匹配正文：…System Prompt模拟关键：在Prompt中明确定义工具描述、输出格式、执行流程输入输出格式设计工具描述（Tool Schema） { "name": "weather_query", "description": "查询指定城市的天气", "parameters": { "type": "object", "properties": { "city": {"type": "string", "description": "城市名称"}, "date": {"t…

#百度#Agent#Tool Calling 架构

面试题·Agent· 美团

Function Calling 怎么解析用户指令?

匹配正文：答案要点理解Function Calling的两阶段流程（意图识别+参数抽取）知道模型通过特殊token或JSON模式约束输出了解schema定义和参数校验机制能说明与普通生成任务的关键区别（结构化输出约束）了解实际部署中的错误处理策略 Function Calling的核心是让模型学会"按格式说话"，把自然语言翻译成可执行的结构化指令。技术原理分三层： 1. 训练阶段：注入工具使用能力构造大量<用户指令, 工具描述, 正确调用>的三元组数据工具用JSON Sc…

#美团#Agent#Function Calling 原理

面试题·Agent· 百度

Tool Calling 机制详解

匹配正文：答案要点工具定义的Schema化描述方式（JSON Schema/OpenAPI）模型通过特殊标记或系统提示理解工具参数生成的约束解码或后处理机制工具执行结果的回传与上下文整合多轮工具调用的循环处理流程核心机制：四阶段闭环 1. 工具定义注入将工具描述转为结构化Schema（JSON Schema/OpenAPI格式），包含工具名、功能描述、参数类型与约束通过系统提示（System Prompt）或专用API字段（如OpenAI的tools参数）注入模型上下文…

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#Tool Calling 机制

面试题·Agent· 商汤科技

Agent 架构落地看哪些组件?

匹配正文：核心架构 Agent 不是“模型加几个工具”，而是一个带状态、约束和反馈的执行系统。生产架构通常包含：入口与策略层：认证、限流、意图识别、风险分级和预算。规划与状态层：维护目标、步骤、依赖、当前状态和终止条件；确定性流程优先用状态机。工具层：工具 schema、参数校验、权限、超时、幂等、重试、熔断和结果校验。记忆与知识层：短期状态、长期记忆与 RAG 分开治理，并执行租户隔离和删除策略。安全与人工层：敏感动作审批、最小权限、提示注入防护和审计。观测层：记录 tr…

#商汤科技#Agent#AI Agent 架构

面试题·Agent· 商汤科技

Tool Calling 失败处理

匹配正文：…案要点 Tool Calling的核心流程（识别→参数解析→执行→结果回填）与ReAct范式的关系与区别实际实现中的关键挑战（schema约束、参数校验、错误处理）业务落地价值（扩展模型能力边界、实时信息获取、精确计算） Tool Calling 核心机制本质：让LLM学会"什么时候该用工具、用什么工具、传什么参数"，突破纯文本生成的能力边界。工作原理（四步走）工具注册：预定义工具Schema（名称、描述、参数JSON Schema）意图识别：模型根据用户que…

#商汤科技#Agent#Tool Calling 失败处理

面试题·Agent· 同花顺

Agent 开发技术栈怎么选?

匹配正文：…责【】。框架提供【】，自研层负责【】。模型为【】，是否训练【是/否】；若是，训练数据来自【合法来源】，基线【】，真实结果【】。线上约束【】，失败时【】。证据自检检查仓库依赖、配置、训练日志、评测集版本、工具 schema、trace、压测报告和回滚记录是否支持回答。不能把调用 API 说成训练模型，也不能把团队维护的平台说成个人实现。追问入口准备解释框架锁定风险、为何没有选择其他编排方式、工具增多后的路由、训练数据泄漏、超时预算、幂等、权限和成本控制。

#同花顺#Agent#Agent 技术栈

面试题·Agent· 快手

Agent 系统实现流程与核心组件

匹配正文：…-of-Thought。每轮都检查完成条件、重复状态、最大步数、时间与成本预算，防止死循环和过早结束。 2. 工具调用工具用 Schema 描述名称、用途、参数和副作用。模型输出调用意图后，服务端完成参数校验、权限检查、幂等控制和人工确认，再执行工具并返回结构化结果。超时和错误要有可区分的状态，避免模型把失败响应当成事实。 3. 记忆管理短期状态保存当前任务约束和已验证观察，不等于无限保留全部对话。长期记忆写入前要做权限、来源、用户隔离、有效期和纠错控制；向量库只是检…

#快手#Agent#Agent 系统实现

面试题·Agent

Agent 项目经历完整复盘

匹配正文：…须来自真实记录。下面只提供组织方法，不提供可直接冒充履历的客服故事或成绩。回答框架背景：谁在什么流程中遇到什么问题，成功标准和约束是什么。职责：本人负责哪些代码、实验、接口或上线环节；团队和平台分别提供什么。架构：模型、规划方式、工具执行、状态、记忆、权限、观测和人工节点如何组成。关键决策：为什么采用当前方案，比较过哪些更简单或更复杂的备选。成果与复盘：同口径基线、真实结果、样本量、窗口、代价、失败案例和下一步。事实填空项目面向【真实用户/业务】，原流程为【】…

#Agent 项目复盘#任务成功率#Agent 项目经历完整复盘

面试题·Agent· 字节

工具集设计最佳实践?

