匹配口述回答：…n-of-Thought]]或者[[ReAct]]把大任务拆成子步骤；记忆分短期上下文和长期向量记忆，能跨会话保持状态；工具靠[[Function Calling]]对接外部API、数据库、计算资源；行动就是执行工具并观察结果，形成闭环。这个架构最大的好处是自主性和适应性。比如智能客服场景，用户说“我订单没收到”，Agent能自动判断是先查物流还是查订单状态，还是直接转人工。它不像传统流程树那样固定死，而是根据中间结果动态调整下一步。另一个例子是数据分析Agent，你给它一个…

#字节#Agent#Agent 系统优缺点

面试题·评估· 滴滴

Agent 技术实际有效性怎么评?

匹配正文：…（幻觉、规划失败、成本）给出实际落地建议一、Agent技术有效性：理性看待当前真实状态 Demo惊艳，落地困难：ReAct、Function Calling等模式在可控场景有效，但复杂任务成功率仍低（公开评测约30-60%）核心瓶颈：LLM的规划稳定性不足，幻觉导致工具参数错误，长程任务易偏离目标有效场景：单步工具调用、有明确SOP的流程、人机协同模式与宣传的差距 AutoGPT早期"全自动完成任意任务"的愿景已被证伪当前共识：Agent = LLM + 工程约…

#滴滴#Agent#Agent 技术评估

面试题·评估

LangChain vs AutoGPT vs MetaGPT 怎么选?

匹配口述回答：…问题很难调试。而且它是Python同步的，性能上是个瓶颈。真正落地的时候，我通常只拿它做快速验证，生产环境反而倾向于用轻量的[[Function Calling]]或者自研状态机，更可控。再说AutoGPT。它的思路是端到端自主：给一个目标，它自己分解、执行、反思、循环。听起来很酷，但实际落地风险非常大。最大的问题是[[Hallucination]]会累积，越跑越偏，而且很容易陷入死循环。举个例子，你让它写一个客服退款流程，它可能第一步去查API文档，第二步生成代码，第三…

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#AI Agent 框架对比#LangChain vs AutoGPT

面试题·评估· 美团

Agent 外部工具怎么封装?

匹配口述回答：…代码怎么写，而是怎么设计一套机制，让LLM能准确理解工具该什么时候用、参数怎么填、出错了怎么兜底。先说工具定义。我会用统一的[[Function Calling]] Schema，比如OpenAI那个格式。关键不是写JSON，而是描述要足够明确。举个例子，一个天气查询工具，city字段描述成"城市名称"没问题，但最好写"比如北京、上海"，因为LLM对实例的理解比抽象描述好。参数要标注哪些必填、哪些可选，格式也写清楚，比如日期用YYYY-MM-DD。再讲封装。我会定义一个抽…

#美团#评估与监控#Agent

面试题·Agent

什么是 AI Agent?和聊天机器人有什么区别?

匹配正文：…用某个工具）→ Observation（观察工具返回结果），带着新信息进入下一轮，直到目标完成才输出最终答案。入门之后，可以往 Function Calling 机制、记忆与规划模块、多 Agent 协作与可靠性评估深入。

#入门#基础概念#Agent

面试题·Prompt· 百度

大模型智能体系统架构设计思路

匹配口述回答：…败。所以我加了反思机制：执行后自我评估，失败就重规划，并设置最大迭代阈值防止死循环。执行层是工具调用的沙箱。我会用标准化的 [[Function Calling]] 接口，工具注册中心管理所有工具的 Schema。工具调用必须隔离执行，加超时控制和权限分级。比如企业 SOP 文档查询，只允许读操作，不允许改数据库。工具调用的权限白名单是安全底线，上线前必须审计。记忆系统我分成短期和长期。短期用 [[Sliding Window]] 保存对话上下文；长期用[[向量库]]加结…

#百度#Agent 系统架构#大模型智能体设计

面试题·Prompt· 阿里

Agent推理链路Prompt优化评估指标

匹配口述回答：…数传对了没有；还有结果一致性，同一个用户问同一个问题，输出不能今天行明天不行。接着说推理质量指标，重点关注工具调用准确率，比如[[Function Calling]]的参数格式、字段值对不对，还有Hallucination比例，Agent自己编了个退款原因就很麻烦。再补充效率和成本，包括Token消耗和延迟，如果为了提升成功率把Prompt写得特别长，导致每次调用多花50%的Token，那业务上不一定划算。具体说一下实验方法。一个靠谱的做法是：先固定模型版本、温度参数、工具…

#阿里云#Prompt工程#评估与监控

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配口述回答：…效沟通基础技巧：Zero-shot/Few-shot和角色设定推理增强：CoT和ToT的适用边界 Agent模式：ReAct和Function Calling落地选型取舍与风险约4分钟 Self-Consistency 和多路径集成在CoT基础上进一步提升可靠性，但成本翻倍，适合高容错场景。面试官可能会追问Self-Consistency的具体实现、采样次数如何选择，或者与Beam Search的区别。

#小红书#提示工程方法#Prompt 技术

面试题·RAG· 字节

大模型输出怎么检测和过滤?

