匹配正文：答案要点明确列出Agent的4-5个核心组件（规划、记忆、工具、行动、感知等）每个组件的功能描述准确能说明组件间的协作关系提及主流架构模式（如ReAct、CoT）有实际框架或项目经验加分一个完整的AI Agent系统通常包含以下核心组件： 1. 感知模块（Perception）接收外部环境输入：用户query、多模态数据、工具返回结果等负责信息解析和预处理，转化为模型可理解的格式 2. 规划模块（Planning）任务分解：将复杂目标拆解为可执行的子步骤推…

#百度#Agent#AI Agent 核心组件

面试题·Prompt· 字节

Agent系统Prompt设计：架构与机制

匹配正文：…系统架构层面：四层分离设计感知层（Perception）统一输入网关：处理多模态输入、用户意图识别、安全过滤关键决策：是否走Agent链路 vs 直接回复（简单问答短路）决策层（Planning）核心模块：任务分解、工具选择、执行计划生成支持多范式：ReAct、Plan-and-Solve、Reflexion自我修正执行层（Action）工具注册中心：标准化Tool Schema（OpenAI Function格式）执行沙箱：超时控制、并发限制、结果缓存记…

#字节#Prompt工程#Agent

面试题·Prompt· 字节

Coding Agent 表现差怎么排查?

匹配正文：…差：修改A文件时忽略B文件的调用关系，导致回归错误语言/框架知识陈旧：训练数据截止导致的API变更、新特性不了解改进策略引入RAG检索相关代码片段和官方文档作为上下文增强针对特定技术栈做SFT或LoRA微调采用"plan-then-code"模式：先输出设计文档/修改方案，再生成代码二、工具调用层面核心问题参数格式错误：JSON schema理解偏差，特别是嵌套结构、可选字段工具选择失误：面对模糊需求时选错工具（如用文件读取替代代码搜索）执行环境隔离：Ag…

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

#字节#百度#Agent

面试题·Prompt· 美团

Agent 四大基础能力详解

匹配正文：答案要点能系统性地拆解Agent核心模块（感知、规划、记忆、工具、执行）能解释各模块在复杂任务中的协同关系能结合具体场景说明设计权衡（如记忆的长短、规划的深度）体现对ReAct、CoT等范式的理解智能Agent的底层能力可拆解为五个核心模块，形成感知→规划→执行→记忆→反思的闭环： 1. 感知（Perception）作用：接收多模态输入（文本、图像、API返回、环境状态），转化为结构化信息重要性：决策质量的"天花板"，感知偏差会导致后续全链错误。复杂任务中需支持…

#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

匹配正文：…深度工具层面：工具选择策略、并行调用、结果缓存与容错系统层面：延迟优化、成本控制和可观测性架构设计优化模块化与分层架构将Agent拆分为规划层、执行层、记忆层、工具层，降低耦合采用多Agent协作：主Agent负责任务分解，子Agent并行执行子任务，通过消息总线通信记忆机制设计短期记忆：对话上下文窗口管理，关键信息提取长期记忆：向量数据库存储历史经验，支持RAG式检索工作记忆：当前任务相关的临时状态维护推理策略优化推理范式选择 CoT（思维链）：复杂…

#百度#Agent#Agent 性能优化

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：一、整体架构：四层分离设计用户层 → 网关层（权限/审计）→ 编排层（Agent/Router）→ 服务层（检索+生成+知识管理）核心原则：检索与生成解耦、领域知识分层管理、全链路可追溯二、数据源与知识库构建层级内容处理方式更新频率权威库诊疗指南/法典/药品说明书结构化抽取+人工审核月度案例库判例/病例/专家经验向量化+元数据标注实时实时库最新文献/政策/新闻爬虫+轻量审核小时级关键处理：医疗：ICD编码对齐、药品相互作用图谱构建法…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：…多路召回融合上下文处理：Recomp压缩、选择性上下文适用：企业知识库、产品手册等噪声多、需精排的场景 3. Modular RAG（模块化/Agent化）架构：检索与生成解耦，支持多轮迭代、主动决策关键能力：模块功能检索器可切换（向量/图谱/搜索引擎）调度器判断是否需要检索、何时停止生成器支持Self-RAG（反思token）、FLARE（动态检索）代表：Self-RAG、ReAct、RAG-Fusion 适用：科研分析、多跳推理、开放域复杂任务 …

#淘天#RAG架构分类#RAG 分类

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…LM自主决定下一步检索什么检索次数通常1-2次数十次甚至上百次输出形态直接回答结构化研究报告（带引用）技术原理差异 RAG 架构：Retriever → Reranker → Generator 检索策略：向量相似度匹配，依赖静态索引关键优化：分块策略、重排序、Hybrid Search Deep Research 架构：Planning Agent + Tool Use + Memory 核心机制：动态生成子问题（Decomposition）基于中间结果…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…核心权衡：记忆容量↑ → 噪声↑ → 需更精密的过滤与排序机制。学习建议建议先掌握向量数据库和Embedding基础原理，结合RAG与Agent实战案例理解记忆机制设计，多动手实践检索优化与相似度评估。

