匹配正文：…chema设计：name/description/required/properties四要素，description质量直接决定调用准确率并行调用：支持一次返回多个tool_calls数组，提升效率错误处理：区分参数错误（重试生成）、工具异常（降级回答）、超时（熔断）三、在Agent中的核心作用工具调用是Agent的**"行动器官"**，实现：感知-行动闭环：打破LLM知识边界，实时获取信息（搜索、DB、API）能力扩展：代码执行、文件操作、第三方服务集成自主…

#百度#模型微调#Tool Calling 实现

面试题·Agent

Function Calling 是什么?

匹配正文：答案要点 Function Calling 让大模型能"使用外部工具":查数据、调 API、执行动作模型本身不执行任何代码,它只输出"我想调哪个函数、参数是什么"的结构化 JSON 三步流程:声明工具 schema → 模型出参 → 程序执行后把结果回灌给模型解决了纯文本模型"只会说不会做"、拿不到实时/私有数据的问题是 Agent(智能体)的地基能力核心概念 Function Calling 是一种让大模型以结构化 JSON 的形式"表达调用意图"、由外部程序真正执…

#入门#基础概念#Function Calling

面试题·Agent

Agent 规划应该写在 Prompt 里，还是固定在业务代码里？

匹配正文：…：“你们的 Agent 是怎么规划的？行业流程都写在 Prompt 里吗？” 这道题最容易出现两个极端答案。一种说法是：“全部让大模型自己拆任务，这样最灵活。”另一种说法是：“模型不可靠，所以所有步骤都写死。”前者忽略安全与确定性，后者又把 Agent 做成了披着模型外衣的固定流程。生产系统更常见的答案在中间：代码定义不可越过的边界和主流程，模型只在不确定、可验证、可回退的局部做规划。真正的难点在于规划权放在哪一层，以及模型给出的计划如何进入执行系统；一句“请逐步思考”解…

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

#Agent#架构与规划#Agent 规划 Prompt 还是代码

项目实战·Agent

第 3 章:工具集设计,让 Agent 真正「会用工具」

匹配正文：…、description和以JSON Schema描述的parameters；具体Function Calling协议的包装结构依API而定，工具定义整体不等于参数JSON Schema。概念 2:模型怎么知道「有哪些工具可用」? 很多人第一次会困惑:模型又没「装」工具,它怎么知道能调 search? 答案很朴素:本例把可用工具的名称、描述和参数约定随输入提供；生产里还可按权限裁剪、按需加载工具。模型读完就知道「哦,我有这几个工具、各自干啥」,然后在需要时输出一个「我要调用…

#Agent#Deep Research#项目实战

系统教程·AI 编程

从单 Agent 到 Coding Agent,它多了什么

匹配正文：…成第2篇的SDK和环境变量准备；仅使用专门的练习目录。 client = OpenAI(base_url=os.environ["LLM_BASE_URL"], api_key=os.environ["LLM_API_KEY"], timeout=30.0, max_retries=1) MODEL = os.environ["LLM_MODEL"] WORKSPACE = Path("coding-lab").resolve() WORKSPACE.mkdir(exist_…

#Agent#AI 编程

面试题·Agent

Function Calling 有了 JSON Schema，为什么工具参数还是会错？

匹配正文：…程序若看到 Schema 校验通过就直接执行，越权访问、重复写入、资源消耗和错误证据都会进入真实系统。所以面试官问“怎样保证工具调用参数正确”时，真正想听的是： JSON Schema 能约束什么、不能约束什么，参数在执行前要经过哪些校验，错误怎样修复，工具版本和兼容性怎样管理，以及如何证明 Schema 改动真的提高了成功率而没有引入新误用？ Function Calling 解决了哪一类问题？文本标签方案常让模型输出：调用 search，参数是某个关键词。程序还要用…

#Deep Research#研究工具与稳定性#Function Calling 参数校验

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：…有什么不同？是不是把所有消息都存进向量库就行？” 这道题最容易把三个概念混在一起：上下文、任务状态和长期记忆。上下文是当前这次模型调用能看到的内容；任务状态记录同一次执行进行到哪里；长期记忆保存跨会话仍有价值的事实、偏好或经验。它们都让系统“记得”，但生命周期、存储方式、读取策略和安全边界不同。短任务通常重视当前目标、最近对话、计划和工具结果，重点是选择哪些信息进入有限上下文。长任务除了工作记忆，还要持久化进度、压缩中间产物、处理恢复与版本。跨会话长期记忆则需要写入筛选、检…

#Agent#记忆与存储#Agent 长期记忆设计

面试题·Agent

一次 Deep Research 到底花了多少钱，为什么只看总 Token 找不到成本黑洞？

匹配正文：Deep Research 的成本不是一次模型调用的账单。一个任务可能经过多轮模型推理、搜索 API、网页访问、计算、重试、摘要、状态存储和结果传输。某次成本异常，原因可能是上下文越来越长，也可能是工具超时触发重试，或者缓存没有命中。如果监控只有“今天用了多少 token”，团队只能看到总额上涨，却不知道哪个租户、哪类问题、哪一步、哪个模型或哪个工具造成了变化。相关工程材料提出全链路指标、结构化日志、成本趋势与异常告警。真正落地还需要把每项消耗关联到任务 Trace 和…