匹配口述回答：…束要强，校验要分层，异常要有预案，最后用数据反哺。这样上线我才放心。本质定位：输出质量是系统最后一道防线源头控制：结构化约束与Function Calling 多层级校验：语法、语义、业务三层过滤异常处理与降级：重试、兜底、人工反馈闭环与持续优化约4分钟输出质量校验与模型自检能力的结合面试官可能追问：Self-RAG 或 Self-Refine 的实现细节、延迟成本权衡、适用场景

#字节#大模型输出过滤#大模型输出检测

面试题·RAG

LLM 封闭标签方法对比

匹配口述回答：…en就使同一已生成前缀的KV Cache失效。它新增的是文法编译、解析状态和token掩码计算开销；若采用回滚或跳跃生成，再按引擎实现核对缓存更新，不能笼统说一定破坏KV Cache。所以整体上，我更倾向于把Function Calling作为默认方案，然后根据业务场景的延迟和准确率要求，决定要不要加约束解码或者微调。没有银弹，就是权衡。本质问题：如何让生成模型变成分类模型方案一：提示工程，快但不可靠方案二：Function Calling，生产首选方案三：约束解码…

#封闭集合分类#约束解码#LLM 封闭标签方法对比

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配口述回答：…钟复杂推理场景下，单次RAG不够，需要用Agentic RAG让模型自主决定多次检索。面试官可能会追问Agentic RAG的实现方式、与ReAct或Function Calling的关系，以及如何控制成本和避免检索爆炸。

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：…用户问“今天有什么优惠”，模型还是拿昨天的政策回答。所以对于高频变化的数据，比如库存、价格，我会用 [[Agent]] 配合 [[Function Calling]] 实时查数据库，而不是走静态索引。还要看查询改写成本：用户 query 经常很短或者有歧义，比如“怎么退”，需要先让模型扩写成“退货流程是什么”，但这会多一次 LLM 调用，延迟和成本都要考虑。其实 [[Naive RAG]] 和 Advanced [[RAG]] 的核心区别不在于索引，而在于检索策略。比如 […

#美团#RAG架构#RAG 系统架构

面试题·Agent· 阿里

Agent 外部工具怎么集成?

匹配口述回答：…生成的参数进系统前就能校验。这里有个坑：LLM输出不总是合法的JSON，所以我会做双层校验。第一层在prompt里约束，甚至用[[Function Calling]]或者Outlines这种约束解码库，保证LLM直接输出结构化参数；第二层用Pydantic做运行时校验，类型不对或者缺字段，立刻给LLM一个明确的错误信息让它重试。再一个就是调用机制和执行调度。不同工具延迟不一样，不能一刀切。实时查询，比如查用户信息，我就用同步调用加超时控制，一般设5秒；长耗时任务，比如生成报…

#阿里云#Agent#Agent 工具集成

面试题·Agent· 淘天

LangChain vs LlamaIndex vs AutoGPT 架构差异?

匹配口述回答：… 约4分钟 MCP 协议可能抹平框架间的工具集成差异，选型会更聚焦在状态管理和执行模型上。面试官可能会追问 MCP 的原理、与 Function Calling 的区别，或者问我是否实践过 MCP。

#淘天#Agent#Agent 框架对比

面试题·Agent· 淘天

LangGraph 状态机与场景

匹配口述回答：…ent之间的空白。真正落地时，我常常把LangGraph和别的方案混用，比如用LangGraph做控制流，但具体工具调用还是走[[Function Calling]]。落地时有个前提：你的状态设计必须清晰，否则全局状态会变成一个大杂烩，节点之间耦合严重。常见失败场景就是状态里塞了太多临时变量，导致条件路由逻辑爆炸。我会特别关注状态的结构化，把持久化数据和临时数据分开。另外，checkpoint虽然好用，但写频繁了性能会下降，所以要控制state体积，按框架保存语义、存储I/…

#淘天#LangGraph 状态机与场景#LangGraph 适合什么场景？状态机与复杂工作流

面试题·Agent· 快手

Agent 框架 vs LLM 怎么选?

匹配口述回答：…实时查询，也没法记住之前说了什么，你问它“刚才那笔订单退款到哪了”，它只能瞎编。而Agent通过工具调用突破了这个边界，比如用[[Function Calling]]调一个退款状态查询接口，拿到的结果是可验证的。所以两者的边界很清楚：纯LLM适合单轮、知识型的问答，比如“解释一下什么是量子计算”；Agent适合多步、需要跟外部系统交互的任务，比如自动化客服退款流程。真正落地的时候，往往是LLM+Agent一起上，LLM负责推理和生成，Agent负责调度和执行。举个例子，电商…

#快手#Agent#Agent 框架

面试题·Agent· 淘天

LangChain vs AutoGPT vs BabyAGI 怎么选?