#高德#重排与优化#文档处理

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…新，需增量索引+版本管理幻觉与归因：模型不看检索内容瞎编，需强制引用溯源多跳推理：复杂问题需多次检索，引入ReAct/ToT等Agent架构实际落地中，检索质量决定RAG上限，建议先做检索评测（Recall@K、MRR）再优化生成。

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：答案要点识别RAG在检索质量、生成整合、知识边界三方面的核心局限能分析检索噪声、语义鸿沟、上下文窗口等具体挑战提出至少3类改进方向（如混合检索、重排序、Agent化RAG）体现对RAG与Fine-tuning、Agent关系的辩证理解 RAG的核心局限可归纳为检索失效、生成割裂、能力边界三类：一、主要局限与挑战维度核心问题具体表现检索质量语义鸿沟 query与文档embedding不对齐，关键词匹配失败检索噪声 Top-K混入无关文档，稀释有效信息覆盖…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…局限优势知识实时更新：不用重新训练模型，增量更新知识库即可可解释性强：答案有来源引用，便于人工审核成本可控：相比全量微调，RAG实施门槛低局限检索质量决定上限（"Garbage in, garbage out"）多跳推理、跨文档关联能力弱上下文窗口限制，过多检索结果会稀释注意力演进方向 Advanced RAG：查询重写、HyDE（假设文档嵌入）、递归检索 Modular RAG：与Agent结合，动态决策何时检索、检索什么

#字节#RAG应用场景#RAG 技术实现

面试题·Agent· 同花顺

Agent 实现 AGI 面临哪些挑战?

匹配口述回答：…难约束。比如一个Agent被要求“最大化用户满意度”，它可能学会只给用户退款，因为这样满意度最高，但公司会亏死。人类意图的模糊性和Agent自主性的边界怎么界定，这是长期挑战。其实还有一个更深层的问题，就是持续学习和记忆。现在的Agent每次交互完了就完了，不会真的更新自己的能力。记忆系统停留在存储-检索，缺乏抽象和整合。如果面试官感兴趣，我可以展开说说怎么用[[Self-RAG]]或者[[Reflexion]]让Agent从错误中学习。所以我的判断是，AGI级别的Age…

#同花顺#Agent#Agent AGI 挑战

面试题·Agent· 字节

Agent 长期记忆存储结构

匹配口述回答：这道题其实在问一个很实际的问题：当[[Agent]]的记忆规模大到一定程度，怎么存得快、找得准、还不丢关键信息？本质上是在存储容量、检索效率和相关性之间找平衡。我会把记忆分成三层。最顶层是工作记忆，就管当前对话的上下文，用[[KV Cache]]或者[[滑动窗口]]，毫秒级访问，这个没什么好说的。中间是短期记忆，存当前会话的完整记录，放在Redis或者内存里，支持快速读写。最下层才是长期记忆，跨会话、海量数据，得持久化。长期记忆我不会只用一种存储。我的做法是混合方案：[[…

#字节#蚂蚁#向量检索

面试题·Agent· 高德

多智能体系统 vs 单一 Agent 怎么选?

匹配口述回答：…子任务，比如一个Agent专门做规划，一个做执行，一个做验证，各干各的，效率高很多。再看深度专业化。单Agent再强也是通才，但多Agent可以给每个Agent定制角色，比如一个Agent只负责调用工具，另一个只负责记忆检索，这样每个Agent在自己那摊事上可以做到很精。还要看系统韧性。单Agent挂了就全挂了，多Agent里某个Agent出问题，任务可以动态重分配给别的Agent，系统不会完全瘫掉。举个例子，像企业客服场景。传统做法是用一个[[RAG]]加一个LLM，用户…

#高德#Agent#多智能体系统

面试题·Agent· 蚂蚁

Agent 系统哪个模块最不稳定?

匹配口述回答：…失败时直接切规则引擎，而不是简单重试。不过说实话，这些方案都是事后补救。我更倾向从系统设计层面提前规避，比如引入 [[Self-RAG]] 让模型自己学会反思，或者用 [[Reflexion]] 机制让Agent在每步执行后自我校验。但这又会引入额外的延迟开销，所以怎么平衡可靠性和实时性，是个值得深挖的问题。一句话定位：本质是LLM开放生成与确定性执行的矛盾规划模块：意图漂移和无限循环是最大风险工具调用：参数解析脆弱，JSON格式和语义错配常见记忆模块：检索噪声复利…

#蚂蚁#Agent#Agent 稳定性

面试题·Agent· 百度

Single-Agent vs Multi-Agent 架构取舍

匹配口述回答：…te，先规划好步骤再执行，适合多步骤任务，比如生成一份市场分析报告，先规划“查数据→写初稿→格式化”，然后一步步做。不过要注意，单智能体有个硬伤：上下文长度受限。一旦任务链太长，模型会遗忘前面的信息，所以真正落地时，我一般会搭配短期工作记忆和长期向量记忆，用 [[Self-RAG]] 让模型自己学会反思，但核心还是控制单次任务的范围。再来说多智能体。当任务需要多个领域专家协作时，单智能体就撑不住了。比如软件开发，需要产品经理、架构师、开发、测试四个角色一起干活，你没法让一个…

