搜索大模型内容

#Agent#架构与规划#Agent 和 Workflow 区别

LLM、Workflow 和 Agent 怎么选？什么任务根本不该做成 Agent

匹配正文：…答一次 LLM 调用适合输入明确、只需要理解或生成内容的任务；固定 Workflow 适合步骤稳定、顺序和规则必须可预测的任务；Agent 适合目标明确，但执行路径需要根据工具反馈动态变化的多步任务。真实系统通常不是三选一，而是混合架构：代码固定权限、状态、关键业务步骤和停止条件，只把无法提前枚举、又能通过外部反馈验证的局部决策交给模型。高风险、不可逆、没有可靠工具结果、也无法定义完成条件的任务，不应该直接做成自主 Agent。与背下三个定义相比，更有用的是抓住四个判断条…

Function Calling:模型怎么学会「调工具」

匹配正文：一句话:Function Calling 是「让只会输出文字的模型,变得能驱动真实世界」的关键一跃。Agent 岗高频考点,也是后面手写 Agent 的地基。核心误区先纠正:模型并不执行工具很多人以为「Function Calling = 模型自己去调用了函数」。不是。模型只做一件事:根据你给的工具说明,决定要不要调、调哪个、传什么参数,然后吐出一个结构化的调用请求。真正执行的,永远是你的代码。这个分工很重要,面试常考:模型负责「决策」,你负责「执行」,再把结果喂回去…

#Agent#架构与规划#ReAct Agent 死循环

ReAct Agent 为什么会死循环？停止条件和步数上限怎么设计

匹配正文：面试官问：“你的 Agent 如果一直调用工具不结束，怎么办？” 最常见的回答是：“设置最大循环次数。” 这句话只能证明你知道怎么止损，不能证明你知道为什么循环。最大步数像保险丝，任务失控时可以切断，但如果目标、工具结果和状态设计没有修复，下一次请求仍然会以同样方式撞上保险丝。这道题真正考的是：ReAct 每轮究竟在更新什么，系统如何判断完成，错误怎样改变下一步，什么时候应该重试、澄清、降级或转人工。先给出 30 秒回答 ReAct 的 while 往往没有写错，死循环更…

被问「你用过哪些 AI 编程工具」时不露怯

匹配正文：一句话:大模型应用开发岗,越来越默认你日常用 AI 编程工具写代码。这篇帮你建立选型心智 + 上手要点——不背版本号,讲思路(工具迭代快,思路才稳)。先分清三类形态按常见协作入口，可以先理解下面三类形态。同一个产品可能同时提供编辑器、终端和异步 Agent，表格用于选择任务入口，不是互斥的产品分类。形态代表一句话最舒服的场景终端 Agent Claude Code、Codex CLI 在命令行里,AI 自己读文件、改代码、跑命令、改完再验跨多文件的重构、改 b…

Agent Planner 生成的计划为什么不能直接执行？怎么校验和动态重规划

匹配正文：…；参数类型、范围和枚举符合工具 Schema；参数来源必须存在。一个日期字段通过类型校验，但若来源只是模型自行补全，仍不能执行。工具版本也要进入计划。工具升级后字段变化，旧计划不能默认兼容。第四层：业务完整性固定规则要求的节点是否都在，例如身份、权限、审批、结果验证。这类规则不应仅依赖 Planner 自觉生成，应由模板或 Policy 检查器强制验证。第五层：权限与副作用用户能否访问数据，Agent 是否有权调用工具，动作是只读还是写入，是否需要人工确认，全部由后…

#Agent#架构与规划#Agent 计划校验

Agent 反思机制怎么落地？Reflector 和 Critic 不能只让模型“再想一次”

匹配正文：面试官可能会问：“你们的 Agent 做了反思机制吗？” 很多回答是：“做了，第一次回答后再让大模型检查一遍，有问题就重写。” 这种做法可以算一次额外生成，但未必构成有效反思。同一个模型拿着相同上下文和相同判断标准，再评价一次自己，很可能重复原来的遗漏。即使第二次回答变长，也不代表更正确。工程上的反思应该是一道质量闸门：先把“什么算完成”变成可检查标准，再收集规则、测试、工具返回和来源等外部证据，定位具体缺陷，最后选择局部修复、补充工具调用、重新规划、向用户澄清或安全停止。…

