匹配正文：…理二、内部Prompt设计方法结构化模板 [角色定义] + [任务目标] + [可用工具说明] + [输出格式约束] + [ few-shot示例 ] 核心原则指令分层：系统指令（固定）vs 用户指令（动态）分离，用特殊token区分工具描述：每个工具包含description + parameters + required，LLM据此决策输出约束：强制JSON/特定格式输出，方便解析；预留thought字段暴露推理过程容错设计：Prompt中显式说明"无匹配工具…

#字节#Agent#Agent 系统设计

面试题·Prompt· 美团

Prompt 设计方法论怎么用?

匹配正文：…确任务类型与目标，区分生成/抽取/分类/推理任务的设计差异掌握角色设定、上下文示例、输出格式约束三大核心技巧能举例说明COT、Few-shot、Self-consistency等进阶方法体现迭代优化思维（测试-分析-修正）提及安全性和边界case处理核心方法论：任务驱动 + 结构化设计一、任务分类与设计策略任务类型设计重点典型技巧生成类（摘要、创作）控制风格与长度角色设定 + 输出格式模板抽取类（NER、关系）明确实体定义与边界 Few-shot示…

#美团#Prompt工程#Prompt 设计方法论

面试题·Prompt· 百度

意图识别 Prompt 最佳实践?

匹配正文：答案要点明确角色定义与任务边界设计结构化输入输出格式运用Few-shot示例增强泛化引入思维链或推理步骤考虑多轮对话上下文管理核心设计框架 1. 角色与任务定义明确指定模型身份："你是意图识别专家，负责将用户输入分类到预定义意图" 清晰界定意图类别清单，避免歧义重叠 2. 结构化输入输出输入：用户query + 可选上下文（历史对话、用户画像）输出：JSON格式 {"intent": "类别", "confidence": 分数, "slots": 槽位信息…

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#Prompt工程#Agent

面试题·Prompt· 字节

Coding Agent 表现差怎么排查?

匹配正文：…码搜索）执行环境隔离：Agent无法感知实际运行环境状态（依赖缺失、权限问题）改进策略强化Function Calling的few-shot示例，明确边界情况增加工具描述的自我验证步骤："我将使用X工具，因为..." 构建沙箱环境的状态探针，执行前做前置检查三、错误反馈机制核心问题错误解析失效：面对堆栈跟踪时定位根因困难，陷入表面修复自我修正循环断裂：多次尝试后偏离原始需求，或产生过度修改无反馈沉默失败：工具返回空结果或状态码时无法判断成功/失败改进策略 …

#字节#百度#Agent

面试题·Prompt· 哔哩哔哩

CoT 提示怎么写?

匹配正文：答案要点 CoT的核心思想是让模型显式输出中间推理步骤掌握Zero-shot CoT和Few-shot CoT两种典型模板理解示例设计的关键原则（多样性、步数适中、答案正确）明确CoT在复杂推理任务（数学、逻辑、代码）中的有效性边界 CoT的核心思想让大模型显式生成中间推理步骤，而非直接输出答案。本质是将隐式推理过程外显化，利用模型的生成能力逐步求解复杂问题。两种典型模板 1. Zero-shot CoT（零样本）直接添加触发指令，无需示例： Q: 一个农场有鸡和…

#b站#Agent#Chain-of-Thought 提示

面试题·Prompt· 美团

ReAct 框架核心思想与流程

匹配正文：…组合调用（如订机票→查酒店→规划路线）交互决策：Web导航、数据库操作等需要环境反馈的任务实际落地时，通常通过**少样本示例（few-shot）**引导模型生成规范的Thought-Action格式，配合停止词控制解析流程。

#美团#Agent#ReAct 框架

面试题·Prompt· 美团

ReAct 框架怎么用?

匹配正文：…可重新规划效率性：避免不必要的工具调用（对比ReAct论文，HotpotQA上调用次数减少）实际实现要点 Prompt设计：用few-shot示例定义Thought/Action/Observation格式工具描述：清晰说明每个工具的输入输出停止条件：定义Finish动作或最大迭代次数错误处理：Observation异常时让模型自我修正现代实现中，OpenAI/Claude的Function Calling机制本质上封装了ReAct范式，但显式ReAct仍适用于需…

#美团#Agent#ReAct 框架

面试题·Prompt· 哔哩哔哩

CoT 思维链由哪些部分构成?

匹配正文：…by step"）理解CoT与标准提示的本质区别（显式推理路径 vs 直接答案）提及CoT的变体（Zero-shot CoT、Few-shot CoT、Self-consistency等）能结合具体场景（数学推理、逻辑判断）说明逻辑演进过程 CoT的核心组成思维链（Chain-of-Thought）本质上是一种显式推理路径，包含三个关键部分：组成部分作用示例问题理解明确任务目标和约束 "需要计算剩余苹果数量" 中间推理步骤逐步分解、逻辑推导 "原有5个，吃…

#b站#Chain-of-Thought 结构#CoT 组成部分

面试题·Prompt· 字节

Prompt 工程方法怎么选?

