匹配正文：大模型后处理的真实性验证，核心思路是**"生成后校验"**——不依赖模型自我约束，而是通过外部信号或交叉验证来确认输出可靠性。主要技术路线： 1. 事实性核查（Fact Verification）检索增强验证将生成内容拆分为原子声明（claim segmentation）对每个声明独立检索权威知识源使用NLI模型判断"检索证据→支持/反驳/无关"生成结论典型工具：RARR、FAC2框架工具调用验证对可验证实体（时间、数值、人物）调用API/Wikipedia查询…

#美团#Agent#大模型真实性验证

面试题·Agent· 字节

AutoGen vs LangGraph 怎么选?

匹配正文：…int机制，可精确回放复杂条件分支、循环依赖 LangGraph 代码级控制，避免LLM"幻觉"导致流程失控快速原型、代码生成Agent AutoGen 内置UserProxyAgent等工具，上手更快一句话总结 AutoGen是**"让Agent像人一样对话协作"，LangGraph是"用图把LLM调用编排成可靠工作流"**。二者都能构建受控编排；可靠性、开发成本与速度应按任务、版本、状态/授权/停止策略及实测结果比较。参考资料 AutoGen官方Teams Aut…

#字节#百度#Agent

面试题·评估· 美团

Coding vs GUI vs Search 谁先落地?

匹配追问：场景切入假设我们做一个内部开发助手Agent，要帮程序员写代码、查文档、甚至自动操作测试界面。你觉得这里面编程、搜索和GUI操作，哪个能力最容易先落地？从技术成熟度和工程难度聊聊。层层追问你觉得大模型Agent要落地，关键能力排序是什么？……那编程、搜索、GUI这三项，哪个技术更成熟？……再想想，如果考虑工程难度和可靠性，哪个最可能在短期内大规模商用？直球架构分析一下大模型Agent中编程、GUI操作和信息检索三种能力，从技术成熟度、应用场景广泛性和工程实现难度三个…

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

#美团#Agent#Agent 能力对比

面试题·Prompt· 字节

ReAct 架构原理与失败场景

匹配正文：…在目标任务上与单次调用、固定工作流等基线对照评测，不能宣称必然显著更好。结论：ReAct 是“决策—行动—观察”的有界反馈循环，可靠性来自真实工具结果、状态控制和安全边界。图解 ReAct 架构原理与失败场景图解

#字节#百度#Agent

求职指南·RAG

RAG 评测集与 bad case项目模拟面试

匹配正文：… 发布门禁、阻断条件与灰度观察记录门禁失败后的版本回退和评测恢复记录下一步：extension。配套学习：大模型应用怎么保障可靠性?。 11. extension · extension 如果业务新增多语言和多租户，怎样保持不同切片可比，同时避免客户数据进入错误评测集？考察重点：测试约束变化后的迁移、容量和风险判断能力。容量、数据量或租户增长的量化模型新约束下的方案调整与代价配套学习：Agent 如何防越权与隐私泄露?。评分与复盘 dimension：owne…

#模拟面试#简历项目#连续追问

面试题·项目与经历· 美团

Coding/GUI/Search 商业化先后

匹配追问：…设计一个美团内部的Agent应用，你会优先选哪个场景？场景切入假设你们团队正做一个企业内部效率工具，现在要决定先投入哪个方向的Agent——是让AI帮开发写代码、帮客服查信息、还是帮HR自动填系统？你觉得哪个在半年内最有可能真正用起来、赚到钱？层层追问现在Agent有代码生成、搜索、操作GUI这些能力……你觉得哪个最容易做成商业产品？……那从技术角度看，哪个的准确性和可靠性最好验证？……再考虑用户需求，哪个领域的付费意愿最强？直球架构请分析代码生成、GUI操作、信…

#Agent落地#代码生成#GUI自动化

面试题·Agent· 蚂蚁

架构设计如何保障低延迟访问？

匹配标题与标签：架构设计如何保障低延迟访问？高并发下会话存储、缓存策略与分布式锁保障一致性与低延迟 Agent 蚂蚁 Agent 多轮对话上下文管理高并发会话存储分布式锁状态一致性蚂蚁

#蚂蚁#Agent#多轮对话上下文管理

面试题·Agent· 百度

Tool Calling 决策机制与执行流程

匹配标题与标签：Tool Calling 决策机制与执行流程 Function Calling 的输入输出格式、决策机制与执行流程详解 Agent 百度 Agent Tool Calling 架构 Function Calling 实现大模型工具调用百度

