匹配正文：…ti-Agent、具身智能、Agent即服务等方向有认知技术实现：当前主流方案核心架构规划（Planning）：ReAct、CoT、ToT等推理范式，让模型"先想后做" 记忆（Memory）：短期对话上下文 + 长期向量数据库/知识图谱工具（Tools）：Function Calling标准化调用外部API，扩展能力边界行动（Action）：执行结果反馈形成闭环，支持多轮迭代工程关键点意图识别准确率决定入口质量工具描述工程（Tool Description）影…

#字节#Agent#大模型 Agent 优缺点

面试题·模型微调· 小红书

意图识别结构化输出失败如何修复

匹配正文：一、提示工程层面核心思路：给模型明确的"格式模板"和"思考空间" 结构化指令：用### 输出格式 ###明确分隔，指定字段名、类型、可选值 Few-shot示例：提供2-3个输入→推理过程→标准输出的完整样例思维链引导：要求模型先分析用户意图关键词，再输出结构，减少跳步导致的格式错乱示例框架：用户输入：{input} 分析：用户提到"退款"和"订单号"，属于售后意图输出：{"intent": "after_sales", "confidence": 0.95, "s…

#小红书#意图识别格式优化#结构化输出

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：…盾 4. 复杂推理能力显式推理链：可追溯"为什么选这个答案" 支持聚合类查询："总结A领域三大趋势及其相互影响" 图结构本身作为CoT提示，引导模型逐步推理典型价值场景医疗诊断：症状→疾病→药物→禁忌的多跳约束法律分析：法条→案例→判决→适用条件的链条推理企业知识：组织架构、项目关联、决策影响的网络分析关键权衡：图构建的前期成本 vs 查询时的推理质量。实际落地常采用"轻量抽取+动态扩展"的混合架构。学习建议建议先掌握传统RAG原理，再学习图结构与知识图谱基础…

← 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

#百度#知识图谱#GraphRAG 优势

面试题·Prompt· 高德

ReAct 如何结合推理与工具使用？

匹配口述回答：…型先想‘我需要知道什么’，然后调用一个工具，比如查API或者数据库，拿到结果后结合观察再想下一步，直到最终给出答案。那它和单纯的提示工程，比如[[CoT]]，有什么本质区别呢？我觉得边界很清楚：CoT适合那种推理链条封闭、所有信息都在模型参数里的任务，比如数学题。但一旦任务需要实时信息，比如天气、库存、用户上下文，或者要操作外部系统，CoT就抓瞎了，因为它只能‘在脑子里想’，得不到外部反馈。ReAct的优势就在于它能主动获取信息，而且能根据反馈自我纠错。举个例子，如果模型搜…

#高德#Agent#ReAct 框架

面试题·Prompt· 字节

ReAct 架构原理与失败场景

匹配正文：…ion，环境返回 Observation，新的观察再进入下一轮决策。工程实现可以记录简洁的计划或决策摘要，但不需要向用户暴露隐藏 Chain-of-Thought。工作流程解析任务和当前状态，生成下一步可执行计划。从允许的工具集合中选择 Action，并输出满足 Schema 的参数。执行工具，得到带来源、状态码和错误信息的 Observation。根据观察更新状态，判断完成、继续、重试、换工具、请求确认或安全终止。达到完成条件后，根据可验证的观察生成最终回答。 …

#字节#百度#Agent

面试题·Prompt· 美团

ReAct 如何提升复杂任务？

匹配正文：…. Thought 3 已收集足够信息，可以总结答案 Action 3 Finish["《春光乍泄》《花样年华》..."] 相比纯CoT的优势方式局限 ReAct解决纯CoT 知识截止，幻觉通过Action动态获取最新信息纯Action 盲目尝试，错误累积 Thought提供系统性规划实际落地要点提示设计：提供2-3个高质量少样本示例，规范输出格式工具封装：Action需对应可执行函数，Observation要结构化终止条件：定义Finish动作或最大步数限…

#美团#Agent#ReAct 框架

面试题·Prompt· 字节

Prompt 工程方法怎么选?

