匹配追问：场景切入我看你做过电商客服，假设现在要开发一个自动回复退货政策的机器人，用户问‘我买的鞋子能退吗’，你准备怎么设计Prompt？除了你实际用过的，还有哪些Prompt优化方法可以提升准确率？层层追问你平时写Prompt一般怎么优化？……如果模型回答不够好，你会加例子还是改指令？……那如果任务需要模型一步步推理，比如解数学题，你了解哪些专门的方法？直球架构除了你实际使用的方法，你还了解哪些常见的Prompt优化方法？请列举并简要说明其原理和适用场景，比如结构化、示例驱…

#阿里#Prompt工程#Prompt 优化方法

面试题·模型架构· 字节

判别式转生成式有哪些方法？

匹配正文：常见转化方法必须分清训练方式 MLM cloze prompting：对BERT类masked LM设计含[MASK]的模板，并以verbalizer词表示类别；GPT类自回归模型没有同样的[MASK]预测接口。直接文本生成：把类别、匹配结果或结构化字段写成目标字符串，标签可以是ID、代码或自然语言，只要tokenizer和约束允许。 In-context learning：在推理上下文中放任务说明和示例，不做梯度更新。 Soft prompt/prefix tuning：…

#生成式建模#判别式转生成式#Prompt工程

面试题·Agent· 阶跃星辰

闲聊误判为工具调用怎么防?

匹配正文：答案要点明确区分闲聊与功能意图的判定标准提示工程中引入Few-shot示例和明确边界定义模型侧采用分类器或双模型架构后处理层设置置信度阈值和二次校验机制实际业务中结合上下文多轮判断核心思路本质是意图边界模糊问题，需在"能调"和"该调"之间建立多层过滤。一、模型设计层 1. 显式意图分类器在Function Calling前加二分类/多分类模块，输出chat/tool_call/uncertain三档可用轻量模型（如BERT级）或LoRA微调，降低主模型负担…

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

#介跃星辰#Agent#闲聊误判

面试题·Prompt· 百度

Agent系统架构怎么选？

匹配标题与标签：Agent系统架构怎么选？大模型 Agent 核心组件选型与架构实现,百度面试题详解 Prompt 百度评估与监控 Agent Agent 系统设计大模型 Agent 架构 Agent 核心组件百度

#百度#评估与监控#Agent

面试题·Prompt· 字节

Agent 能力怎么系统提升?

匹配标题与标签：Agent 能力怎么系统提升? 架构设计、工具集成、推理机制与学习方式 4 个维度 Prompt 字节百度评估与监控 Agent Agent 能力提升大模型 Agent 架构 Agent 工具集成 Agent 推理机制字节

#字节#百度#评估与监控

面试题·Prompt· 网易

无标注时怎么训练 CoT?

匹配标题与标签：无标注时怎么训练 CoT? 仅用分类标签设计提示策略,生成简洁有效思维链 Prompt 网易 Agent Chain-of-Thought 训练无标注 CoT 思维链提示策略网易

#网易#Agent#Chain-of-Thought 训练

面试题·Prompt· 阿里

JSON 输出怎么保证格式稳定?

匹配题目：在大模型应用中，如何通过提示词设计、约束解码或其他技术手段，确保模型稳定、可靠地输出符合指定格式的JSON结构？请系统阐述常用方法（如JSON模式提示、Schema约束、后处理校验等）及其适用场景、优缺点对比，并结合实际部署需求分析不同方案的稳定性与可行性。

#阿里云#Prompt工程#JSON 格式输出

面试题·Prompt· 阿里

怎么让模型稳定输出 JSON?

