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· 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· 百度

LLM Agent组件有哪些功能?

匹配正文：…作用：打破上下文长度限制，实现个性化服务 3. 工具模块（Tools）外部能力接口：搜索引擎、代码解释器、数据库、API等通过Function Calling或Tool Learning实现标准化调用关键：工具描述（description）要清晰，让模型知道何时调用哪个 4. 执行与反馈模块（Action/Execution）执行工具调用，获取Observation（观察结果）将结果反馈给LLM，进入下一轮推理循环终止条件判断：任务完成或达到最大迭代次数典型协作…

← 上一页第 4 / 4 页

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#Agent#Agent 系统组件

面试题·Prompt· 美团

ReAct 框架怎么实现推理+行动?

匹配口述回答：…告诉模型输出格式，比如Thought、Action、Observation各占一行，不然模型容易混。这个Prompt设计其实和[[Function Calling]]有联系，我倾向于把工具描述写得足够清晰，让模型知道什么时候该用什么工具。所以总结一下，我更倾向把ReAct看作一种让模型行为可解释、可干预的框架，而不是一个黑盒。它牺牲了一点效率，换来了更好的可控性和可追溯性，这在客服、金融、医疗这些对合规要求高的场景里特别重要。 ReAct本质是让模型边想边做，不是先想再做 …

#美团#评估与监控#Agent

面试题·Prompt· 百度

AI Agent 三大组件原理

匹配口述回答：…CoT]]思维链也可以结合进去，让模型在thought字段里做逐步推理。再说工具调用。光会规划没用，得能真正干活。这里我采用[[Function Calling]]这种标准化协议，每个工具都要定义好名称、描述和参数Schema，用JSON Schema描述。模型根据用户意图和当前状态，生成一个函数调用请求，系统路由到对应的函数去执行，比如查数据库、发API请求，然后把结果返回给模型继续决策。这里有个坑：工具的描述必须清晰准确，否则模型可能选错工具。另外，工具返回的结果也可能…

#百度#Agent#AI Agent 设计

面试题·RAG

LLM 封闭标签方法对比

匹配口述回答：…商客服的退款原因分类；响应目标与可达延迟要在实际模型、硬件和负载下验证。实际落地我很少只用一种方案，往往是组合使用。比如主链路用Function Calling，因为它兼顾了可控性和灵活性，strict工具模式本身可能已使用约束解码，关键路径还要做失败分支和业务校验，避免重复堆叠同一机制。或者对于一些高频但简单的分类，我会用微调好的小模型，只有复杂情况才调大模型。这里有个坑，就是大规模枚举可能触及具体API的schema限制、编译成本或分类难度。strict正常完成时不应…

#封闭集合分类#约束解码#LLM 封闭标签方法对比

面试题·Agent· 美团

ReAct与Plan-and-Execute 上下文管理差异?

匹配口述回答：…en消耗和重试次数，如果重试超过两次，就切回人工兜底。不过话说回来，现在还有一种思路是让模型自己决定什么时候切换框架，比如用[[Function Calling]]触发计划的重新生成。这个方向我觉得挺有意思，但还没看到特别成熟的方案，可能是个值得探索的点。所以我的判断是，ReAct和Plan-and-Execute不是二选一，而是根据任务可预估程度和步骤数来选。我更倾向以Plan-and-Execute为骨架，ReAct做局部微调，同时做好上下文管理和重试兜底。一句话定…

#美团#Agent#ReAct vs Plan-and-Execute

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· 百度

多 Agent 协同为什么必要?

匹配口述回答：…：任务简单或子任务耦合紧密时，单Agent加工具调用更优。面试官可能追问多Agent的通信开销和一致性难题，以及和单Agent加Function Calling的边界选择。

#百度#Agent#多 Agent 协同

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·知识图谱· 海尔

数据/架构/推理/工具怎么选?

匹配口述回答：…如金额、日期、法律条款，可以直接调搜索引擎、数据库或者代码执行器来验证。比如在金融风控场景，模型生成一个合同条款，我会让它通过[[Function Calling]]去调用底层的合规数据库，返回真实条文。这相当于给了模型一个“查字典”的能力。但工具调用也有前提，就是工具的接口要稳定、返回要可靠，否则工具本身出错反而引入新幻觉。说到这，其实有个很有意思的点：RAG 和微调在缓解幻觉上的边界在哪？比如知识频繁更新的场景，RAG 明显更灵活；但如果是模型对某个领域的常识性错误，比…

#海尔#幻觉治理#大模型幻觉缓解

面试题·知识图谱· 海尔

训练/推理/外部知识怎么选?