#Deep Research#上线成本与评估#Deep Research 成本

面试题·Agent

Agent 线上答错一次，怎样用 Trace 和 Replay 定位到底哪一步坏了

匹配正文：…tate 的完整副本。只记录定位与回放所需信息，避免两套事实源长期漂移。 Replay 不等于原样重跑模型有随机性，外部网页和 API 会变化，即使相同输入也未必得到同一输出。真正可用的回放至少分三种。第一种是记录回放。复用历史模型输出和工具 Observation，只重跑状态机、解析、合并、验证和最终组装。它适合定位代码逻辑与状态错误，结果最可重复。第二种是受控重放。固定 Prompt、模型路由、工具 Schema、随机配置和输入快照，重新调用模型或只读工具，比较与历…

#Agent#多智能体与评估#Agent Trace 回放

面试题·Agent

Agent 怎么评估才不只看最终答案？任务、执行轨迹与成本要分层验收

匹配正文：…检查规划、工具选择、参数、Observation 使用、失败恢复、停止条件和权限，不依赖隐藏思维文本；成本层记录模型 Token、调用次数、工具与执行资源、端到端时间。评测集覆盖正常、歧义、工具失败、冲突、权限和长任务，用规则、LLM Judge 与人工抽检组合评估。安全与关键事实设硬门禁，质量和成本看分层指标及 Pareto 权衡。每次版本固定配置、多次运行、按场景切片，并把 Badcase 回流到数据和系统修复。最重要的是让评估指出具体薄弱环节；一个好看的总分如果不能定…

#Agent#多智能体与评估#Agent 评估体系

面试题·模型架构· 美团

MoE 怎么提升 Agent 能力?

匹配正文：先区分两种“专家” 1. 模型内部的稀疏MoE 在Agent使用的LLM内部，router按token选择少量FFN专家。它可以在总参数较大时控制每token激活FLOPs，但端到端收益还受all-to-all通信、负载不均、batch与硬件影响。专家是由训练目标共同学出的子网络，不保证自然对应“金融、代码、API”等人类可命名领域。对Agent的价值是：多轮规划、工具调用和反思会多次调用模型，若MoE后端在目标硬件上有更好的质量/成本曲线，总调用成本可能下降。但稀疏FLO…

#MoE#Agent#动态路由

面试题·推理优化· 商汤科技

工程化核心目标是什么?

匹配正文：…，通过连续批处理、前缀/KV cache、路由、量化与 autoscaling 优化，同时做质量回归。Toolformer 是训练语言模型决定何时、如何调用 API 并利用结果的方法，不是运行时热插拔插件架构。生产工具系统仍需 schema 版本、权限、超时、幂等、沙箱、审计和回滚。

#大模型工程化#系统架构设计#推理优化

面试题·模型架构· 百度

LayerNorm 前向实现：数值稳定性陷阱

匹配题目：请手动实现Layer Normalization（层归一化）的前向传播过程，要求使用Python和NumPy编写代码，不调用高级框架API，并解释其实现细节和数值稳定性处理方法。

#Layer Normalization#数值稳定性#前向传播

面试题·Agent· 字节

Agent 技术演进与挑战?

匹配正文：…需求理解、代码生成、测试调试豆包MarsCode 三、关键挑战可靠性规划错误：任务拆解不合理导致执行失败工具选择失误：选错API或参数格式错误安全性权限边界：Agent越权访问敏感数据提示注入：恶意指令劫持Agent行为可控性执行过程黑盒，难以审计和回滚成本不可控：复杂任务触发大量LLM调用四、未来潜力短期（1-2年）：垂直场景的深度封装，如"一键生成周报"类确定性工作流中期（3-5年）：人机协作模式成熟，Agent作为"数字员工"承担完整业务流程 …

#字节#Agent#Agent 发展趋势

面试题·Agent· 百度

Agent 组件如何协同完成复杂任务?

匹配正文：…话上下文、任务状态滑动窗口、摘要压缩长期记忆用户偏好、历史经验、领域知识向量数据库（如Milvus）、知识图谱 3. 工具调用（Tool Use）流程：LLM生成结构化调用指令 → 解析执行外部API → 结果回填上下文关键：Function Calling机制让模型学会"何时调用、传什么参数" 4. 执行与反馈（Action & Reflection）执行工具后，观察结果，判断任务是否完成反思机制：失败时回溯原因，重新规划（如Reflexion框架）协同示…

#百度#Agent#Agent 工作原理

面试题·Agent· 阿里

Agent 外部工具怎么集成?

匹配正文：…异常兜底 → 物流接口超时 → 返回"已发货，预计3天送达"（基于订单时间估算）核心权衡：工具粒度（细粒度灵活 vs 粗粒度减少调用次数）需根据延迟要求和LLM能力动态调整。学习建议建议从API设计原则入手，学习REST/gRPC接口规范，掌握JSON Schema参数校验，理解异步任务调度与重试机制，结合LangChain等框架实践工具集成案例。

#阿里云#Agent#Agent 工具集成

面试题·Agent· 百度

Agent 组件如何实现自主决策与学习?