匹配正文：答案要点区分手动Prompt设计与自动化优化两大范式讲清连续提示（Prompt Tuning）vs 离散提示（AutoPrompt等）的本质区别能对比效果、效率、适用场景三维度提及实际落地中的选择考量（如API黑盒场景的限制）一、手动设计方法核心思路：基于经验规则构造离散文本模板 Few-shot：在Prompt中嵌入示例，引导模型模仿输出格式 Chain-of-Thought (CoT)：显式写出推理步骤，激发多步推理能力角色设定与指令分解：通过System …

#字节#Prompt Engineering 方法#Prompt Tuning vs AutoPrompt

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：…题解决思路检索召回不足/噪声多混合检索、元数据过滤、查询扩展生成幻觉、不遵循上下文引用约束生成、细粒度Prompt、COT提示端到端延迟高检索缓存、流式生成、异步预检索

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…过滤冗余，或训练专用压缩模型引用溯源：要求模型标注答案来源，便于事实核查动态截断：按相关性分数加权拼接，非简单Top-K截断提示工程角色设定：明确"基于提供的参考资料回答，不知道则说不知道" Few-shot示例：展示引用格式和拒答样例思维链：先让模型分析哪些文档相关，再生成答案三、流程层优化自适应RAG 检索判断：LLM先判断是否需要检索（Self-RAG风格）迭代检索：生成中发现信息不足，主动发起二次检索多跳推理：复杂问题拆解子查询，链式检索系统级缓…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配正文：…ext Engineering 依赖外部实时/私有知识，需精准定位相关信息复杂多跳推理两者深度结合既需要高质量上下文，也需要思维链提示一句话总结 Prompt Engineering 是说话的艺术，Context Engineering 是选材的艺术；大模型应用从"调提示词"走向"建上下文系统"，是工程化成熟的标志。

#OPPO#Prompt工程#Context Engineering

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：…. 显式标注来源，方便生成阶段引用和溯源三、生成效果 Prompt设计明确指令："仅基于以下材料回答，不知道就说不知道" 加入CoT引导："先分析材料，再给出结论" 幻觉抑制要求模型生成引用标记，事后校验答案与原文一致性置信度打分：让模型自评答案可靠性，低置信度转人工常见陷阱检索内容多但生成忽略，需监控context utilization 多文档冲突时无仲裁策略，应提示模型说明分歧四、系统层面延迟优化：向量检索<50ms，重排序并行化，流式生成首token …

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·Agent· 百度

Agent模块协作机制与失败场景

匹配正文：…。 2. 规划简单任务直接选择下一动作，复杂任务拆成有完成条件的子目标。系统可以保存简洁的计划摘要和决策依据，但不依赖展示隐藏 Chain-of-Thought。每轮检查最大步数、时间、成本、重复状态和人工确认点。 3. 记忆工作记忆保存当前目标、约束和已验证观察。长期记忆写入前检查来源、权限、用户隔离、有效期和纠错机制；重要性分数只能辅助排序，不能替代真实性验证。摘要和向量检索都可能丢失或误召回信息，关键事实应回查权威记录。 4. 行动工具先注册 Schema、返…

#百度#Agent#Agent 系统架构

面试题·Agent· 阿里

Agent 外部工具怎么集成?

匹配正文：…─ 服务超时 → 指数退避重试（max 3次）→ 降级到缓存/默认值 ├── 服务不可用 → 切换同功能备用工具 → 最终人工兜底提示 └── 执行异常 → 结构化错误信息注入context，让LLM决定是否继续六、可扩展性：插件化架构注册发现机制：本地：装饰器自动注册 @register_tool 远程：基于gRPC/HTTP的服务发现，支持动态加载热更新：工具配置（非代码）走配置中心，变更秒级生效；代码更新用 sidecar 模式灰度。实际场景：电商客服Agen…

#阿里云#Agent#Agent 工具集成

面试题·Agent· 快手

多Agent协同怎么提升推理正确率?

匹配口述回答：…gent的专长领域可能导致置信度差异很大。提升正确率的具体手段，我重点讲两个。一个是异构设计，就是让不同Agent用不同的模型或提示策略，比如一个用 [[Chain-of-Thought]]，一个用 [[Self-Consistency]]，这样能降低系统性错误。另一个是回溯机制，比如某个Agent算出来结果明显异常，就触发其他Agent重新分析或者Manager重新分解任务。这里有个坑：如果Agent之间通信太频繁，延迟会爆炸，所以上线前我会特别关注每轮通信的上限和超时处…

#快手#Agent#多Agent协同

面试题·Agent· 百度

Agent 核心组件有哪些?

匹配口述回答：…。典型的实现是 [[ReAct]] 循环，就是推理和行动交替，模型每输出一个思考就跟着一个动作，然后观察结果再继续。另一种是 [[Chain-of-Thought]]，让模型一步步推理，适合不需要外部动作的场景。但实际落地时，我倾向于把两者结合，比如先 CoT 拆出子任务，然后用 ReAct 去执行每个子任务，这样更可控。这里有个坑，就是规划不能太死板，如果第一步查询失败了，计划得能动态调整，否则整个流程就卡死了。所以我会给规划加一个重试和回退机制，最多重试三次，三次都失败就…