#Agent#架构与规划#Agent 反思机制

把 AI 编程工具从「能用」调成「好用」

匹配正文：…程",留"可变的参数"。记忆只增不减:越堆越多 → 注意力稀释 + 烧 token。要有"遗忘"机制。不挂安全钩子:能跑命令的工具,危险操作不设确认 = 给自己埋雷。关联面试题「怎么让 Agent 在多轮 / 跨会话里保持一致性和记忆?」「Agent 的记忆系统怎么设计(短期 / 长期 / 检索)?」 👉 去题库搜 Agent 记忆 / 多轮一致性 / 上下文管理。训练营延伸这三件事往工业级走,就是 Agent 的「记忆系统 + Harness 工程」:三…

#Agent#工具调用与安全#Function Calling 完整流程

Function Calling 到底怎么跑？模型不会执行函数，完整工具结果循环怎么实现

匹配正文：…构化调用请求。解析参数、鉴权、执行函数、处理异常和回传结果，全部由宿主程序负责。模型下一轮能否基于真实结果回答，还取决于程序是否把工具请求和工具结果按协议加入上下文。更准确地说，Function Calling 是模型与程序之间的一份结构化协作协议，并没有赋予模型直接执行函数的能力。把协议中的角色和状态讲清，才能从一次天气查询 Demo 继续讲到可控 Agent。先给出 30 秒回答 Function Calling 的完整链路是：应用把用户消息和工具 Schema 一起…

从单 Agent 到 Coding Agent,它多了什么

匹配正文：一句话:你在第 7 篇写的最小 Agent,把"查天气"工具换成"读文件 / 改文件 / 跑命令",再加一条"改完自己验证"的循环,就成了 Claude Code / Cursor 这类 Coding Agent 的雏形。这也是面试官想听的"Agent 比调一次 LLM 强在哪"。 Coding Agent = 最小 Agent + 三类工具 + 自验证回顾第 7 篇:Agent = LLM + 工具 + 循环。Coding Agent 就是把工具集换成"和代码打交道"的那…

#Deep Research#研究工具与稳定性#Function Calling 参数校验

Function Calling 有了 JSON Schema，为什么工具参数还是会错？

匹配正文：Function Calling 让模型不再输出一段难以解析的“Action 文本”，而是返回工具名和结构化参数。这确实解决了很多格式问题。但结构化不等于正确。模型可以输出合法 JSON，却把 top_k 设得过大；可以满足字符串类型，却把关键词填进 URL 字段；可以选中正确工具，却漏掉当前页面 ID；也可以生成业务上不允许的参数组合。更危险的是，程序若看到 Schema 校验通过就直接执行，越权访问、重复写入、资源消耗和错误证据都会进入真实系统。所以面试官问“怎…

#Agent#工具调用与安全#Agent 写操作幂等

Agent 调用写操作怎么防误执行？副作用分级、幂等、确认和审计怎样做

匹配正文：面试官可能会问：“如果 Agent 能发消息、改配置、创建订单，模型重复调用或者参数填错怎么办？” 把 API 接通只解决了工具调用的起点。更困难的工作，是让错误动作没有机会变成真实损失。读一次公开网页和删除一条业务记录，不能使用同一套权限、重试和确认策略。模型输出结构化 tool call，也不代表它理解业务后果，更不代表后端应该直接执行。安全设计的核心是把决策权拆开：模型可以提出动作，策略层判断这个动作当前是否允许，用户或审批人确认高风险意图，执行层使用幂等和状态机保证…

#Deep Research#数据构造与训练#Observation Loss Mask

轨迹里工具返回为什么不能参与 Loss，Observation Mask 做错会怎样？

匹配正文：训练一个 Deep Research Agent，数据里通常不只有用户问题和模型答案。模型会发起 Search、Visit 或计算调用，工具环境再返回网页片段、错误信息和结构化结果。把整条记录拼成一个序列后，一个容易被忽略的问题出现了：这些字是不是都应该让模型学习预测？答案是否定的。模型应该学会什么时候调用工具、参数怎样填写、拿到结果后怎样继续以及最终如何回答。工具返回却是环境产生的，不是模型应该凭空生成的内容。如果训练时不区分两者，模型可能在没有真正调用工具时，直接…

#Deep Research#数据构造与训练#Deep Research SFT

首次 SFT 后格式稳定了，为什么工具选择和答案仍然不行？

匹配正文：第一次训练 Agent 时，团队很容易被一个明显变化鼓舞：模型终于能稳定输出结构化 tool call，JSON 也不再频繁报错。但把问题换成“什么是人工智能”，它仍然先调 Search；遇到简单计算，也不一定选择合适工具；即使工具调用成功，最终答案还可能不完整。这不是一个矛盾结果。格式学习、工具策略和答案能力本来就是不同层次。SFT 可以很快让模型模仿外壳，却未必已经学会在不同情境下做选择，更不能保证它能从工具结果中组织完整答案。现有首次训练记录正好提供了一个可以诚…