匹配正文：答案要点明确定义AI Agent与传统LLM的核心区别（自主规划、工具调用、环境交互）准确描述至少2-3种经典行为模式（ReAct、Plan-and-Solve、Toolformer等）能对比不同模式的适用场景和优缺点体现对Agent系统关键组件的理解（规划、记忆、工具、行动） AI Agent的核心定义 AI Agent是以大模型为"大脑"的自主系统，与传统LLM的本质区别在于：它能主动规划任务、调用工具、与环境持续交互，而非仅做单次文本生成。关键组件：规划（Pl…

#商汤科技#Agent#AI Agent 行为模式

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…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prompt 超高价值文档、需要深度推理的场景医疗/法律领域的实践要点 1. 优先保结构法律：以"条款→款→项"为最小单元，而非固定长度医疗：以"主诉-现病史-检查-诊断"等病历章节为边界 2. 元数据增强 chunk …

#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·评估· 美团

Coding vs GUI vs Search 谁先落地?

← 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

匹配口述回答：这道题其实问的是大模型[[Agent]]的'手眼脑'，编程是逻辑执行，GUI是环境交互，搜索是知识获取，看哪个能力先跑通商业闭环。我的判断是编程能力最可能短期大规模落地，但实际场景里往往是编程加搜索一起上。先说技术成熟度。编程这块，模型生成的代码有编译器或解释器给确定性的对错反馈，形成'生成-验证-修正'的可靠循环。Agent 调API写脚本，错了编译报错，修完再跑，这个闭环在Copilot上已经被验证了。搜索能力，像Perplexity那种检索加总结的pipeline也挺…

#美团#Agent#Agent 能力对比

面试题·Prompt· 高德

CoT vs ToT vs GoT 怎么选?

匹配题目：在智能Agent系统中，规划能力是完成复杂多步任务的核心。请系统介绍当前主流的提升大语言模型规划能力的方法，如思维链（CoT）、思维树（ToT）、图思维（GoT）等，深入分析它们的原理、适用场景，并对比各自的优缺点与实际应用中的局限性。

#高德#CoT ToT GoT 对比#大模型规划能力

面试题·Prompt· 阿里

JSON 输出怎么保证稳定可靠?

匹配正文：…rkdown标记、补全缺失括号（regex+启发式） 2. 字段校验：Pydantic校验 → 缺失字段用默认值/重试填充 3. LLM自修复：将错误JSON+错误信息再次输入，请求修正（1次重试上限）成本意识：L3重试触发率应控制在<2%，否则回退到提示词优化实际场景选型场景推荐组合原因实时Agent工具调用 Schema约束 + 轻量后处理延迟敏感，容忍偶发重试批量数据生成 Grammar-based + 完整后处理准确率优先，可并行多租户SaaS 动…

#阿里云#Prompt工程#Agent

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…企业内部知识库问答行业调研、竞品分析客服机器人、文档助手学术研究、投资尽调医疗/法律条文查询需要多源交叉验证的复杂决策优缺点 RAG ✅ 成本低、延迟可控、结果稳定 ❌ 无法处理需要多跳推理的开放问题 Deep Research ✅ 信息覆盖全、推理深度强、可溯源 ❌ 成本高（token消耗大）、耗时长、可能陷入无效循环一句话总结 RAG是"给你一本书查答案"，Deep Research是"派一个研究员去图书馆泡一天写报告"——前者是工具增强，后者是Agent自…

#Deep Research#RAG#Deep Research vs RAG

项目实战·RAG

第 8 章:多轮对话与记忆管理

匹配正文：…文遗忘、指代不清、一致性缺失,技术成因是什么?有哪些建模/架构层面的改进? 较难 → 【记忆系统架构】如何设计一个高效可扩展的 Agent 记忆架构(短期/长期/检索机制、关键模块与数据流)? 较难 → 【长期记忆存储选型】长期记忆常用哪些存储形式?向量库 / 结构化知识库 / 外部符号记忆各自优缺点与适用场景? 中等 → 【对话状态管理】多轮系统里怎么设计对话上下文的状态管理(存储策略、动态更新、长度截断)? 较难 → 【记忆衰退机制】为防止过时历史干扰新任务,是否…

#RAG#检索#项目实战

面试题·Agent· 百度

MCP vs Function Calling 怎么选?

匹配正文：…Function Calling 本质开放协议标准（应用层）模型原生能力（模型层）设计目标统一AI与外部系统的交互接口让LLM自主决策调用外部工具主导方 Anthropic开源，社区驱动 OpenAI首创，各模型厂商实现架构设计对比 MCP 的架构特点 Client-Server 模式：Host（如Claude Desktop）↔ Client ↔ Server（工具提供者）标准化传输：支持 stdio、SSE、HTTP 等多种传输层能力发现：Server …

#百度#小鹏#美团

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：答案要点意图识别决定检索策略选择（向量检索/关键词检索/混合检索）通过查询改写和扩展提升召回率识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品…

#OPPO#RAG 意图识别#RAG

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配题目：在实际的大模型应用中，你使用过哪些有效的Prompt Engineering技巧来提升模型输出的质量、准确性和一致性？请结合具体应用场景（如RAG、Agent等）举例说明其设计思路、实施过程及实际效果。

#华为#Prompt工程#Prompt Engineering 技巧

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配口述回答：…定的套路，根据业务场景去调召回量和重排模型，才能落地得稳。本质是计算成本与精度的权衡召回阶段快速筛出候选集重排阶段精细排序优缺点与落地风险收尾：工程师取舍与给出可延伸点约4分钟召回和重排的边界在Agentic RAG中可动态调整，Agent可决定何时召回、何时重排，甚至多次迭代。面试官可能会追问Agentic RAG的具体实现、动态决策的机制，以及与传统两阶段架构的对比。

#字节#两阶段检索#RAG 重排序

面试题·RLHF与对齐· 美团

Environment-based 训练怎么用?

匹配追问：如果模拟环境与真实环境存在较大gap，如何解决sim-to-real transfer问题？在LLM的RLHF中，为什么通常不用真实环境交互，而是用偏好数据集进行离线训练？场景切入假设我们在做外卖订单调度系统，骑手实时接单、送餐，环境不断变化，你会怎么训练一个调度策略？是让它在仿真环境里跟模拟骑手交互迭代，还是直接拿历史订单数据离线学？层层追问强化学习里，智能体是怎么学会做决策的？……那它怎么获得训练数据？……如果数据是跟环境实时交互得来的，跟用预先录好的数据训练有…

#环境交互训练#在线学习#模拟器训练

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配正文：答案要点能系统分类提示工程方法（基础技巧、上下文学习、推理增强、Agent模式）准确说明CoT/ToT/ReAct的核心机制与区别能结合业务场景分析选型（简单任务vs复杂推理vs工具调用）指出提示工程的局限性（上下文长度、稳定性、可扩展性）一、基础提示技巧 Zero-shot / Few-shot Zero-shot：直接描述任务，适合简单明确的需求（如格式转换、简单分类） Few-shot：给2-5个示例，显著提升小模型表现和输出格式稳定性优缺点：零成本低，但复…

#小红书#提示工程方法#Prompt 技术