#百度#Agent#Agent 核心组件

面试题·评估· 得物

AI Agent 核心能力现状与差距

匹配口述回答：…，配合[[ReAct]]框架基本能跑通。但一涉及到多步规划，问题就出来了。比如让Agent执行一个五步以上的任务，ReAct或[[Chain-of-Thought]]很容易出现错误累积，一步错步步错，最后要么死循环要么胡言乱语。AutoGPT就是个典型，早期喊得很响，实际用起来循环调用、成本失控、无法终止，根本落不了地。记忆这块，短期记忆靠上下文窗口，现在大模型能做到128K甚至1M tokens，基本够用。但长期记忆是个硬伤，现在普遍用[[Vector Database]…

#得物#Agent#AI Agent 核心能力

面试题·Prompt· 腾讯

Agent任务规划+工具调用原理

匹配正文：答案要点 ReAct思维链设计（Thought-Action-Observation循环）工具注册与动态调用机制反思模块的实现（检查工具结果、自我修正）状态管理与上下文维护错误处理与重试策略核心架构：ReAct 循环 Agent = LLM + 工具 + 记忆 + 控制循环，采用 Thought → Action → Observation → ... → Finish 的推理模式。关键模块实现 1. 工具注册与调用 class ToolRegistry: def…

#腾讯#Agent#Agent 系统设计

面试题·Prompt· 美团

ReAct 框架核心思想与流程

匹配口述回答：…要查北京天气”，然后调用搜索工具，看到结果说“北京晴25度”，再想“那就可以回答用户了”，最后给出建议。这个框架相比纯推理的[[Chain-of-Thought]]和纯行动的Act-only，优势很明显。先说可解释性，每一步思考都写出来了，调试和审计非常方便。再一个就是缓解[[Hallucination]]，关键事实通过工具查，不是模型瞎编的，准确率高很多。还有就是动态纠错，如果观察结果不理想，比如搜索没找到，它可以调整策略重新搜索，而不是一条路走到黑。我举个真实的业务场…

#美团#Agent#ReAct 框架

面试题·Prompt· 百度

AI Agent 三大组件原理

匹配口述回答：…型先想当前要做什么推理，然后决定调用哪个工具，拿到观察结果后再想下一步。这样就能把一个大问题拆成多个小步骤。实现上，我会在[[系统提示]]里给一个结构化的few-shot示例，要求输出格式是JSON，包含thought、action、action_input和observation字段。这样模型输出的格式可控，后面好解析。另外，[[CoT]]思维链也可以结合进去，让模型在thought字段里做逐步推理。再说工具调用。光会规划没用，得能真正干活。这里我采用[[Function…

#百度#Agent#AI Agent 设计

面试题·RAG· 华为

逻辑引导怎么用？

匹配口述回答：…盒，得有一条清晰的推理链条让人能追溯。具体怎么实现呢？我常用的有三种方式，但真正落地的时候往往是组合着来。第一种是结构化的 [[Chain-of-Thought]] 提示，就是你在 Prompt 里把推理步骤拆成固定的几个阶段，比如先分析条件、再建模、计算、验证、最后给结论。这样模型每一步做什么是明确的。第二种是 ReAct 框架，在 Agent 场景里，你强行规定它的输出必须包含 Thought、Action、Observation 这几个字段，循环执行直到任务完成。第三…

#华为#逻辑推理引导#逻辑引导

面试题·模型架构· 字节

Few-shot 推理为何有效?

匹配追问：ICL与CoT（思维链）结合时，机制上有什么变化？如果demonstration包含错误标签，为什么模型有时仍能表现良好？从训练数据角度，什么样的预训练数据分布更容易产生强ICL能力？场景切入假设你在做一个智能客服，用户给了几个例子说“帮我处理退款”，然后它就能自动识别后续的退款请求。你觉得为什么给几个例子模型就能学会？它内部是怎么做到的，跟它平时训练的那个“猜下一个词”的任务有什么关系？层层追问大模型做few-shot为什么效果还不错？……你觉得它真的在学新任务…

#上下文学习#预训练目标#隐式梯度下降

面试题·Prompt· 科大讯飞

Prompt 设计原则有哪些?

匹配口述回答：…管理需要同时记录 Prompt 模板、模型、温度、工具 Schema、知识库和评测集。回滚时必须恢复一套相互兼容的组合，不能只回滚提示词。发布前可以用影子流量或离线回放比较新旧版本，并人工抽查高风险类别，确认改动没有破坏原有能力。如果面试官要求结合项目，回答者只补充自己的真实任务、bad case、修改记录、评测方法和副作用。没有做过线上 A/B 测试或没有可核验指标时直接说明，不能把教学示例包装成亲历方案。题目本质是问Prompt工程在真实项目中的系统化落地四层结构作…

#科大讯飞#阿里#Prompt工程