匹配口述回答：…着来。举个例子，做一个电商售后的智能体。核心流程，比如退款、换货、查物流，这些确定性高的环节，我用 LangChain 把 [[Function Calling]] 和 [[ReAct]] 串成固定链路，出错了可以精准定位到哪一步。但是当用户投诉说「商品和描述不符，我要投诉」，这就不是固定流程能搞定的了，需要 Agent 自己去翻聊天记录、查评价、对比商品页，这时候我会在 LangChain 的某个节点里嵌一个 AutoGPT 风格的子循环，让它自主探索，但给个时间预算和结…

#淘天#Agent#LangChain vs AutoGPT

面试题·Agent· 美团

Agent工具定义、注册与安全控制有哪些？

匹配口述回答：…执行，最后怎么做安全控制。核心原则是，模型可以决定“想调用什么”，但不能绕过后端的校验、权限和执行边界。工具定义上，一般用 [[Function Calling]] 或兼容的 JSON Schema。一个工具至少要有 name、description、parameters 和返回格式。name 要稳定，description 要写清楚适用场景，parameters 里要定义类型、必填字段、枚举值、最大最小值。比如搜索工具的 limit 不能让模型随便传 10000，数据库查…

#美团#Agent#Agent 工具设计

面试题·评估· 得物

Agent部署关键环节与陷阱

匹配口述回答：…OpenAPI Schema 描述，包括 description、parameters、required 字段，LLM 通过 [[Function Calling]] 理解怎么调。执行时走异步 RPC 或 HTTP，超时默认 5 秒，可配置。敏感操作比如转账或删除，需要人工确认节点。版本管理上，工具升级时双版本并行，灰度切换流量，防止新版本出问题影响全量。上下文管理这块，我会用 Redis 存活跃 session，TTL 设 30 分钟，MySQL 持久化历史。key 设计…

#得物#Agent#Agent 系统部署

面试题·评估· 快手

Chain/Agent/Tool 怎么分工?

匹配口述回答：…速原型用LangChain，生产环境谨慎评估约4分钟 LangChain的Agent依赖模型推理能力，模型弱时容易跑偏，可考虑用Function Calling或退化为Chain 面试官可能会追问Function Calling的实现细节，或者LangChain与LlamaIndex在RAG场景下的对比

#快手#评估与监控#Agent

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配口述回答：…倾向Agentic RAG和轻量级初分约4分钟意图识别与外部工具联动时，如何保证调用链路的可靠性和延迟控制。面试官可能会追问Function Calling的具体实现、错误处理策略，或者延迟优化方法。

#OPPO#RAG 意图识别#RAG

面试题·Prompt· 字节

Agent 能力怎么系统提升?

匹配口述回答：…支持异常回滚，规划层能根据中间结果调整路径。再说工具集成。这不是简单写几个API调用，而是要让Agent动态选择工具。我会用[[Function Calling]]加工具描述标准化，比如OpenAPI规范，让模型理解每个工具能干什么、有什么限制。动态选择时，不是穷举所有工具，而是先检索再匹配，减少决策空间。工具执行必须跑在沙箱里，权限分级，防止Agent生成恶意代码或越权操作。上线我会特别关注工具[[幻觉]]，就是Agent虚构不存在的工具或参数，得加结果校验，发现异常直接…

#字节#百度#评估与监控

面试题·Prompt· 美团

LangGraph 多轮对话优势在哪?

匹配口述回答：…常是LangGraph做框架，手写做定制，比如用LangGraph搭主流程，但一些特殊节点，像意图分类精度不够时，我会手写一个[[Function Calling]]来兜底。另外，上线前我会特别关注图里的循环会不会死锁，或者状态会不会越积越大，得设个最大轮次限制。所以我会把LangGraph看成对话管理的脚手架，它帮你搭好骨架，但血肉还得自己填。我更倾向用它来处理复杂多轮对话，而不是所有场景无脑上。说到这，其实还有个有意思的点：LangGraph的图结构虽然好，但一旦节点…

#美团#Agent#LangGraph 多轮对话

面试题·Prompt· 字节

Agent 系统架构与 Prompt 设计原则

匹配口述回答：…验。再说Prompt设计。我会用结构化模板，固定角色定义、任务目标，动态塞工具描述和[[Few-shot]]示例。工具描述用[[Function Calling]]的Schema格式，每个工具写明description、parameters、required。输出强制JSON格式，预留thought字段暴露推理过程，这样出了问题能回溯。一个常见的坑是工具列表太长，上下文窗口被无关工具占满，LLM决策质量下降。所以我上线前会做工具按需加载，根据当前任务只加载可能用到的工具。…

#字节#Agent#Agent 系统设计