#百度#Agent#Tool Calling 架构

面试题·Agent· 商汤科技

ReAct 与 CoT 怎么选？

匹配口述回答：…：比如调用订单API后，如果发现订单异常或用户有特殊备注，就临时切换到ReAct模式去跟用户确认。另外，遇到退款失败的情况，我会让Agent进入Reflexion模式，让它自己分析失败原因是参数错误还是权限不足，并尝试修正。这里有个很重要的前提：Agent的可靠性高度依赖工具调用的稳定性。如果工具API不稳定，或者返回格式不统一，再好的规划也白搭。所以上线前我会特别关注工具调用的超时重试、错误码处理，以及Agent的异常恢复机制，比如连续失败多少次后应该主动上报人工。另外，…

#商汤科技#Agent#AI Agent 行为模式

面试题·Agent· 字节

Tool Calling 工具集设计原则

匹配口述回答：…么安全高效地交互工具粒度要适中，原子和复合工具搭配使用 Schema设计要面向LLM友好，描述要包含触发条件错误处理要分层，让Agent能感知并降级安全隔离和热更新是上线前必须考虑的约4分钟工具之间的依赖关系也需要管理，比如复合工具依赖原子工具，底层工具不可用时应该自动降级。面试官可能会追问：如何管理工具依赖？有没有考虑过动态编排？或者如何保证工具调用的可靠性？

#字节#Tool Calling 设计#工具集设计原则

面试题·评估· 快手

LLM 如何集成外部工具与记忆?

匹配口述回答：…的场景，比如多工具协作、动态决策，再用LangChain编排，但上线前一定要做充分的错误处理和回退策略。还有一个点值得深挖，就是Agent和Chain的边界到底在哪。我个人的判断是，如果决策逻辑可以枚举，用Chain；如果依赖LLM实时推理，用Agent。但实践中常常混合，比如Chain里嵌套Agent节点。这个边界怎么画，其实取决于你对LLM推理可靠性的容忍度。所以总的来说，LangChain的设计理念很好，但我会把它当成一个工具箱，而不是银弹。选不选它，取决于你的场景…

#快手#评估与监控#Agent

面试题·评估· 百度

Reflection vs Memory 如何影响决策?

匹配口述回答：…是反思的深度和广度怎么平衡。反思太浅，发现不了根本原因；反思太深，又可能过度拟合到一次失败上。这个在协同场景下还会被放大，因为一个智能体的过度反思可能会误导整个群体。这个我还没有特别成熟的方案，但觉得值得深入。所以总的来说，我更倾向于把反思和记忆看作一个整体方案来设计，而不是两个独立模块。反思的质量决定了记忆里存的是金子还是垃圾，记忆的可靠性决定了反思能不能站在前人的肩膀上。本质是让智能体从经验中学习反思负责自我修正记忆负责存储和复用两者结合形成正反馈落地时平衡一…

#百度#Agent#多智能体系统

面试题·模型微调

LLM 封闭标签如何强约束?

匹配标题与标签：LLM 封闭标签如何强约束? 提示工程、解码约束与微调三种手段对比模型微调 Agent LLM 输出限定封闭标签集解码约束提示工程模型微调

#Agent#LLM 输出限定#封闭标签集

面试题·Prompt· 字节

动态Prompt怎么保证策略对齐?

匹配追问：场景切入假设我们做一个金融风控的智能体，用动态Prompt让大模型根据实时数据生成交易放行策略。但模型有时会输出不合理的高风险建议，你怎么从机制上保证它输出的策略既安全又符合业务目标？层层追问动态Prompt驱动模型决策时，怎么保证输出的一致性？……那如果模型偶尔输出危险动作呢，比如客服机器人突然答应退款？……再进一步，有没有办法在生成前就硬约束输出格式或内容？直球架构请设计一套机制，确保动态Prompt下LLM生成的策略在安全性、一致性和目标对齐上的可靠性。可以从…

#字节#Prompt工程#Agent

面试题·Prompt· 高德

CoT vs ToT vs GoT 怎么选?

匹配口述回答：面试官你好，这道题问的是智能[[Agent]]里规划能力的提升方法。其实说白了，规划能力本质就是让大模型能自己做多步决策，而不是一步到位。所以主流方法都是从怎么拆解步骤、怎么探索搜索这两个角度去做的。今天我就把[[CoT]]、[[ToT]]、GoT这三类讲清楚，重点不是背原理，而是它们各自适用什么场景，以及真正落地时有哪些坑。先说CoT，思维链。它的核心就是让模型生成中间推理步骤，一条路走到黑。好处很明显，零额外成本，写个'Let's think step by step'…

#高德#CoT ToT GoT 对比#大模型规划能力

面试题·Prompt· 阿里

JSON 输出怎么保证稳定可靠?