匹配正文：…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 Message限定角色，复杂任务拆分子步骤 Self-Consistency：多路径采样投票，提升答案稳定性特点：零成本、即时生效，但依赖人工经验，迁移性差二、…

#字节#Prompt Engineering 方法#Prompt Tuning vs AutoPrompt

面试题·Prompt· 百度

Prompt 优化策略有哪些?

匹配正文：…uctured output、tool schema 或约束解码；仅靠“请输出 JSON”不能保证合法。 Zero-shot / Few-shot：简单任务先建立 Zero-shot 基线；Few-shot 用于示范边界与格式，但要防止示例泄漏和位置偏差。推理组织：复杂问题可要求可检查的中间产物、计划或工具结果；不要把不可核验的自由思维链当作正确性证明。检索与工具：外部事实通过 RAG 或工具获得，Prompt 负责规定证据使用和权限。安全：分隔不可信内容，防提示注入，…

#百度#Prompt工程#Prompt 优化

面试题·RAG· 字节

大模型输出怎么检测和过滤?

匹配正文：…esponse_format={"type": "json_object"}或工具调用接口 Prompt工程在Prompt中嵌入Few-shot示例，明确输出格式要求添加"请确保输出为合法JSON，不要添加markdown代码块标记"等约束二、多层级校验机制层级检测内容处理方式语法层 JSON合法性、字段完整性、类型匹配异常捕获+重试/解析修复语义层数值范围、枚举值有效性、逻辑一致性规则引擎校验，失败则重生成业务层是否符合业务规则、用户权限、场景约束…

#字节#大模型输出过滤#大模型输出检测

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：…选择性压缩、摘要式压缩引用标记：为生成内容附加来源，便于溯源 5. 生成与后处理提示工程：明确指令（"仅基于以下文档回答"）、Few-shot示例约束格式生成控制：温度参数、重复惩罚、结构化输出（JSON模式）质量影响：幻觉抑制依赖上下文相关性与指令遵循能力的平衡各环节协同关系检索质量是天花板，生成能力是地板——检索不准则生成必错，检索准确但生成指令不清则答案冗余。实际系统中需建立检索-生成联合评估闭环，持续优化Embedding模型与领域数据对齐。学习建议建…

#阿里云#重排与优化#向量检索

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…/树状）长上下文利用：Lost in Middle问题缓解，关键信息放首尾生成环节优化 Prompt工程：明确引用格式要求、 few-shot示例引导结构化输出生成增强：Self-RAG（生成时自检索验证）、RAG-Fusion（多查询结果融合生成）后处理验证：答案与检索片段的事实一致性校验、置信度打分过滤系统级迭代离线评估：构建领域评测集，端到端答案准确率 vs 检索命中率联动分析在线监控：检索空结果率、生成幻觉率、用户反馈闭环学习建议建议系统学习该知识点

#字节#RAG迭代优化#RAG 优化

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…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，链式检索系统级缓存机制：高频查询结果缓存，embedding结果缓存反馈闭环：用户点…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 百度

RAG Query 改写方法

匹配正文：…长文档截断丢失关键信息：检索时做段落级切分，而非整篇文档模型幻觉引用：强制要求"无依据则不标注引用"，并在 prompt 里给 few-shot 示例

#百度#小鹏#美团

面试题·Agent· 字节

工具集设计关键因素?

匹配口述回答：…块。先说意图识别，我一般用[[Function Calling]]机制，模型自己选工具，但我会在system prompt里给一些few-shot例子，比如“用户说查天气，优先调用get_weather”。接着说参数校验，模型填的参数不一定是合法的，我会做一层JSON Schema校验，缺失的让模型追问用户，不合法的报错让模型重试。再补充执行安全，敏感操作比如发邮件、扣款，我会放到沙箱里执行，或者加一道人工确认。这里有个常见的坑：工具调用失败怎么办？比如天气API超时了。我…

#字节#Agent#Agent 工具集设计

面试题·Agent· 商汤科技

Tool Calling 失败处理

匹配口述回答：…错误处理。常见失败场景是工具太多、描述模糊，模型选错工具或参数乱填。上线我会特别关注调用成功率和参数合法率，低的话就调整描述或加 few-shot 示例。还有一种更激进的玩法，就是让模型自己决定要不要组合多个工具，比如先查天气再推荐穿搭。这个就涉及到 [[Toolformer]] 那类自监督训练的思路，模型学会在文本里插入工具调用 token。但它的风险是可能会滥用工具，推理成本也高，我目前更倾向用 ReAct 加人工设计的工具链。整体上，我更倾向把 tool calli…

#商汤科技#Agent#Tool Calling 失败处理

面试题·Agent· 同花顺

Agent 开发技术栈怎么选?

