匹配正文：…向量数据库存储经验，检索增强决策适用：个性化助手、持续学习场景关键：记忆召回的准确性直接影响Agent表现 4. Multi-Agent协作设计：多个专精Agent分工（规划者、执行者、验证者）适用：复杂系统任务（代码生成+测试+修复）选型建议场景推荐方案工具链明确、步骤不确定 ReAct 步骤固定、追求效率 Plan-and-Execute 需历史经验支撑 +记忆模块复杂任务可拆解 Multi-Agent 实际落地常采用混合架构：先用Plan生成骨架，用R…

#字节#评估与监控#Agent

面试题·评估· 美团

Agent 功能模块怎么分工?

匹配正文：…earch负责信息检索说明各模块的输入输出形式（自然语言/代码/图像等）解释模块间的协作关系与调度机制体现对ReAct或类似Agent框架的理解三大模块的职责定位 1. Coding 模块 —— 代码生成与执行功能定位：将自然语言需求转化为可执行代码，并负责运行调试输入：任务描述（如"用Python画一个正弦曲线"）、代码上下文、错误信息输出：生成的代码片段、执行结果（stdout/stderr）、状态反馈架构作用：扩展Agent的"动手能力"，突破LLM纯文…

#美团#评估与监控#Agent

面试题·Prompt· 字节

Agent 能力怎么系统提升?

匹配正文：答案要点架构层面：需涵盖分层设计（感知-规划-执行-记忆）、模块化与可扩展性工具集成：动态工具选择、API标准化、安全沙箱机制推理机制：ReAct/CoT/ToT等多步推理、反思与自我纠错学习方式：在线学习、模仿学习、RLHF反馈优化、世界模型构建需体现系统性思维而非单点技术堆砌一、架构设计：分层解耦与认知增强核心分层感知层：多模态输入统一编码，支持文本/图像/音频/结构化数据记忆层：短期工作记忆（上下文窗口）+ 长期 episodic/semantic 记…

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

#字节#百度#评估与监控

面试题·Prompt· 百度

LLM Agent组件有哪些功能?

匹配正文：…件间协作流程说明提及主流范式（ReAct/CoT）结合实际框架（LangChain/LlamaIndex等）一个典型的大模型Agent系统通常包含四大核心组件： 1. 规划模块（Planning）负责将复杂任务拆解为可执行的子步骤主流范式：CoT（链式思考）、ReAct（推理+行动交替）、ToT（树状搜索）输出：执行计划或下一步Action 2. 记忆模块（Memory）短期记忆：当前对话上下文、多轮交互历史长期记忆：向量数据库存储的知识、用户画像、过往经验 …

#百度#Agent#Agent 系统组件

面试题·Prompt· 商汤科技

Agent 行为模式有哪些？

匹配正文：…Act/Reflexion）的差异准确描述ReAct的"Thought-Action-Observation"循环机制说明不同架构的适用场景和 trade-off 提及Function Calling作为工程化落地的简化方案核心分类：推理模式 vs 行动模式一、纯推理模式（无外部交互） CoT（Chain-of-Thought）：通过"Let's think step by step"激发逐步推理，解决复杂数学/逻辑题，但无法获取外部信息 ToT（Tree of Th…

#商汤科技#Agent#Agent 行为模式

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配正文：答案要点明确列出Agent的4-5个核心组件（规划、记忆、工具、行动、感知等）每个组件的功能描述准确能说明组件间的协作关系提及主流架构模式（如ReAct、CoT）有实际框架或项目经验加分一个完整的AI Agent系统通常包含以下核心组件： 1. 感知模块（Perception）接收外部环境输入：用户query、多模态数据、工具返回结果等负责信息解析和预处理，转化为模型可理解的格式 2. 规划模块（Planning）任务分解：将复杂目标拆解为可执行的子步骤推…

