匹配正文：…留来源与时间注入上下文，并用正例、难负例、冲突和不应召回样本评估。这段话的关键不是给出一个万能公式，而是把硬约束与软排序分开。 Agent 记忆检索与重排流程先排除不能用的记忆，再在可用候选里判断哪条更值得进入上下文。第一步：先理解当前任务要找什么用户输入不一定能直接作为向量查询。 “继续做昨天那个方案”包含指代，需要先从当前会话确定“那个方案”可能对应的项目和任务阶段。“还是按以前的风格写”需要检索表达偏好，而不是搜索所有历史文章。“上次为什么失败”更需要事件与失败…

#Agent#记忆与存储#Agent 记忆检索排序

面试题·Agent

训练数据里 Search 太多，为什么 Agent 遇到什么都想先搜？

匹配正文：一个调研 Agent 面对“水的化学式是什么”，先调用 Search；面对简单乘法，也想搜网页；真正需要访问原文时，却停在搜索摘要。很多团队会先怀疑 Prompt 没写好，或者模型太小。但如果训练轨迹里大量任务都以 Search、Visit 开头，模型可能只是忠实模仿了高频动作。它没有学会判断“当前缺什么信息”，而是把“收到问题”与“先搜索”绑定在一起。相关首次训练记录里，就出现了简单问题仍偏 Search 的现象，材料同时指出 Search、Visit 轨迹偏多可能是…

#Deep Research#数据构造与训练#Deep Research 工具选择

面试题·Agent

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

Deep Research Agent 训练中，CPT、SFT 和 GRPO 应该怎样取舍？

匹配正文：…路径。它知道“标准答案长什么样”，却不知道哪条行动更好，也没有在环境反馈中练过取舍。相关训练材料把 Deep Research Agent 的训练拆成三层：Agentic CPT 注入 Agent 相关偏置，SFT 冷启动学习协议与基本轨迹，GRPO 再在环境反馈中优化策略。这三个阶段分别解决不同问题，不能因为名词热门就机械拼成一条训练流水线。所以面试官真正想问的是： CPT、SFT 和 GRPO 各自改变什么，为什么顺序通常这样安排，阶段之间如何设准入与退出标准，哪些…

#Deep Research#数据构造与训练#Deep Research 多阶段训练

面试题·Agent

复杂任务一定要拆成多 Agent 吗？单 Agent 与多 Agent 怎么选

匹配正文：…阶段设不同成功条件。检索失败不必伪装成报告质量问题，写作风格错误也不需要重跑所有搜索。但它同时引入交接。上游必须把结果压成下游可理解的契约；共享状态要有版本；重复事实要去重；权限要随角色变化；失败要决定局部重试还是整体回退。每多一个 Agent，就多一条潜在信息损失与责任不清的边。第一个判断：职责是否相对正交可拆分的职责通常可以用一句话说清输入、动作、输出和完成条件。例如“检索角色接收研究子问题，输出带 URL、时间、摘要和相关性说明的证据候选”，它有独立输入输出，也…

#Agent#多智能体与评估#单 Agent 和多 Agent 区别

求职指南·求职

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：大模型八股不该盲背。每个方向面试官真正想验证的东西是固定的:RAG 验证你懂不懂检索链路的取舍,Agent 验证你能不能让多步流程稳定跑,评估验证你怎么证明"效果好"。你按"这个方向想验证什么 → 先看哪个教程/项目 → 代表题型 → 项目里怎么体现"这套结构去准备,比刷一百道零散题有效得多。这一篇是按方向的考点地图,帮你搭准备框架;逐题答案和口语讲法在题库里刷。作者:吴师兄 | 适合:准备大模型面试、想按方向系统过考点的人 | 前置:看过技术栈全景、选好了主线方向本篇和…

