匹配正文：…自主判断，通过训练内化"何时调用" 显式决策输出中包含action字段，如"action": "call_tool" 关键约束：结构化输出（JSON Mode/Constrained Decoding），确保参数可解析执行流程（ReAct简化版）用户输入 → 模型决策 → [需工具?] → 生成调用参数 → 执行工具 ↓ 返回观察结果 → 拼接上下文 → 模型再决策 → 最终输出循环终止条件：模型输出不含工具调用标记，或达到最大迭代次数工程要点工具描述质量：直接影…

#百度#Agent#Tool Calling 架构

面试题·Agent· 美团

Function Calling 怎么解析用户指令?

匹配正文：…参数抽取）知道模型通过特殊token或JSON模式约束输出了解schema定义和参数校验机制能说明与普通生成任务的关键区别（结构化输出约束）了解实际部署中的错误处理策略 Function Calling的核心是让模型学会"按格式说话"，把自然语言翻译成可执行的结构化指令。技术原理分三层： 1. 训练阶段：注入工具使用能力构造大量<用户指令, 工具描述, 正确调用>的三元组数据工具用JSON Schema描述（函数名、参数类型、必填字段）模型学习输出固定格式的函数…

#美团#Agent#Function Calling 原理

面试题·Agent· 美团

DeepResearch Agent 怎么工作?

…键内容，评估信息价值反思：判断信息缺口，决定继续搜索或转向 3. 整合层（Synthesis）多源信息交叉验证，处理矛盾观点结构化输出：报告大纲→正文→引用溯源与传统RAG的关键差异维度传统RAG DeepResearch 交互模式单次检索多轮主动探索检索策略静态query 动态生成、迭代优化信息处理片段拼接深度阅读+逻辑整合输出质量回答片段完整研究报告典型应用场景行业调研：新兴技术市场分析、政策解读竞品分析：多维度产品对比、商业模式梳理…

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

匹配正文：

#美团#Agent#DeepResearch Agent

面试题·Agent· 字节

工具集设计关键因素?

匹配正文：…uter模型参数填充严格JSON Schema校验，缺失参数时主动追问执行隔离沙箱环境运行，敏感操作需人工确认结果回传结构化输出，支持错误码与部分结果 4. 错误处理与迭代工具失败时返回错误信息给LLM，由其决定是否重试、换工具或终止设置超时熔断，防止级联阻塞 5. 上下文管理工具结果需压缩/摘要后注入上下文，避免token爆炸保留工具调用轨迹（thought-action-observation），支持多轮规划

#字节#Agent#Agent 工具集设计

面试题·Agent· 美团

Agent 必备基础能力有哪些?

匹配正文：…、CoT（链式思考）、ToT（树状搜索） 3. 工具调用（Tool Use / Action） Function Calling：结构化输出工具名和参数执行反馈：获取工具返回后，判断任务是否完成或需调整 4. 记忆（Memory）短期记忆：当前对话上下文（受限于上下文窗口）长期记忆：向量数据库存储历史经验、用户偏好、领域知识协作关系——以ReAct为例： Thought（规划）→ Action（调用工具）→ Observation（感知结果）→ Thought（重新规…

#美团#Agent#Agent 基础能力

面试题·评估· 蚂蚁

Agent 系统哪些模块最易出问题?

匹配正文：…建议指标基础设施请求率、错误率、排队时间、TTFT、总延迟、资源利用率模型调用模型版本、输入输出 token、重试、限流、结构化输出失败率、成本 Agent 运行时迭代数、状态迁移、工具成功率、超时、停止原因、人工确认率业务效果任务完成率、错误副作用、用户纠错率、满意度和单位任务成本告警阈值必须来自历史基线、SLO 和错误预算；“10 轮”或“5%”只能是经过验证后的具体配置，不能作为通用规则。三、全链路追踪为每个任务生成 trace_id，关联模型请求、…

#蚂蚁#Agent#AI Agent 稳定性

面试题·评估· 字节

RAG 为何要二次生成?

匹配正文：…编造看似合理的内容 RAG的LLM生成是约束条件下的再创造：以检索内容为事实锚点，降低虚构概率同时保留语言组织能力：统一语气、结构化输出、多语言翻译对检索内容的可信度进行隐式评估（训练所得）一句话总结：向量检索解决"找得到"，LLM生成解决"说得对、说得通、说得完整"。学习建议建议系统学习该知识点

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 字节

RAG 二次生成怎么减少幻觉?