#百度#Agent#AI Agent 核心组件

面试题·Prompt· 字节

ReAct 架构原理与失败场景

匹配题目：请详细解释ReAct（Reasoning and Acting）架构在智能体（Agent）中的设计思想、工作流程及其在大模型任务执行中的优势。

#字节#百度#Agent

项目实战·Agent

Deep Research Agent

匹配正文：…、训练改动、对照实验和回滚方案] 结果（R）：[填写训练曲线、评测结果与仍存在的问题；没做过就明确说明] 配套面试题本项目覆盖 Agent 架构、ReAct、工具调用、RLHF / GRPO 等知识点，可以到题库按模块配套练习。去题库刷 Agent / 强化学习真题 → 按顺序学习第 1 章:为什么需要 Deep Research 第 2 章:Agent 执行框架,ReAct → IterResearch 第 3 章:工具集设计,让 Agent 真正「会用工具」第 4…

#项目实战#Deep Research Agent

项目实战·Agent

Agent / Multi-Agent 系统

匹配正文：从单 Agent 到 Multi-Agent:规划模块、执行框架、多智能体协作与前后端落地本页介绍训练营项目的学习方向；完整教程与代码暂未公开。请先阅读下方对应公开教程，再按需要咨询课程安排。从「一个 LLM」到「一支 AI 军团」——Agent 核心架构与工程落地 Agent 是当下最热的方向，但很多人对它的理解停在「会调 API」。这个项目带你真正拆解:Agent 到底比 LLM 多了什么，规划、记忆、工具、协作怎么搭起来。从单 Agent 的核心架构，到 Mult…

#项目实战#Agent / Multi-Agent 系统

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：…习：RAG 原理与核心架构、RAG 数据处理与索引流程?。 4. tradeoff · tradeoff 为什么采用这套 RAG 架构，而不是关键词搜索、直接长上下文、微调或更简单的问答流程？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：垂直领域 RAG 完整架构、Agent 中 RAG 瓶颈怎么破?。 5. metrics · metrics 你所说的效果改…

#模拟面试#简历项目#连续追问

求职指南·Agent

Agent 工具调用与 Schema 设计项目模拟面试

匹配正文：适合做过 Agent 工具调用的人，重点练接口设计、参数校验、失败重试、重复执行和安全控制。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实 Agent 场景】的工具协议与执行层，承担【真实工具或平台模块】。需要准备：工具范围；个人职责；接口工件。通过【真实 Schema 或路由改动】改善【真实成功率或错误指标】，代价为【真实延迟或维护成本】。需要准备：指标基线；实验样本；失败类型；工程代价。逐层练…

#模拟面试#简历项目#连续追问

求职指南·Agent

Agent 工作流、状态持久化与人工介入项目模拟面试

匹配正文：适合做过 Agent 工作流的人，重点练状态如何保存、失败后怎样恢复，以及什么时候需要人工确认。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实 Agent 工作流】的状态与编排，承担【节点、持久化或人工介入模块】。需要准备：业务流程；个人职责；状态工件。将【真实长任务】上线，支持【恢复、审批或回滚能力】，并满足【真实 SLO】。需要准备：状态语义；恢复证据；SLO；失败记录。逐层练习 1. own…

#模拟面试#简历项目#连续追问

求职指南·Agent

Agent 超时、重试、幂等、安全与降级项目模拟面试

匹配正文：适合处理过 Agent 超时、重试或降级的人，重点练故障处理、避免重复执行、安全防护和失败兜底。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实 Agent 场景】可靠性治理，承担【超时、重试、幂等、安全或降级模块】。需要准备：个人职责；故障范围；策略与代码工件。通过【真实可靠性改动】改善【真实 SLO 或失败指标】，由【真实演练或线上记录】验证。需要准备：指标基线；故障样本；演练记录；副作用。逐层…