匹配口述回答：…信息”，而不是瞎编。 [[Knowledge Graph]] 适合复杂推理，比如“这个客户和哪个供应商有纠纷”，需要多跳验证。[[Function Calling]] 对时效性信息很有效，比如查实时库存、天气，直接调 API。说到这，有个有意思的点：很多人觉得 RAG 和微调是二选一，但我实际做下来，两者结合效果更好。微调让模型学会正确使用检索结果，RAG 提供实时知识，但怎么平衡两者权重是个开放问题。比如微调后模型可能太依赖参数知识，忽略检索结果，这个现象叫“知识冲突”。…

#海尔#外部知识集成#大模型幻觉

面试题·多模态· 字节

Agent 优势与局限怎么分析?

匹配口述回答：…加在一起，让 Agent 从问答工具变成了执行者。但这里有个大坑，就是可靠性会级联放大。你第一步规划错了，后面全崩。比如 [[Function Calling]] 时参数格式写错，JSON 里多了一个逗号，整个工具调用就失败，而且 Agent 可能自己不会修，直接卡死。再一个，延迟和成本是硬伤。一次任务可能要调 LLM 三四次甚至更多，每次几百毫秒，加上外部 API 耗时，响应轻松过秒，用户体验很难受。成本上，Token 消耗随着步骤指数增长，商业化场景下很难承受。还有一…

#字节#Agent#Agent 优势与局限

面试题·Prompt· 字节

Agent架构设计原则？

匹配口述回答：…探索，但真正落地时我一般混着用，根据任务复杂度动态切换。接着是执行层，它负责调用工具。我会维护一个工具注册中心，每个工具用 [[Function Calling]] 的规范描述，包括参数Schema、示例值。执行器支持并行或串行调用，有超时重试机制，结果解析后返回给规划层。这里有个坑：工具调用失败是常见失败场景，比如接口超时、返回格式不对，我会设计重试策略和降级方案，比如重试三次后尝试简化版本。最后是记忆层，分短期和长期。短期记忆就是当前对话的上下文窗口，长期记忆用 [[…

#字节#Prompt工程#Agent

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

面试题·Prompt

封闭标签分类如何约束解码?

匹配口述回答：…动态变化时，比如电商大促临时加活动标签，怎么让约束解码或Logit Bias能热更新，而不需要重新部署模型。这块其实可以结合 [[Function Calling]] 的思路，把类别列表当成外部工具来调用。所以整体来看，我会把约束解码看成最终保底方案，具体选型要依据所用接口与独立题集；验收用精确成员检查，同时记录拒答、截断和合法标签内的语义错误。本质是让大模型做受限选择，核心在平衡可控与灵活直接提示和CoT适合简单场景，但工业落地不够稳 Logit Bias只调整tok…

#Logit Bias#约束解码#封闭集合标签分类

面试题·Prompt· 字节

Policy 模型错误决策怎么防?

匹配口述回答：…式都测一遍，比如输出格式对不对、工具调用参数合不合法。然后上仿真沙箱，模拟真实交互，验证工具调用链是不是完整，这一步特别适合 [[Function Calling]] 场景，比如让模型调库存查询API，得确保参数传对了。最后是小流量在线A/B测试和影子模式，在真实流量里跑，看有没有回归。红队测试不能省，人工攻击总能发现自动化测试漏掉的问题。约束阶段，说白了就是硬边界兜底。我会用规则围栏，比如正则或模板校验输出格式，拦截非法Prompt结构。工具调用走沙箱，敏感操作比如写数据…

#字节#Agent#Policy 模型

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· 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· 快手

Agent 系统实现流程与核心组件

匹配口述回答：…要注意，线上系统不能让模型无限循环，必须有最大步数、最大 token、最大耗时这些限制。行动模块就是工具调用。工具一般通过 [[Function Calling]] 或类似机制暴露给模型，每个工具都有 name、description、parameters schema。模型生成调用请求后，框架负责解析、校验、鉴权、执行，再把结果作为 observation 返回。这里我会特别重视安全和稳定性，比如参数范围校验、工具权限分级、超时熔断、失败重试和审计日志。记忆模块分几类。…

#快手#Agent#Agent 系统实现

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：…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