹配正文：…eAct的推理-行动交替机制 CoT的纯推理链与Agent的区别 AutoGPT的自主循环架构及局限性框架选型需考虑任务复杂度、可控性、成本 AI Agent基本架构 Agent = 大模型核心 + 三大关键组件：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 + A…

#百度#Agent#AI Agent 架构

面试题·Prompt· 商汤科技

Agent 行为模式有哪些？

匹配正文：…错三、工程简化方案 Function Calling：模型直接输出结构化工具调用参数，由外部系统执行，无需模型自循环，延迟更低、可控性更强，是目前主流落地方式选型建议：复杂多步任务用ReAct/Reflexion， latency敏感场景用Function Calling + 预定义工作流。

#商汤科技#Agent#Agent 行为模式

面试题·Prompt

封闭标签分类如何约束解码?

匹配正文：答案要点明确四种方法的核心机制差异能对比准确性、延迟、成本、可控性四个维度理解工业落地的关键权衡（如API可用性 vs 自研成本）提及失败回退策略和边界情况处理四种方法对比方法核心机制适用场景主要局限直接提示在prompt中列出类别，让模型直接选择类别少、简单场景格式不稳定，可能输出不在列表中思维链 (CoT) 先让模型推理分析，再给出结论需要可解释性的复杂分类延迟高、成本高，小模型效果差 Logit Bias 对指定token ID加减偏置 …

← 上一页第 2 / 2 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

#Logit Bias#约束解码#封闭集合标签分类

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…觉生成内容有检索文档支撑，可溯源验证知识时效性无需重训即可更新知识库领域专业知识注入企业私有数据，弥补通用模型短板生成可控性通过限定检索范围约束回答边界 RAG vs 纯参数化模型：场景对比 RAG显著更优的场景：高事实准确性要求：医疗诊断、法律咨询、金融合规（需精确引用条文）知识高频更新：新闻问答、产品信息、股价/天气等实时数据长尾知识密集：企业内部文档、专业手册（训练语料覆盖少）可解释性刚需：需给出参考来源的场景（客服溯源、学术辅助）纯LLM更合适…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：…接→子图遍历）精排阶段交叉编码器（领域数据微调）时效性/权威性加权用户画像过滤（科室/执业地域）四、生成优化：领域适配与可控性模型选择：基座模型+领域SFT（如Huatuo/LawGPT），非从零训练 Prompt工程：强制引用格式[来源:指南名称/条款编号]，便于溯源生成后处理：幻觉检测：检索内容与生成的N-gram重叠度校验置信度分级：高置信直接回答/中置信建议复核/低置信拒答五、安全合规体系维度机制权限隔离 RBAC：实习医生/主治/主任可见范…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·检索· 字节

两阶段 vs 端到端怎么选?

匹配正文：答案要点明确区分两阶段架构与端到端生成的核心差异阐述两阶段架构的优势（可解释性、可控性、成本可控）与劣势（延迟、信息损失）阐述端到端生成的优势（简洁、潜在上限高）与劣势（幻觉风险、难调试）给出具体的场景选择依据（数据规模、延迟要求、准确性要求、可解释性要求）核心区别维度两阶段架构（召回+精排/生成）端到端单次生成流程检索 → 筛选 → 生成直接生成答案可控性高，可干预中间环节低，黑盒过程延迟较高（多轮计算）较低（单次推理）成本检索+生成双…

#字节#两阶段检索与端到端生成#两阶段检索

面试题·项目与经历· 美团

Agent 商业落地评估框架

匹配口述回答：…要理解DOM结构，还要应对页面变化和反爬，稳定性很难保证。自动化决策更麻烦，一旦出错，责任边界很模糊，商业损失可能很大。所以从技术可控性来说，代码生成最靠谱。再一个看工程成本。代码生成本质上是一次训练、无限复用，而且企业里Git、DevOps这些基础设施已经铺好了，接入成本很低。但网页交互需要维护大量浏览器环境，还要处理反爬和页面适配，运维成本非常高。自动化决策要跟业务系统深度集成，每个客户都得定制，边际成本降不下来。市场需求这块，开发者的付费意愿已经被GitHub Co…

#Agent#代码生成#商业落地

面试题·评估· 字节

LLM 幻觉与安全风险怎么缓解?