匹配正文：…词汇分布中采样（constrained decoding）或要求生成内容必须与检索片段的embedding相似度超过阈值 2. 结构化输出约束强制输出格式包含：直接引用原文的关键句推理链（检索内容→结论的推导步骤）置信度评分 3. 动态温度调整对检索匹配度高的部分使用低温度（确定性生成），对需要综合推理的部分适度提高温度，平衡事实准确性与表达流畅性。关键认知提示工程是软约束，依赖模型遵循指令的意愿；约束生成是硬约束，从解码层面限制输出空间。实际系统中通常两者结…

#抖音#约束生成#RAG 幻觉

面试题·评估· 京东

知识型与行为型错误诊断

匹配正文：…练“推理模式”才有可靠反馈；隐藏推理文本本身不是正确性证据。动态政策、价格和内部文档应优先检索权威数据并给出处；工具选择、拒答和结构化输出可用监督、偏好优化或 RL；数学与代码等任务结合执行器或验证器；高风险问答将 RAG、工具验证、校准拒答和人工复核一起使用。评估拆分检索 Recall、证据忠实度、事实正确率、工具成功、拒答校准、奖励投机和端到端成功率。RAG 与 RL 是互补组件，不是互斥万能方案。图解知识型与行为型错误诊断图解

#京东#RAG 与强化学习#知识型与行为型错误诊断

面试题·评估· 阿里

训练/推理/知识增强怎么选?

匹配正文：…标注时间与出处；用监督和偏好数据训练引用、澄清与拒答。它能改变行为倾向，但不会把参数变成实时事实库。推理控制：要求基于证据并使用结构化输出；将计算交给代码、数据库和确定性工具。降低温度只减少采样随机性，不能修复错误知识。知识增强：RAG 提供可更新、可引用证据，并配合混合检索、重排、权限过滤和引用定位。检索错误、文档冲突、提示注入或模型忽略证据时仍会失败。后处理：拆分可验证声明，用权威数据源、规则、专用模型或人工复核。验证器也会出错，并增加延迟与成本。产品策略：展示证…

#阿里#幻觉治理#大模型幻觉缓解

面试题·评估

LangChain vs AutoGPT vs MetaGPT 怎么选?

匹配正文：…（大量API调用）；实际落地困难 MetaGPT 架构：角色化Agent（产品经理→架构师→工程师→测试），基于SOP协作特点：结构化输出（代码/文档），多Agent通信机制适用：软件自动生成、标准化流程任务局限：角色固定难扩展，复杂业务场景SOP难以预设，通信开销大选型建议快速落地/已有流程：LangChain + 自定义Agent 探索性任务/POC：AutoGPT类思路，但需加人工校验节点标准化生产任务：MetaGPT模式，但建议简化角色粒度当前趋势：从"…

#Agent#AI Agent 框架对比#LangChain vs AutoGPT

面试题·模型微调· 科大讯飞

Prompt 怎么设计和优化?

匹配正文：…始基线：模型及版本、原 Prompt、解码参数、评测集和基线结果。迭代过程：每轮只改变有限变量，例如指令分层、上下文、示例选择、结构化输出或校验。因果验证：固定模型与数据做单变量对照，按切片报告质量、格式成功率、延迟和成本。上线治理：版本化、灰度、回归集、监控、回滚和敏感输入处理。事实填空任务是【真实任务】，模型版本【】，基线 Prompt【】，评测集【来源/规模/切分】，主要错误【】。我负责【】；第一个改动【】，第二个改动【】，各自消融结果【真实数据】。最终指标【…

#科大讯飞#阿里#模型微调

面试题·模型微调· 快手

Agent 系统怎么调优优化?

匹配正文：…优秀案例及技术特点应用核心特点 OpenAI GPTs/Assistant API Function Calling原生支持，结构化输出强制JSON schema，内置RAG检索 Claude Computer Use 多模态感知+GUI操作，截图理解+鼠标键盘控制，长上下文（200K）支撑复杂任务智谱AutoGLM 手机端Agent，通过UI元素理解实现"说一句话订外卖"，端到端训练而非规则拼接快手快意Agent 视频理解+创作闭环，从素材检索、脚本生成到剪辑渲染的…

#快手#Agent#Agent 调优

面试题·Prompt

什么是 Prompt 工程?

匹配正文：…。写完先用小批量样本测试，按 bad case 迭代改写——像调试代码一样调试 prompt。入门之后，可以往思维链（CoT）、结构化输出、prompt 效果的自动化评估，以及 prompt 与 RAG/微调的选型边界深入。

#入门#基础概念#Prompt工程

面试题·多模态· 字节

截图界面怎么用 RAG 解析?

匹配正文：…t的 grounding 能力）识别按钮、输入框、导航栏等 OCR：PaddleOCR/EasyOCR提取界面文本，与检测框关联结构化输出：生成类似{type: "button", bbox: [x,y,w,h], text: "提交", parent: "form_A"}的UI树 2. 多模态知识库构建层级内容索引方式组件层按钮/输入框等标准控件的功能定义文本向量 + 控件图标CLIP编码产品层具体产品的UI规范、设计文档图文对齐索引场景层用户常见问…

#字节#多模态#多模态 RAG

面试题·Prompt· 字节

Agent架构设计原则？

匹配正文：…描述：用JSON Schema严格定义，示例值降低歧义 Few-shot示例：3-5个边界case覆盖常见失败模式输出约束：强制结构化输出（JSON/XML），方便下游解析动态组装：按场景裁剪Prompt，避免无效信息干扰版本管理 Prompt A/B测试框架，线上灰度切换关键业务Prompt入版本库，变更需Code Review

#字节#Prompt工程#Agent

面试题·Prompt· 阿里

JSON 输出怎么保证格式稳定?