#求职#职业转型

面试题·Agent

多 Agent 怎么编排？固定流水线和 Supervisor 监督模式怎么选

匹配正文：面试官可能会问：“既然任务已经拆成检索、分析、写作和评审多个 Agent，接下来是固定顺序执行，还是交给 Supervisor 动态调度？” 固定流水线把角色按明确依赖串起来，路径容易理解、测试和回放。Supervisor 则根据当前 State 决定下一步叫谁、是否返工或结束，适合运行时才能确定的开放任务。但 Supervisor 并不会自动让团队更智能，它也可能成为新的单点瓶颈：所有上下文都汇总到中央角色，路由错误反复发生，子 Agent 互相踢任务，最终在没有完成证据时…

#Agent#多智能体与评估#多 Agent 编排模式

面试题·Agent

Agent 能执行 Python 代码，怎样设计 Code Interpreter 沙箱才不会伤到宿主机

匹配正文：…据；资源耗尽；跨任务数据残留；利用运行时或隔离漏洞逃逸。不同业务风险不同。只处理公开数据的离线分析，与可读取企业内部文件的代码 Agent，不应使用同一安全等级。文章只给分层设计，不声称某种机制能绝对阻止所有逃逸。为什么字符串黑名单不可靠教学实现常扫描 import os、open(、subprocess 等字符串。这能拦住直观样例，也方便初学者理解危险能力，但绕过方式很多。代码可以动态构造名称，通过对象属性间接访问能力，或调用一个已允许但内部能读文件、发请求的库。黑…

#Agent#工具调用与安全#Agent 代码解释器沙箱

面试题·Agent

Agent 线上答错一次，怎样用 Trace 和 Replay 定位到底哪一步坏了

匹配正文：面试官可能会问：“用户只反馈 Agent 给错了答案，你怎么判断是规划、工具、上下文还是模型出了问题？” 普通接口日志往往只记录请求、响应和总耗时。对一次模型调用也许够用，对多步 Agent 不够。Agent 会读取状态、选择工具、等待外部结果、更新计划、重试、压缩上下文，最后才生成答案。最终错误可能在很早的一步已经发生。例如工具返回了正确事实，模型没有使用；也可能模型选对工具，但参数里时间范围错了；还可能工具响应正确，State 合并把新结果覆盖；或者最终答案没错，只是引…

#Agent#多智能体与评估#Agent Trace 回放

面试题·Agent

Agent 怎么评估才不只看最终答案？任务、执行轨迹与成本要分层验收

匹配正文：面试官可能会问：“一个研究 Agent 写出一篇看起来不错的报告，你怎么证明它真的变好了，而不是更会迎合裁判？” Agent 评估比普通问答难，因为任务往往没有唯一标准答案，而且结果来自多步执行。最终结论正确，可能只是偶然猜中；过程看起来合理，最终引用也可能错；质量提高一点，却多调用许多次模型和工具，也未必值得上线。只看最终答案，会漏掉错误工具、无效循环、越权尝试和不稳定恢复。只看轨迹，又可能奖励一条形式漂亮却没有完成用户目标的路径。只看成本，则会鼓励 Agent 少做必要…

#Agent#多智能体与评估#Agent 评估体系

面试题·项目与经历· 美团

Agent 商业落地评估框架

匹配正文：…成 ⭐⭐⭐⭐⭐ 已有明确验证标准（编译/运行）搜索整合 ⭐⭐⭐⭐☆ 结果可解释，但依赖外部信息质量网页交互 ⭐⭐⭐☆☆ DOM理解+操作稳定性差，易出错自动化决策 ⭐⭐☆☆☆ 责任边界模糊，容错成本极高代码生成的输出有客观验证机制（语法检查、单元测试、CI/CD），幻觉问题相对可控；而自动化决策一旦出错，商业损失难以估量。二、工程成本：边际成本递减代码生成：一次模型训练，无限复用；企业已有Git/DevOps基础设施，接入成本低网页交互：需要维护大量浏览器环境、…