匹配正文：…经验、用户偏好、领域知识向量数据库（如用embedding存成功案例）工作记忆当前步骤的中间结果显式的状态变量 3. 工具调用（Tool Use） Function Calling：LLM生成结构化参数调用外部API（搜索、计算、数据库等）工具选择：根据任务意图匹配最优工具（需工具描述prompt）结果解析：将工具返回的非结构化数据转为LLM可理解的上下文 4. 执行与反馈（Action-Feedback Loop）观察环境 → 规划决策 → 执行动作 → 获取…

#百度#Agent#Agent 工作原理

面试题·Agent· 百度

Agent 核心模块怎么协同?

匹配正文：…缓存、摘要压缩长期记忆用户偏好、历史经验向量数据库存储+检索工作记忆任务执行中的中间状态结构化变量/数据库 3. 工具调用（Tool Use）职责：扩展LLM能力边界 Function Calling：LLM生成结构化参数，调用外部API（搜索、计算、数据库等）工具注册：通过Schema描述工具功能，让LLM自主选择并行调用：复杂场景支持多工具同时执行 4. 执行反馈（Feedback）职责：闭环优化与错误恢复观察（Observation）：工具返回结果…

#百度#Agent#Agent 工作原理

面试题·Agent· 百度

Tool Use 实现方法有哪些?

匹配口述回答：这道题其实是在问，怎么让大模型不光能聊天，还能实际操作外部系统，比如查数据库、调API。我拆开说一下几种主流做法，以及我实际落地时怎么选。先说最成熟的，原生[[Function Calling]]。像OpenAI、Claude这些平台直接内置了，模型在训练阶段就学过输出结构化JSON，推理时你传个tools参数，它能自主决定什么时候调用，返回格式固定。这个方案的优点是准确率高，多轮对话里也能记住上下文。但前提是你得依赖平台，模型决策是个黑盒，你不知道它为什么选这个工具。所以…

#百度#Agent#Tool Use 实现方法

面试题·Agent· 百度

Tool Calling 决策机制与执行流程

匹配追问：场景切入假设你正在做一个智能客服，用户说'帮我查下订单'，然后模型要调用订单查询API。你怎么让模型知道它能用哪些工具、什么时候该调用、以及怎么输出调用参数？层层追问大模型是怎么跟外部工具配合的？……那它怎么决定要不要调用？……如果调用了，返回的结果怎么再喂给模型？整体的执行流程你画一下？直球架构请你讲讲大模型工具调用的常见架构，包括输入输出格式怎么设计、调用决策是隐式还是显式的，以及整个执行流程是怎样的。

#百度#Agent#Tool Calling 架构

面试题·Agent· 腾讯

Agent 核心定义与关键能力

匹配正文：…性说明规划与推理能力的重要性提及记忆机制（短期/长期）强调与环境/外部系统的交互闭环 Agent的核心定义 Agent = 大模型 + 工具 + 规划 + 记忆 + 环境交互传统模型是被动响应器：输入→推理→输出，单次调用即结束。 Agent是自主行动体：能持续与环境交互，通过多轮决策完成复杂目标。关键能力（vs 传统模型）能力说明工具调用主动调用API、数据库、计算器等外部工具，突破模型参数知识边界规划与推理将复杂任务拆解为多步骤，动态调整执行路径（如…

#腾讯#Agent#Agent 定义

面试题·Agent· 美团

Function Calling 怎么解析用户指令?

匹配题目：请解释大模型中function calling功能是如何解析用户自然语言指令并映射到具体函数调用的技术原理

#美团#Agent#Function Calling 原理

面试题·Agent· 百度

Agent 规划记忆工具分工

匹配正文：… 系统Prompt + 多轮对话历史长期记忆跨会话知识积累向量数据库存储 + RAG检索 3. 工具模块（Tools）扩展LLM能力边界：计算器、搜索引擎、API调用、代码执行器等核心机制：Function Calling，模型输出结构化JSON决定调用哪个工具工具描述需包含：功能说明、参数Schema、返回值格式 4. 行动模块（Action）执行规划结果，调用工具并获取反馈形成观察→推理→行动的闭环循环支持多轮迭代直到任务完成或达到终止条件系统工作流程…

#百度#Agent#Agent 规划记忆工具分工

面试题·Agent· 商汤科技

Tool Calling 失败处理

匹配追问：场景切入假设你做一个智能客服，用户问“帮我查下天气”，然后又说“再帮我定个闹钟”。你怎么让模型知道第一个请求要调用天气API，第二个要调用闹钟工具？而且参数怎么传？层层追问大模型在对话中如果要做个计算或者查个数据库，你一般怎么让它调用外部工具？……那模型怎么知道该调哪个工具？……参数怎么保证格式正确？……如果工具调用失败了怎么办？直球架构详细讲讲大模型tool calling的整体流程：从用户输入到工具执行再到最终回复，你怎么做工具注册、意图识别、参数生成和结果回填…

#商汤科技#Agent#Tool Calling 失败处理