匹配正文：…型讨论，必须在具体框架版本、schema与并发条件下实测。学习建议建议先掌握JSON基本语法和LLM生成原理，再学习提示工程与结构化输出技术，动手实践如Outlines、Guidance等工具，结合真实场景进行迭代优化。参考资料 OpenAI 官方：JSON mode、strict schema 与拒绝/截断边界 XGrammar 原论文：token 边界与文法约束

#阿里云#Prompt工程#JSON 格式输出

面试题·Prompt· 字节

RAG Generator Prompt 整合原理

匹配正文：…偏好关键技巧添加Few-shot示例：展示"有答案/无答案/多文档综合"三种典型场景输出格式约束：强制JSON或带引用标记的结构化输出反幻觉指令："若文档未提及，回答'根据现有资料无法确定'" 三、推理策略配置场景 Temperature Top-p 特殊设置事实性问答 0.1-0.3 0.9 高重复惩罚，强制确定性创意生成 0.7-0.9 0.95 放宽约束多文档综合 0.3-0.5 0.9 启用beam search获取多个候选四、生成后处理引用溯源：…

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配正文：…实输入输出、风险、失败类型和评价指标。技巧：说明实际采用角色/边界、上下文分隔、Few-shot、检索增强、工具 schema、结构化输出或结果校验中的哪些。机制：解释每项技巧针对哪个可观察错误，而不是罗列名词。实验：固定模型、数据与解码参数，对 Prompt 版本做消融和切片。生产：版本管理、监控、提示注入防护、回滚和成本约束。事实填空在【真实任务】中，基线 Prompt 为【】，常见错误为【】。我负责【】，采用【真实技巧】解决【对应问题】，与【备选】比较。评测…

#华为#Prompt工程#Prompt Engineering 技巧

面试题·Prompt· 科大讯飞

Prompt 设计原则有哪些?

匹配正文：…pt。长上下文只注入相关证据，并记录截断和检索策略。 Few-shot 示例覆盖正常、模糊、拒绝和格式边界，避免只放成功样本。结构化输出使用 Schema 校验和有限重试，不能只依赖自然语言要求。 Prompt 版本与模型版本、评测集版本一起记录，通过回归测试再发布。不应默认要求模型输出隐藏推理过程；复杂任务可以要求简洁的依据或检查步骤，但生产系统更应依赖工具结果、结构化状态和可观测日志。项目事实填空如果结合本人项目回答，只填写可核验信息：任务是【真实任务】；最初失…

#科大讯飞#阿里#Prompt工程

面试题·Prompt· 阿里

Prompt 系统设计原则与技巧

匹配正文：…性（Clarity）任务边界明确：告诉模型"做什么"和"不做什么" 输出格式约束：用JSON/XML模板、Markdown表格等结构化输出 2. 具体性（Specificity）避免模糊指令，如"写得好一点" → 改为"用学术风格，包含3个论点，每个论点配1个数据支撑" 3. 上下文完整性提供必要的背景知识、角色设定、用户画像二、关键技巧与场景技巧核心做法典型场景 Few-shot 2-5个输入-输出示例格式固定任务（抽取、分类、SQL生成） CoT（思维链）…

#阿里#Prompt工程#Agent

面试题·Prompt· 阿里

Prompt优化评估指标有哪些？

匹配正文：…效果，建立分层评估体系。自动评估指标类型具体指标适用场景规则-based 正则匹配、JSON合法性、工具调用格式正确率结构化输出验证，如Function Calling参数格式模型-based LLM-as-Judge（GPT-4/Claude打分）、NLI entailment 语义正确性、回答相关性，需设计明确评分维度执行反馈任务完成率、步骤数、工具调用成功率、端到端延迟真实业务闭环，如订机票场景是否成功出票对比指标与Gold Answer的ROU…

#阿里云#Prompt工程#评估与监控

面试题·Prompt· 腾讯

Agent任务规划+工具调用原理

匹配正文：…le_decision(decision) 设计要点模块核心机制规划 LLM自主分解任务，每步生成Thought 工具调用结构化输出（JSON/特定格式）+ 动态路由反思结果验证 + 错误反馈 + 策略调整记忆滑动窗口上下文，关键信息摘要生产优化：工具结果缓存、并行工具调用、超时熔断、人机协同确认。

#腾讯#Agent#Agent 系统设计

面试题·Prompt· 字节

LLM 输出格式如何强校验?

匹配正文：答案要点区分Prompt层、模型层、后处理层三层防护策略掌握JSON Schema/Function Calling等结构化输出技术设计解析失败时的降级和重试机制结合实际业务场景说明方案选型依据我通常从三层防护来设计输出过滤机制：第一层：Prompt工程（预防） Few-shot示例：在Prompt中给2-3个符合格式的输出样例明确格式指令：用代码块包裹格式模板，强调"必须严格遵循以下JSON格式" 角色设定：指定模型扮演"严格的JSON生成器"角色第二层：结…

#字节#Prompt工程#大模型输出过滤