匹配口述回答：… 准确解释解码与水印用分层红队和线上监控验收 30秒速答 + 90秒主答 + 完整展开证据链解决的是可核验性，权限边界解决的是可控性，两者都不能由单个解码技巧替代。可继续推导 DPO 目标中 reference policy 的作用，或设计检索提示注入的攻击与防护测试。

#幻觉检测#内容安全#RLHF

面试题·Agent· 百度

Agent 组件如何协同完成复杂任务?

匹配口述回答：…务涉及多个工具协同，比如先查天气再订外卖，工具调用的顺序和依赖怎么管理。我倾向用有向无环图来建模工具流，而不是让模型自由发挥，这样可控性更高。所以，我更愿意把Agent看作一个带反馈的决策系统，而不是单纯的LLM调用链。核心是规划、记忆、工具、反思四个模块的协作，但落地时一定要考虑失败场景和边界，比如乱调用、超时、累积错误，这些才是真正考验工程能力的地方。一句话点题：Agent本质是LLM驱动的自主决策循环规划模块：CoT、ReAct、ToT的适用场景与取舍记忆与工具…

#百度#Agent#Agent 工作原理

面试题·Agent· 字节

工具集设计关键因素?

匹配口述回答：这道题其实问的是，怎么让大模型安全、高效地调用外部能力，核心是在灵活性和可控性之间找平衡。先说工具粒度。我做的时候会遵循一个原则：每个工具只做一件事，但这件事要做得完整。比如搜索工具，我不会拆成search_web和parse_results两个，因为模型调用两次成本高，容易出错。但也不建议写一个do_everything的大工具，那样模型很难判断什么时候该用。真正落地时，我倾向于把常用操作封装成中等粒度的工具，比如search_flights、book_flight，复杂…

#字节#Agent#Agent 工具集设计

面试题·Agent· 淘天

LangGraph 构建 Agent 有几种方式?

匹配口述回答：这道题其实是在问，用LangGraph搭[[Agent]]时，怎么在可控性和灵活性之间做取舍。LangGraph的核心是把Agent建模成状态图，而三种构建方式，说白了就是不同抽象层次的工具。先说最常用的 StateGraph，也就是状态图。它的原理是，你定义好状态的数据结构，比如一个包含消息列表和下一步动作的字典，然后每个节点函数接收当前状态，返回状态更新，再通过条件边决定下一步跳到哪个节点。这样一来，整个Agent的决策流就变成了一个有向图，你可以清晰地看到每一步怎么走…

#淘天#LangGraph Agent 构建#StateGraph vs MessageGraph

面试题·Agent· 字节

AutoGen vs LangGraph 怎么选?

匹配口述回答：这道题其实是在问，当你需要编排多个大模型[[Agent]]的时候，如何在灵活性和可控性之间做取舍。AutoGen和LangGraph代表了两种完全不同的思路。先说核心差异。AutoGen的核心抽象是对话，它模拟的是人类团队协作，Agent之间通过自然语言你来我往的商量，发言与控制可以由模型选，也可以round-robin或自定义规则；不能说控制权都交给模型。而LangGraph的核心抽象是状态图，你显式定义好节点和边，数据在节点之间按你画好的路径流动，图结构可显式设计，条件…

#字节#百度#Agent

面试题·评估· 得物

AI Agent 四大瓶颈怎么破?

匹配口述回答：这道题其实是在问，我们怎么在[[Agent]]的自主性和可控性之间找到平衡。我分别从四个维度讲一下我的看法。先说可靠性。最头疼的就是[[幻觉]]和工具调用失败。举个例子，做客服退款，Agent调了订单系统拿到数据，结果自己编了个退款金额，或者API超时返回个错误格式，后续步骤全乱套。改进上，我会在关键步骤后加一个验证节点，比如再调一次接口确认结果。还有一个是工具沙箱加指数退避重试，把失败影响隔离在局部。另外，我会引入 [[Self-Refine]] 机制，让Agent显式评…