#Agent#代码生成#商业落地

面试题·项目与经历· 美团

Agent 未来规模化方向

匹配正文：更可能规模化的是边界清楚、可验证、可人工接管的企业流程 Agent 未来两三年的判断不应写成确定预言。相较完全自治的个人助理，客服辅助、内部知识检索、工单处理、代码维护和文档流转等窄域企业流程具备更清楚的任务边界、现成数字化系统和可量化结果，因此更容易先形成规模化收入。这里的 Agent 价值是理解非结构化输入、选择受限工具、生成草稿和协调步骤，不是把 LLM 变成确定性审批引擎。以财务报销为例，LLM 可以抽取发票和说明、识别缺失材料、生成审核摘要或把异常路由给合适人员；…

#Agent商业化#B端落地#成本效益分析

面试题·多模态· 得物

多模态大模型怎么理解？

匹配正文：…偏好对齐。对GPT-4o等闭源系统只能引用官方披露能力，不能推断其从零端到端训练或内部连接方式。应用包括检索、问答、OCR、文档理解、视觉定位和Agent感知。评测需同时看感知、grounding、推理、幻觉、延迟和安全。图解多模态大模型怎么理解？图解

#多模态融合#视觉语言模型#对比学习

面试题·Agent· 字节

Agent 怎么处理代码库数据?

匹配正文：…（文件级→函数级→行级的分层索引）上下文压缩与智能截断策略代码执行沙箱与工具链集成增量更新与实时同步机制核心挑战代码库级Agent区别于通用RAG的关键：结构化语义强、依赖关系复杂、需要精确到符号级别。技术方案分层 1. 多粒度代码表征层级表示方式用途文件级代码摘要Embedding 粗筛相关模块函数/类级 AST + 签名Embedding 定位具体实现行/块级原始代码 + 行号索引精确定位Bug位置关系级代码图（调用图、继承图）理解跨文…

#字节#Agent#Agent 代码库处理

面试题·Agent· 同花顺

Agent 实现 AGI 面临哪些挑战?

匹配正文：…性强调价值对齐与安全的长期挑战当前Agent系统离AGI仍有显著差距，核心挑战集中在五个层面： 1. 规划与推理的脆弱性现有Agent依赖LLM的CoT/ReAct做规划，但长程任务（>20步）错误累积严重缺乏真正的"元认知"：无法识别自身知识边界，失败时难以有效回溯动态环境适应性差，面对未见过的问题变体容易崩溃 2. 工具使用的天花板工具调用是"检索式"而非"理解式"：能查API文档但不会真正理解工具原理无法自主发现新工具或组合现有工具创造新能力工具失效时的…

#同花顺#Agent#Agent AGI 挑战

面试题·Agent· 字节

Attention 在 Agent 多轮对话有哪些局限?

匹配正文：…时检索相关片段补充上下文学习建议建议先掌握Attention和Transformer基础原理，再结合RAG、Memory机制等Agent组件理解实际应用瓶颈，多阅读相关论文与案例。

#字节#淘天#Agent

面试题·Agent· 字节

Agent 技术演进与挑战?

匹配正文：…ervation 循环，支持动态规划引入记忆模块：短期工作记忆 + 长期向量记忆 3.0 阶段：多Agent协作角色分工：规划Agent、执行Agent、验证Agent 通信机制：消息队列、共享状态、层级协调二、典型应用场景场景核心能力字节相关实践智能客服多轮对话 + 知识库工具调用飞书智能服务台自动化办公文档处理、日程编排、跨系统操作飞书多维表格自动化内容生产素材检索、脚本生成、多模态创作剪映/即梦AI助手代码开发需求理解、代码生成、测试调…

#字节#Agent#Agent 发展趋势

面试题·Agent· 字节

多 Agent 冲突怎么检测与协调?