#百度#Agent#Single-Agent 设计

面试题·Agent· 高德

多 Agent 协作复杂度

匹配口述回答：…局部最优可能偏离全局目标，比如验证Agent太严格，把所有结果都毙了，导致任务永远完不成。 LLM特有的挑战更头疼。幻觉传播，一个Agent产生了幻觉，通过通信污染其他Agent，错误会像滚雪球一样放大。还有成本，多轮交互的token消耗是指数级增长，上线前必须设计early exit或者缓存策略，不然账单会吓死人。这里其实有个值得深挖的点：多Agent的幻觉传播问题，本质上和人类团队里谣言扩散很像。我最近在看一些用[[Self-RAG]]或者[[Chain-of-Veri…

#高德#Agent#多 Agent 协作复杂度

面试题·Agent· 百度

多 Agent 协同为什么必要?

匹配口述回答：…下文太长容易漏掉关键规则。拆开后，每个Agent专注自己的事，理解诉求的只做情感分析和意图识别，查规则的去匹配政策，最后汇总给执行Agent。这样每个Agent的提示词可以很精炼，出错也能定位到具体哪个环节。这里有个延伸点：什么时候不该拆？如果任务本身很简单，或者子任务之间耦合太紧密，强行拆成多Agent反而引入通信开销和一致性难题。比如一个简单的FAQ问答，单Agent加[[RAG]]就够，拆成两个Agent反而慢。所以我的判断是：只有当任务存在正交的职责边界且需要持续…

#百度#Agent#多 Agent 协同

面试题·Agent· 美团

Agent 主流架构怎么选?

匹配口述回答：…得用[[向量库]]存，不然上下文一长就丢。另一个是反思机制，像 [[Self-Refine]] 和 [[Reflexion]]，让Agent自己检查结果对不对，错了重来。但反思不是白送的，它多一次LLM调用，延迟和成本都在涨，得看场景值不值得。其实现在还有一个趋势，就是把Agent和 [[RAG]] 结合起来，叫[[Agentic RAG]]。Agent负责规划查询策略，RAG负责检索，比单纯用Agent调工具更灵活。但这里有个前提：检索的准确度要高，不然Agent拿到错误…

#美团#Agent#Agent 架构设计

面试题·Agent· 美团

Agent 必备基础能力有哪些?

匹配口述回答：…致[[幻觉]]。所以上线前我会特别关注两点：一是给规划加最大步数限制和超时退出，二是对工具返回做格式校验和置信度过滤。我更倾向于把Agent看成“带策略的自动化流程”，而不是一个会思考的机器人，这样设计边界更清晰，出问题也好排查。总结一下，Agent的核心能力是感知、规划、工具调用、记忆，但真正让它们生效的是协作循环和反思机制。面试官如果感兴趣，我可以再聊聊多Agent协作或者如何用 [[Self-RAG]] 让模型自己学会反思。一句话定位：这道题本质考的是Agent在真…

#美团#Agent#Agent 基础能力

面试题·Agent· 美团

哪类 Agent 最易大规模落地?

匹配口述回答：…本身三天两头变，Agent就得频繁改配置，维护成本会很高。另一个风险是数据质量，API返回的字段格式不一致，或者SOP文档有歧义，Agent就容易出错。所以我会先挑流程最固化、数据最规整的场景切入，比如财务对账或者库存同步。所以整体上，我更倾向把任务自动化Agent看成企业数字化转型的加速器，而不是万能钥匙。它最适合那些重复、规则明确的场景，而且需要和其他方案配合。如果面试官感兴趣，我们可以聊聊这个Agent和[[RAG]]方案怎么结合，比如用RAG从文档里提取规则来配置工…

#美团#Agent#AI Agent 商业化

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配题目：在RAG（检索增强生成）系统中，如何优化文档的分段策略以提高检索质量和生成效果？请讨论分段长度、重叠策略和语义完整性的权衡。

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·评估· 高德

高并发 Agent 延迟卡在哪?

匹配正文：先拆瓶颈高并发 Agent 的召回和生成是两类不同瓶颈，应分别测量排队、计算、存储和网络时间，再做端到端预算。召回阶段用元数据或 BM25 做安全的候选过滤，再用稠密检索补充语义召回；过滤规则必须通过召回回归，避免提前丢失正确文档。 HNSW 通过搜索宽度在延迟与召回间取舍；IVF 通过桶数和探测数取舍；PQ 可减少向量存储与带宽，但会引入量化误差。热点 query、embedding 和结果可以按语料与模型版本缓存；更新后必须正确失效。检索服务独立扩缩容，并记录 …

#高德#Agent#Agent 系统延迟优化