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。
「Agent长期记忆」找到 77 条内容
按专题浏览 →匹配正文：答案要点 Agent与LLM的本质区别（自主决策 vs 单次响应） 三大核心组件的具体实现方式 ReAct/CoT等推理范式的作用 记忆的分层设计（短期/长期） 工具调用的标准化协议（OpenAI Function Calling） AI Agent 核心定义 AI Agent 是以大模型为"大脑"的自主决策系统，与传统LLM的关键区别在于：LLM是"问-答"的单轮响应，而Agent能自主感知环境、规划任务、调用工具并持续迭代，直到完成目标。 三大核心组件设计 1. 任务规划…
匹配正文：答案要点 能系统性地拆解Agent核心模块（感知、规划、记忆、工具、执行） 能解释各模块在复杂任务中的协同关系 能结合具体场景说明设计权衡（如记忆的长短、规划的深度） 体现对ReAct、CoT等范式的理解 智能Agent的底层能力可拆解为五个核心模块，形成感知→规划→执行→记忆→反思的闭环： 1. 感知（Perception） 作用：接收多模态输入（文本、图像、API返回、环境状态），转化为结构化信息 重要性：决策质量的"天花板"，感知偏差会导致后续全链错误。复杂任务中需支持…
匹配正文：…深度 工具层面：工具选择策略、并行调用、结果缓存与容错 系统层面：延迟优化、成本控制和可观测性 架构设计优化 模块化与分层架构 将Agent拆分为规划层、执行层、记忆层、工具层，降低耦合 采用多Agent协作：主Agent负责任务分解，子Agent并行执行子任务，通过消息总线通信 记忆机制设计 短期记忆：对话上下文窗口管理，关键信息提取 长期记忆：向量数据库存储历史经验，支持RAG式检索 工作记忆：当前任务相关的临时状态维护 推理策略优化 推理范式选择 CoT（思维链）：复杂…
学习内容与项目面试，在同一条路上。