#模拟面试#简历项目#连续追问

系统教程·Agent

Agent 面试题大全与开发指南

匹配正文：Agent 面试通常从 Workflow 与 Agent 的边界问起，再继续追问记忆、工具调用失败、多智能体协作与工程闭环。这一页把本站 Agent 相关内容组织成一条学习线：先跑通最小执行循环，再拆 Deep Research 完整案例，最后用题库校准自己的回答。配套教程 Deep Research Agent 实战：8 章系统拆解知识模块 Agent 架构·工具调用·记忆·多智能体 Prompt 工程(Agent 的地基) 常见问题 Agent 面试和 RAG 面试考…

#专题学习#Agent 面试题大全与开发指南

项目实战·Agent

第 2 章:Agent 执行框架,ReAct → IterResearch

匹配正文：…ct 与 Plan-and-Execute 两种推理框架的取舍是什么?什么场景选哪个? 较难 → 【主流框架对比】系统比较主流 Agent 框架(LangChain / LlamaIndex 等)的架构差异。较难 → 【长上下文改进】如何设计 / 改进大模型的记忆机制,提升长上下文建模与任务持续能力? 较难 → 自检清单能讲清 ReAct「推理 + 行动交织」的核心思想和消息格式(Thought/Action/Observation) 能在本机跑通上下文增长 demo…

#Agent#Deep Research#项目实战

面试题·Agent

Agent 任务中断后怎么恢复？Checkpoint、断点续跑和人工审批怎样设计

匹配正文：面试官问：“Agent 跑到一半进程挂了，或者遇到高风险操作要等人确认，恢复时怎么保证不从头再来，也不会重复执行？” 只报出“LangGraph Checkpoint”远远不够。保存一份状态很容易，真正困难的是：保存的状态能否代表一个一致的执行位置，恢复时使用哪版代码和工具，已经完成的写操作会不会再做一次，审批前后状态有没有被篡改，以及等待几小时后外部数据发生变化该怎么办。如果现有项目还没有完整实现持久化恢复，也不必编造“已经支持秒级恢复”或“恢复成功率”。这类题完全可以按…

#Agent#工作流与状态#Agent 中断恢复

面试题·Agent

Deep Research 有 Search、Visit、Scholar 和 Python，Agent 怎样选对工具？

匹配正文：给 Agent 接上四个工具，并不等于它真的会做研究。 Search 适合发现候选来源，Visit 适合读取正文，Scholar 适合寻找论文元数据与学术出处，Python 适合计算和数据处理。它们看起来分工明确，实际运行时却经常被混用。模型可能只看搜索摘要就下结论，也可能没有 URL 便直接调用 Visit；本来查官方文档的问题，它反复使用 Scholar；一个简单换算，它不用计算工具而是凭语言模型心算；工具失败后，又不停重试同一路径。这些错误不会总表现为接口报错。很多…

#Deep Research#研究工具与稳定性#Deep Research 工具路由

求职指南·求职

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：…训练 43、RLHF与对齐 27 模型微调题库训练章推理与部署让模型跑得快、稳、省,工程和平台岗更看重推理优化 23、模型架构 49 推理优化题库服务化章还有几个偏场景/数据的模块:知识图谱 35、多模态 34、文档处理 29,它们通常挂在 RAG 或具体业务里出现,不构成独立主线,遇到目标岗位强相关时再补即可。这张表最重要的读法不是"题多的就都学",而是:题量密集的方向(Agent、评估、Prompt、重排、RAG)是应用岗追问的核心区,几乎人人躲不过;题量少…

#求职#职业转型

面试题·Agent

Agent 调用写操作怎么防误执行？副作用分级、幂等、确认和审计怎样做

匹配正文：面试官可能会问：“如果 Agent 能发消息、改配置、创建订单，模型重复调用或者参数填错怎么办？” 把 API 接通只解决了工具调用的起点。更困难的工作，是让错误动作没有机会变成真实损失。读一次公开网页和删除一条业务记录，不能使用同一套权限、重试和确认策略。模型输出结构化 tool call，也不代表它理解业务后果，更不代表后端应该直接执行。安全设计的核心是把决策权拆开：模型可以提出动作，策略层判断这个动作当前是否允许，用户或审批人确认高风险意图，执行层使用幂等和状态机保证…