匹配题目：在大模型应用中，如何设计提示词或后处理机制以确保模型稳定地输出符合JSON格式的结构化内容？

#阿里云#大模型 JSON 输出#提示词设计

面试题·Prompt· 腾讯

Agent任务规划+工具调用原理

匹配正文：…/ Backtrack / Finish """ decision = self.llm.generate(reflection_prompt) return self._handle_decision(decision) 设计要点模块核心机制规划 LLM自主分解任务，每步生成Thought 工具调用结构化输出（JSON/特定格式）+ 动态路由反思结果验证 + 错误反馈 + 策略调整记忆滑动窗口上下文，关键信息摘要生产优化：工具结果缓存、并行工具调用、超时熔…

#腾讯#Agent#Agent 系统设计

面试题·Prompt· 字节

ReAct 架构原理与失败场景

匹配标题与标签：ReAct 架构原理与失败场景 Agent 中推理与行动循环的工作流程与优势解析 Prompt 字节百度 Agent ReAct 架构 Agent 设计推理与行动字节

#字节#百度#Agent

面试题·Prompt· 哔哩哔哩

CoT 提示怎么写?

匹配标题与标签：CoT 提示怎么写? 思维链模板、设计原则与推理提升机制详解 Prompt b站 Agent Chain-of-Thought 提示 CoT 编写方法思维链模板大模型推理能力哔哩哔哩

#b站#Agent#Chain-of-Thought 提示

面试题·Prompt· 百度

AI Agent 三大组件原理

匹配正文：…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（Planning） CoT（思维链）：让模型逐步推理，把复杂任务拆解为子步骤 ReAct：推理（Reasoning）+ 行动（Acting）交替进行，形成"思考→行动→观察→再思考"的循环实现要点：Prompt中嵌入示例，约束输出格式为结构化JSON（thought/action/observation） 2. 工具调用（T…

#百度#Agent#AI Agent 设计

面试题·Prompt· 阶跃星辰

ReAct 各模块输入输出是什么？

匹配正文：… 推理过程模型内部的思考文本，决定下一步行动 Observation 环境反馈工具执行后返回的外部信息，作为下一轮推理的输入提示词设计结构 [系统指令] You are an assistant that solves problems by thinking step by step. You have access to tools: {tool_names} [格式规范 - 必须严格遵循] Thought: [你的推理过程，分析当前状态] Action: [工具名…

#介跃星辰#Agent#ReAct 工作流程

面试题·Prompt· 美团

Agent 工具调用链路怎么搭?

匹配正文：答案要点工具描述Schema设计（OpenAI格式）意图识别与工具选择的Prompt工程参数提取的约束与校验机制 API执行的安全隔离与超时控制结果回传与对话上下文的维护错误分级处理与优雅降级策略完整工具调用链路设计 1. 工具注册与描述（前置层）每个工具按 OpenAI Function Calling Schema 注册：name/description/parameters(required字段) 关键：description要清晰说明工具能力边界，避免模…

#美团#Agent#LLM Agent 工具调用

面试题·Prompt· 字节

判别式转生成式模板怎么选?

匹配标题与标签：判别式转生成式模板怎么选? 前缀引导、指令、CoT 三种 Prompt 策略优劣对比 Prompt 字节生成式建模判别式转生成式 Prompt 模板设计 CoT 提示前缀引导自然语言指令字节

#字节#生成式建模#判别式转生成式

面试题·Prompt· 美团

Agent 四大基础能力详解

匹配标题与标签：Agent 四大基础能力详解感知、规划、记忆、工具调用等核心能力的作用与重要性 Prompt 美团评估与监控 Agent Agent 基础能力 Agent 系统设计 Agent 感知规划记忆美团

#美团#评估与监控#Agent

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配标题与标签：Agent 性能优化：架构与推理陷阱架构设计、推理策略、工具调用三大维度优化 Prompt 百度 Agent Agent 性能优化 AI Agent 架构 Agent 推理策略 Agent 工具调用百度

#百度#Agent#Agent 性能优化

项目实战·Agent

第 5 章:训练数据构造,种子 → 轨迹 → 增强

匹配正文：…🎯 完成后能力:讲清为什么 Agent 要专门构造训练数据,以及「种子 → 轨迹 → 增强 → 质检 → 格式」这条数据流水线的设计思路,并理解 Loss Mask、Agentic CPT 数据合成等关键概念 🔗 关联面试题:5 道(覆盖 5 个角度,见 Part 3) 🧭 这一章起,进入「训练」线:前四章把调研 Agent 的执行框架、工具、记忆搭好了,但模型「会不会做调研」很大程度由训练决定。要训练,第一步是先有数据。这一章讲数据流水线的设计思路:为什么这么做、每一…

