页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Prompt 模式」找到 106 条内容
按专题浏览 →匹配正文：…解析执行错误、缺乏自我修正迭代） 上下文窗口瓶颈（代码库规模超限、历史对话淹没关键信息） 改进策略需针对具体根因设计，而非简单堆叠prompt 一、模型能力层面 核心问题 代码理解深度不足：对复杂业务逻辑、跨文件依赖、设计模式识别能力弱 长程依赖建模差：修改A文件时忽略B文件的调用关系，导致回归错误 语言/框架知识陈旧：训练数据截止导致的API变更、新特性不了解 改进策略 引入RAG检索相关代码片段和官方文档作为上下文增强 针对特定技术栈做SFT或LoRA微调 采用"plan…
匹配正文：…，有3+3=6个。所以答案是6。 Q: [新问题] A: 设计原则（Few-shot场景） 原则 说明 多样性 覆盖不同题型和推理模式，避免过拟合 步数适中 步骤过简失去引导作用，过繁增加噪声 答案正确 示例必须准确，错误示例会误导模型 格式一致 统一分隔符和书写风格，降低解析成本 作用与边界 有效场景：数学推理、符号逻辑、多步决策、代码调试等需要显式路径的任务 局限性： 简单任务可能增加token消耗而无收益 事实性问答不需要CoT，直接回答更高效 模型能力不足时（如小模型…
匹配正文：答案要点 Agent与LLM的本质区别（环境交互vs静态推理） 核心组件：感知-规划-行动-记忆 当前主流架构模式（ReAct/CoT/Plan-and-Execute） 优势：任务分解、工具扩展、持续学习 局限性：幻觉累积、长程规划稳定性、成本与延迟 落地场景举例（自动化运维、智能客服、代码助手） Agent的核心特点 Agent = LLM + 环境交互能力，区别于纯生成模型的关键：闭环反馈机制 四大核心组件 感知：接收环境状态（API返回、用户输入、工具输出） 规划：任…
学习内容与项目面试，在同一条路上。