#Agent#工具调用与安全#Agent 写操作幂等

面试题·Agent

MCP 和 Function Calling 有什么区别？Agent 工具接入时两者怎样配合

匹配正文：…协议和服务治理。对工具调用质量，分别评估发现是否完整、过滤是否正确、模型选择、参数、执行和结果忠实度。MCP 接入成功不能替代 Agent 端到端任务评估。如果现有项目没有真实 MCP 运行证据，就把回答限定为架构比较和迁移方案，不声称已经接入多少 Server、降低多少成本或提升多少准确率。一条渐进式迁移路径第一步，先把现有 Function Calling 工具收敛到统一 Registry 和执行网关，厘清 Schema、执行器、权限与错误。第二步，选择复用需求…

#Agent#工具调用与安全#MCP 和 Function Calling 区别

面试题·Agent

Agent 短任务和长任务怎么记？工作记忆、长期记忆与任务状态怎样分层

匹配正文：…轮和跨会话任务对照无记忆、窗口、摘要与检索方案，同时检查正确召回、错误污染、成本和删除，不只展示一个“它被补全”的例子。三层记忆架构，面试时这样回答我会把 Agent 的记忆分三层。工作记忆服务当前推理，保存目标、硬约束、最近对话、计划和关键 Observation，用窗口、摘要和相关性选择进入上下文；任务状态服务同一次长任务，结构化保存步骤、工具凭证、工件引用、错误、Checkpoint 和待办，保证暂停恢复不会靠概率检索；长期记忆跨会话保存经过筛选的偏好、稳定事实和可…

#Agent#记忆与存储#Agent 长期记忆设计

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：…验证什么你是否理解 RAG 每一环为什么这么设计、召回和忠实度怎么保证,而不是只会调库先看哪个 RAG 教程:为什么需要 → 架构 → 分块 → 检索一路做完代表题型 "为什么用 RAG 不直接微调""分块粒度怎么定""检索到无关内容怎么办""怎么防止模型胡说" 项目里怎么体现讲清你的分块策略为什么这么切、召回率你拿什么衡量、有没有做过 badcase 复盘刷题去 RAG 基础题库。 Agent(154 题):验证你能不能让多步流程稳定跑 Agent 是站内题量最大…

#求职#职业转型

面试题·项目与经历· 美团

Agent 商业落地评估框架

匹配正文：…页交互/自动化决策的需求方往往是业务人员，但付费能力和决策权分离四、美团场景的具体契合美团的技术栈（Java/Go为主、微服务架构、CRUD占比高）特别适合代码生成：业务代码模式化强，RAG加持下可结合内部框架生成内部已有代码规范、Review流程，天然的人机协作闭环结论：代码生成是"技术可行、成本可控、市场愿付"三者的最优交集，其他能力还需1-2年基础设施成熟。

#Agent#代码生成#商业落地

面试题·Agent· 高德

Agent 资源调度：多线程冲突避免

匹配正文：答案要点区分计算密集型（LLM调用）与IO密集型（工具调用）任务，采用异构调度策略设计资源配额与优先级队列防止Agent饿死或资源垄断实现分布式锁或乐观锁解决共享状态冲突采用水平扩展架构（调度器+执行器分离）支持弹性伸缩建立熔断、限流、降级机制保障系统稳定性核心架构：分层调度 + 资源池化 1. 任务分层与异构调度 Agent任务天然分为两类，需差异化处理：类型特征调度策略 LLM推理计算密集、GPU依赖、延迟敏感独占GPU批次调度，按token预估耗时…

#高德#Agent 系统资源调度#多线程 Agent 资源分配