#Agent#Deep Research#项目实战

面试题·RAG

Chunk 为什么要带标题、页码和前后片段 ID？

匹配正文：…，检查过滤是否生效、缺失上下文能否正确补回、引用能否打开原文，以及文档更新后旧位置和关系是否同步失效。一份字段清单本身还不能证明设计成立。面试官更关心每个字段服务哪个动作，字段怎样从解析一路传到回答，以及缺少它时系统具体会错在哪里。租户和文档授权，谁来强制执行？用户身份和当前租户成员关系由可信服务端验证，文档 ACL 从可信权限数据读取；用户自报的 tenant_id 或 Prompt 中的范围要求都不是授权证明。对受保护资料，应用与存储访问层必须逐请求强制检查候选资格…

#RAG#切分与索引#RAG Metadata

面试题·Agent

Deep Research 训练的种子问题从哪里来，怎样避免一开始就把数据做偏？

匹配正文：训练一个会搜索、访问、计算和综合证据的 Agent，要从一批值得研究的问题开始，不能跳过种子设计直接生成轨迹。这批问题就是种子数据。种子很小，却决定后面所有扩写、轨迹生成和训练的方向。如果种子九成是“搜一次就能回答”的事实题，后面即使扩成很多条，模型学到的仍然是默认 Search；如果种子都来自同一个领域或一种表达，模型换个对象就可能失效。更麻烦的是，真实日志、专家编写、公开数据和模型扩写各有偏差。日志贴近用户，但可能含隐私、噪声和现有产品偏见；专家题质量高，却容易从理…

#Deep Research#数据构造与训练#Deep Research 种子数据

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：面试官可能会问：“Agent 做一个十分钟任务和跨多天任务，记忆设计有什么不同？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…

#Agent#记忆与存储#Agent 长期记忆设计

面试题·RAG

RAG 引用怎么做到可核验？为什么让模型自己标来源不够？

匹配正文：…，引用怎样表示？文档更新和重新切分后，旧引用还能不能打开？引用为什么不是生成阶段临时加一下？引用链的起点在文档解析，而不是 Prompt。 PDF 在解析时不能只抽出一串纯文本。文字框、页面布局、表格和图片等内容经过处理后，还要保留页面与位置信息。Chunk 进入索引时，应该能回答它来自哪个文档、哪一页、哪个章节，以及原文在页面上的位置。这些 metadata 有不同职责。 doc_id 和 chunk_id 用来稳定识别内容。kb_id 用来限制搜索范围。章节标题和…

#RAG#生成与对话#RAG 引用溯源

面试题·RAG

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

匹配正文：…文档属于本次评测语料。第二步，建立主题清单。按目录、文档类型和用户任务列出需要覆盖的区域。第三步，收集问题。混合真实问法、人工设计与模型辅助生成。第四步，撰写参考答案或答案要点，避免加入证据外常识。第五步，标注支持证据。一个问题需要几段，就把几段都记录下来。第六步，标记题型、难度、是否可回答和风险类型。第七步，人工复核并版本化，保存每次修改原因。 RAG 评测集从知识范围到人工复核的链路问题生成只是中间一步，真正费工的是答案与证据校验、覆盖检查和版本管理。这里…

#RAG#评测与上线#RAG 评测集

面试题·RAG

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

匹配正文：…能假设单路一定能覆盖所有 Query，也不能隐藏本次降级状态。权限为什么不能在前端过滤？因为未授权内容已经进入后端候选、排序、Prompt 或缓存。权限必须在数据访问和检索条件中生效，前端只负责展示。怎么证明系统能扛住多少流量？用与真实请求结构接近的压测，报告硬件、数据规模、并发、TTFT、P95、P99、错误率和质量变化。没有压测记录时，只能说明扩展设计，不能承诺容量数字。架构变更还需要明确发布单元。解析器、Chunk 规则、Embedding、融合、Rerank…

#RAG#评测与上线#RAG 系统设计