匹配口述回答：…后总结一句，我不会迷信任何一层，而是把提示、约束、后处理当成一个整体来设计，根据业务场景动态调整权重。这个问题本质是结构化输出的可靠性问题三层防御体系：提示软引导、约束硬限制、后处理兜底实际场景选型：实时Agent vs 批量生成 vs 多租户核心取舍：成本、延迟、准确率的平衡留个可延伸点：约束解码对推理性能的影响约4分钟约束解码对推理性能的具体影响，比如Grammar-based方案中状态机复杂度如何影响生成速度。面试官可能会追问约束解码的延迟优化策略，或者…

#阿里云#Prompt工程#Agent

面试题·Prompt· 科大讯飞

Prompt 设计原则有哪些?

匹配标题与标签：Prompt 设计原则有哪些? 提升模型输出质量与一致性的 3 个核心方法 Prompt 科大讯飞阿里 Prompt工程 Agent Prompt 设计原则 Prompt 工程方法模型输出一致性科大讯飞

#科大讯飞#阿里#Prompt工程

面试题·Prompt· 字节

Policy 模型错误决策怎么防?

匹配口述回答：…题，比如路由错了，把本该走规则的任务扔给大模型，反而引入不确定性。这个平衡点挺有意思的。整体来说，我更倾向于把Policy系统的可靠性看作一个系统工程，训练、验证、约束、监控缺一不可，而且每个环节都有成本和收益的取舍，比如训练阶段数据标注成本高，监控阶段告警阈值设太严容易误报。所以我会把重点放在验证和约束上，因为这两个环节直接兜住线上风险，性价比最高。一句话定位：这道题本质是问如何确保Agent大脑的可靠性和安全训练阶段：RLHF+对抗训练，但前提是数据质量验证阶段：…

#字节#Agent#Policy 模型

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配正文：…描述商家问答平台规则动态更新，确保政策解读时效性本质价值：将LLM从"闭卷考试"转为"开卷考试"，用显式检索弥补隐式记忆的不可靠性。学习建议建议先掌握RAG基本流程，理解检索与生成的协同机制，结合实例分析其在减少幻觉和提升准确率中的作用，多练习实际场景的应用解释。

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配口述回答：…检索阶段：混合检索解决语义鸿沟，切分要语义化生成阶段：知识冲突和长上下文遗忘，用重排和置信度系统层面：延迟成本与复杂推理，引入Agent 收尾：RAG是工具，不是银弹，给出取舍约4分钟 Agentic RAG 中模型自我反思（Self-RAG/Corrective RAG）的可靠性保证引向追问：如何避免 Agent 在反思过程中陷入循环或过度回调？具体怎么实现 Faithfulness 的评估？

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：答案要点意图识别决定检索策略选择（向量检索/关键词检索/混合检索）通过查询改写和扩展提升召回率识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品…

#OPPO#RAG 意图识别#RAG

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配口述回答：…效、知识冲突、时效性进阶方向和我的判断：Agentic RAG和GraphRAG 约4分钟 Agentic RAG是进化方向，但Agent决策可靠性是关键前提面试官可能会追问Agentic RAG的实现细节、如何避免死循环、以及和GraphRAG的对比

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配口述回答：…：动态知识、可溯源、低成本关键局限：检索噪声、碎片化、推理弱优化方向：混合检索、查询改写、上下文工程边界判断：RAG与微调、Agent的协作落地风险与收尾约4分钟 RAG作为Agent的工具，由模型自主决定检索时机和策略，突破多跳推理瓶颈面试官可能会追问Agent与RAG的具体交互模式、工具调用机制、以及如何保证检索决策的可靠性

#美团#RAG 局限性#RAG 优化方向

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配口述回答：… [[Self-Consistency]] 和多路径集成。CoT虽然好，但单次推理可能随机走偏，如果用多次采样再加投票，能显著提升可靠性，当然代价是推理成本翻倍。这块我觉得在金融、医疗等高容错场景很有价值，但怎么平衡成本和效果，还得看具体业务。所以整体上，我更倾向把提示工程看成快速验证和轻量迭代的工具，它零训练成本，适合快速试错。但真要上线高并发、高稳定的系统，我会优先考虑SFT或者Agent框架，把提示词固化到模型里，减少运行时的不确定性。本质是问怎么跟大模型有效沟通 …

#小红书#提示工程方法#Prompt 技术