#得物#评估与监控#Agent

面试题·Prompt· 字节

RAG生成阶段Prompt整合策略

匹配口述回答：…来的文档整合进Prompt，让模型既准确又有依据，还能连贯回答。说白了，核心就是平衡两件事，一是文档和问题的相关性，二是模型输出的可控性。我不会一上来就堆策略，而是先想清楚这个Prompt到底该怎么组织。我一般会用一个四层架构来设计。先讲第一层，上下文预处理。这块不能把检索结果直接往里塞，得先做筛选、排序和去重。比如相关性分数低于阈值的直接扔掉，保留Top-K，通常是3到5篇。排序上我会综合[[BM25]]分数、向量相似度还有时效性来加权。去重这块有个坑，就是语义重复，比如…

#字节#Prompt工程#RAG Prompt 设计

面试题·Prompt· 字节

LLM 输出格式如何强校验?

匹配口述回答：…级，要区分schema不支持、截断、输入不适配、服务异常与模型误判，再调整对应环节，不能直接归因于约束太严。开场：这道题在问输出可控性与业务风险的平衡三层防护：Prompt层做预防，结构化输出做硬约束，后处理做兜底方案边界：高确定性任务用Function Calling，开放生成用宽松Prompt 业务案例：客服退款场景的严格校验与降级机制风险与取舍：格式严格性 vs 任务完成率，工程师的判断约4分钟 Function Calling的schema设计对模型输出质量…

#字节#Prompt工程#大模型输出过滤

面试题·Prompt· 美团

ReAct 框架怎么实现推理+行动?

匹配口述回答：…么工具。所以总结一下，我更倾向把ReAct看作一种让模型行为可解释、可干预的框架，而不是一个黑盒。它牺牲了一点效率，换来了更好的可控性和可追溯性，这在客服、金融、医疗这些对合规要求高的场景里特别重要。 ReAct本质是让模型边想边做，不是先想再做循环三要素：Thought→Action→Observation 对比纯推理和纯行动的边界业务场景：客服退款流程落地前提和风险工程师取舍：可解释性优先约4分钟 ReAct的Prompt设计和Function Calling…

#美团#评估与监控#Agent

面试题·RAG

LLM 封闭标签方法对比

匹配追问：…场景，你怎么保证输出绝对合规？直球架构给定一个预定义的标签集合，要求LLM输出严格限定在其中。请列出几种实现方案，并对比它们在可控性、延迟、开发成本上的优劣。你会怎么选型？

#封闭集合分类#约束解码#LLM 封闭标签方法对比

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配口述回答：…性，冲突时过滤掉。还有一个点值得注意：当检索结果为空或置信度极低时，是直接拒绝还是触发联网搜索？我倾向先拒绝，因为RAG的目标是可控性，联网搜索会引入不可控风险。但如果业务允许，可以设计一个降级策略，比如提示用户补充关键词。整体上，我会把RAG看成一个检索增强的闭环系统，不是简单的管道。每个环节的失败场景都要有预案，比如知识库更新不及时导致旧政策被检索出来，这时需要版本控制或时间戳过滤。上线前，我会用 [[RAGAS]] 这类工具评估 [[Faithfulness]] 和…

#美团#评估与监控#RAG 工作流程

面试题·检索· 小红书

RAG 局限性怎么破?

匹配口述回答：…vs Agent 落地风险与工程师取舍约4分钟复杂多跳推理场景下，RAG一次检索不够，需要Agent化，但Agent化有延迟和可控性风险。面试官可能会追问Agent化RAG的具体实现细节，比如ReAct循环如何设计、如何避免死循环、工具调用错误怎么处理。

#小红书#RAG局限性#RAG 局限性

面试题·检索· 阿里

Hard Search vs Soft Search 怎么选?

匹配口述回答：…，取决于你的候选规模、对实时性的要求、以及训练pipeline的复杂度。我更倾向两阶段，因为能在不牺牲太多召回的情况下，保证训练的可控性。一句话定位：这道题问的是长序列建模中检索效率与端到端优化的取舍 Hard Search：效率高但召回有损，训练不可导 Soft Search：理论上全局最优，但计算瓶颈和训练不稳定工程落地：两阶段结合，粗排用Hard精排用Soft 风险与前提：索引更新延迟、温度调节、长尾失效约4分钟候选池规模很小时，Hard Search优势不明显…

#阿里#Hard Search与Soft Search#SIM 模型