匹配正文：…因延迟敏感（推荐系统）中心化仲裁 + 缓存预计算 10ms级响应要求规模扩展（内容审核）去中心化共识（Raft变种）千级Agent水平扩展安全关键（自动驾驶）硬件级TEE + 双冗余仲裁功能安全ASIL-D 核心原则：没有万能方案，需在一致性-可用性-分区容错三角中按业务取舍。学习建议建议先掌握多 Agent 基础概念与协作模型，再学习冲突检测与解决的经典方法，如黑板系统、合同网协议，并通过模拟项目实践理解实际应用。

#字节#Agent#多 Agent 冲突检测

面试题·Agent· 百度

Agent模块协作机制与失败场景

匹配题目：请设计一个具备自主决策与工具使用能力的AI Agent，系统阐述其整体架构及核心模块（如感知、规划、记忆、行动等）的设计思路与内在逻辑，并说明各模块的功能作用、协作机制及设计依据，体现对Agent系统性构建的深入理解。

#百度#Agent#Agent 系统架构

面试题·Agent· 百度

Agent 组件如何协同完成复杂任务?

匹配正文：…[反馈] 结果：降雨概率80% → 确认需提醒 → 调用微信通知接口 ↓ [反思] 若API超时 → 重试或切换备用源关键洞察：Agent不是单次LLM调用，而是多轮决策循环，每轮根据环境反馈动态调整策略，这才是"智能"所在。学习建议建议从经典Agent架构（如ReAct、Reflexion）入手，理解感知-思考-行动循环，结合RAG与工具调用案例加深对模块协作的理解。

#百度#Agent#Agent 工作原理

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配正文：…性分数剪枝，保留关键段落；使用摘要模型生成"记忆卡片" 结构化注入：检索结果转为Markdown表格/JSON，降低模型解析负担 Agent工程优化检索决策前置：LLM先判断"是否需要检索"，减少无效调用结果缓存分层：Embedding结果缓存（小时级）vs 生成结果缓存（会话级）失败降级链：检索超时→用参数知识回答→标记待核实学习建议建议从检索效率、上下文管理、模型协同等角度理解RAG全流程，结合真实案例学习性能优化策略。

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 阿里

Agent 外部工具怎么集成?

匹配正文：…类 class BaseTool(ABC): name: str # 工具唯一标识 description: str # LLM可理解的用途说明 parameters: dict # JSON Schema参数定义 @abstractmethod async def execute(self, **kwargs) -> ToolResult: pass 关键考量：description必须让LLM精准理解工具边界，避免误调用；parameters用JSON Schema严格约…

#阿里云#Agent#Agent 工具集成

面试题·Agent· 高德

Agent记忆分层：摘要与检索协同

匹配正文：…规则成本权衡：摘要用7B模型，主推理用70B；向量检索用HNSW索引，召回 latency <50ms 学习建议建议从RAG和Agent架构基础入手，理解向量检索、摘要模型和分层记忆设计模式，结合论文与开源项目（如MemGPT）实践核心流程。

#高德#Agent#Agent 记忆管理

面试题·Agent· 百度

Agent 规划记忆工具调用机制

匹配正文：…________________↓ （反馈循环）关键决策点：每步执行后，LLM评估是否达成子目标未达成则分析原因（工具问题？理解偏差？），选择重试或重规划引入"反思"步骤，显式总结本轮经验写入长期记忆三、与RAG的深度集成不是简单拼接，而是能力融合：层级集成方式检索即工具 RAG作为knowledge_retrieval工具，Agent按需调用记忆增强检索结果注入工作记忆，参与推理过程主动检索规划阶段识别知识缺口，触发预检索双向反馈 Agent的执…

#百度#Agent#Agent 系统设计

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：…实时性：记忆写入异步化，检索路径优先读缓存可观测：记录"检索→使用→反馈"链路，持续优化索引学习建议建议从人类记忆类比入手，理解记忆分层原理；掌握向量检索、摘要抽取、RAG流程，并动手实现简易记忆系统以加深理解。

#高德#Agent#向量检索