匹配口述回答：…采样窗口、脱敏、负样本、训练验证切分与泄漏检查；指标不能只报分类准确率，还要看错工具的风险、参数合法率和端到端任务成功率。若只是 Few-shot、检索工具描述或 Prompt 调优，应如实称为推理侧优化。线上部分我会用一条真实 trace 说明截止时间怎样向子调用传播，哪些错误允许重试，哪些必须立即失败，重试是否使用幂等键，何时熔断或转人工。最后报告版本、硬件、并发、P95/P99、错误率和单请求成本。只有这些证据齐全，技术栈清单才会变成工程经验，而不是框架名词表。这道…

#同花顺#Agent#Agent 技术栈

面试题·Prompt· 高德

ReAct 如何结合推理与工具使用？

匹配口述回答：…比如该调工具时它直接编了个答案，或者工具调用格式错了，系统解析不了。所以上线时我会特别关注模型的输出格式约束，用[[系统提示]]和few-shot样例来引导，同时做好超时和重试机制。另外，这里有个有意思的点：ReAct的思考轨迹本质上是一种Chain-of-Thought的变体，但它的推理路径不是线性的，而是树状的，因为工具返回的结果可能让模型分支到不同的方向。所以我在想，如果要进一步提升鲁棒性，能不能结合[[Tree-of-Thoughts]]的思路，让模型同时探索多条行…

#高德#Agent#ReAct 框架

面试题·Prompt· 高德

ReAct 框架为什么优于纯提示?

匹配口述回答：…当Observation包含错误信息时，让模型重新规划而不是硬撑。还有一个延伸点，就是ReAct的推理轨迹本身其实可以作为 [[Few-shot]] 示例，帮模型更快学会怎么拆解任务。但这也要求轨迹质量高且覆盖典型错误，否则模型会学到错误模式，反而降低效果。所以我会把ReAct看作一个可编排的循环，核心是让模型学会什么时候该想、什么时候该动、什么时候该停。它不是银弹，而是在需要多步推理和实时信息时，比纯提示更可靠的方案。一句话定位：本质是让模型主动选择何时思考、何时调用…

#高德#Agent#ReAct 框架

面试题·Prompt· 阿里

怎么让模型稳定输出 JSON?

匹配口述回答：…prompt 里明确要求只输出 JSON，不要 markdown，不要解释文字；然后给出完整 schema 或示例，复杂格式再加 few-shot。比如抽取用户信息时，不只写“输出姓名和年龄”，而是写清楚字段类型、空值怎么表示、数组怎么处理、日期格式是什么。后处理层我一般分三步。第一步是清洗，比如去掉 markdown 代码块、前后多余解释。第二步是解析和轻量修复，处理尾随逗号、转义错误这类常见问题。第三步是校验，这里至少有两层：JSON 语法合法是一层，字段业务合法是另一…

#阿里云#大模型 JSON 输出#提示词设计

面试题·Prompt· 百度

LLM Agent组件有哪些功能?

匹配口述回答：…来选工具的，描述模糊它就乱选。比如一个“查询订单状态”的 API，描述里得写清楚“输入订单号，返回状态码和预计时间”，最好再给个 few-shot 例子。最后是执行与反馈。模型调完工具拿到结果，得判断要不要继续。常见失败场景是模型进入死循环，比如查一次没查到就反复查，或者结果不对也不反思。我会设置最大迭代次数，并在每次循环前让模型先总结一下当前进展，再决定下一步。终止条件不能只靠模型自己判断，得结合业务规则，比如退款金额超过阈值就强制转人工。说到这个，其实还有一个有意思的…

#百度#Agent#Agent 系统组件

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配口述回答：…我觉得它们有个共同问题：规划策略太死板。比如 ReAct 在复杂任务中容易产生冗余步骤。我更倾向自己实现一个轻量的规划器，用 [[Few-shot]] 示例来引导模型做更高效的分解。当然，这需要领域数据来构造示例，不是所有场景都适用。所以我的理解是，Agent 不是一个固定的架构，而是根据场景做取舍。比如客服场景，记忆和工具是核心；而代码生成场景，规划和执行更重要。我会把 Agent 看成一套可插拔的组件，根据需求灵活组合。一句话点出本质：Agent 核心是感知-规划-记…

#百度#Agent#AI Agent 核心组件

面试题·Prompt· 商汤科技

ReAct 范式核心思想与工作流程

匹配口述回答：…率，需要先搜财报、再算同比增长。但如果是纯文本生成或者简单问答，直接用 [[In-Context Learning]] 或者 [[Few-shot]] 就够了，没必要上 ReAct，因为循环调用会增加延迟和成本。说到这，其实有个有意思的点：ReAct 和 [[Function Calling]] 经常被一起用，但它们的角色不一样。ReAct 是决策框架，决定什么时候调用什么工具；Function Calling 是工具调用的具体实现，把自然语言请求转成结构化的 API 调用…

#商汤科技#Agent#ReAct 范式