匹配正文：答案要点工具抽象粒度：单一职责 vs 复合工具的平衡 Schema设计规范：清晰的描述、参数类型、必填校验错误处理与反馈机制：工具失败时的降级策略安全性考量：权限控制、输入校验、沙箱隔离可扩展性：动态注册、版本管理、热更新机制核心设计原则 1. 单一职责与粒度控制工具粒度遵循"做一件事并做好"：搜索工具只返回结果，不处理摘要；计算工具只执行运算，不解释逻辑避免"万能工具"：一个工具参数过多（>5个）或功能发散，考虑拆分为多个保留必要的复合工具：高频组合场景（如…

#字节#Agent#Agent 工具集设计

面试题·Agent· 美团

工具 Agent 训练环境设计

匹配标题与标签：工具 Agent 训练环境设计工具调用 Agent 环境的 schema、reset、幂等与沙箱 Agent 美团 Agent 工具 Agent 训练环境设计工具调用 Agent 训练环境怎么设计？状态、重置与沙箱 Agent 训练环境强化学习环境搭建状态空间建模美团

#美团#Agent#工具 Agent 训练环境设计

面试题·Agent· 美团

Agent工具接口与错误处理

匹配正文：…ity", "check_in"] } } 设计要点：description要写给LLM看（说明业务含义），enum/format约束减少幻觉，避免自由文本参数。二、执行机制设计注册与路由 class ToolRegistry: def __init__(self): self._tools: Dict[str, Callable] = {} self._schemas: List[dict] = [] def register(self, func, schema): …

#美团#Agent#Agent 工具设计

面试题·评估· 美团

Agent 训练 vs RAG 怎么选?

匹配正文：…─ thought: 推理过程（可输出用于监督） ├── tool_call: {name, params} // 严格JSON Schema约束 ├── tool_result: 环境返回（只读） ├── response: 面向用户的自然语言 └── terminate: 结束标志 + 成功/失败判定关键设计：工具描述用Few-shot强化，参数校验用代码硬约束四、两阶段学习策略阶段1：模仿学习（冷启动）来源：人工标注轨迹、规则引擎历史日志、GPT-4蒸馏训练：…

#美团#Agent#Agent 训练流程

面试题·评估· 得物

Agent部署关键环节与陷阱

匹配正文：答案要点模型服务化方案选型（vLLM/TGI/自研）与性能优化工具注册发现机制与Schema约束多轮对话状态持久化与Token预算管理任务调度策略（串行/并行/ReAct循环）全链路可观测性（延迟/成功率/成本）降级熔断与重试策略设计 1. 模型服务化层推理引擎：推荐vLLM（PagedAttention+Continuous Batching）或自研，首Token延迟<200ms，吞吐>1000 token/s 部署形态：多副本+负载均衡，GPU与CPU分离部…

#得物#Agent#Agent 系统部署

面试题·评估· 高德

Agent 多工具如何评分选路?

匹配正文：…确性、延迟、成本、成功率间权衡。我按三层架构来设计：一、工具表征层：建立统一描述每个工具注册时标注元信息：能力边界：输入输出Schema、支持的任务类型性能画像：历史成功率、平均延迟、调用成本质量评分：人工标注或离线评测的准确率 # 工具描述示例 tool_profile = { "name": "weather_api_v2", "capabilities": ["current_weather", "forecast_3day"], "latency_p99":…

#高德#评估与监控#Agent

面试题·模型微调· 小红书

意图识别结构化输出失败如何修复

匹配正文：…ce": 0.95, "slots": {"type": "refund"}} 二、解码控制层面核心思路：用采样参数和API特性约束输出空间策略具体做法降低随机性 temperature=0~0.3，top_p=0.9，减少格式变异 JSON Mode 强制模型输出合法JSON（OpenAI/GPT-4等支持） Function Calling 预定义schema，模型只填充参数，不生成自由文本约束解码用logit_bias或grammar约束（如llama.cp…

#小红书#意图识别格式优化#结构化输出

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配正文：…解决思路 1. 知识图谱构建：质量与成本的死结难点：实体抽取、关系识别、消歧的准确率低，人工标注成本极高；电商领域商品属性繁杂，schema设计困难解法：采用弱监督+主动学习循环：先用LLM生成候选三元组，人工审核高置信度样本，再迭代优化；schema采用自底向上演化，而非一次性完美设计 2. 多跳推理：准确性与效率的权衡难点：2跳以上推理错误率指数上升；图遍历的延迟难以满足在线要求解法：预计算+剪枝策略：离线计算高频查询路径的子图索引；在线用GNN做路径排序，优先扩…

#淘天#知识图谱#评估与监控

面试题·多模态· 哔哩哔哩

RAG意图识别原理与检索协同

匹配正文：…产品入口，延迟低且可解释；监督分类器：BERT 等编码器输出意图与置信度，适合稳定且有标注的类别体系； LLM 结构化路由：用 schema 约束输出 intent、index、filters、need_retrieval，适合开放表达，但要验证格式、成本和提示注入风险；混合路由：高置信规则或分类器直达，低置信样本交给 LLM 或安全兜底。阈值应从校准曲线和误路由代价确定。多标签、层级意图和未知类应显式建模，不能把低置信度强行归入已知类别。与检索协同路由结果生成检索…

#b站#意图识别与检索路由#RAG 意图识别

面试题·Prompt· 字节

Agent架构设计原则？

匹配正文：…板 ## Role: {角色定位} ## Context: {背景信息 + 历史摘要} ## Tools: {可用工具列表，含参数Schema} ## Instruction: {当前任务 + 输出格式要求} ## Constraints: {禁止事项 + 安全红线} 关键实践工具描述：用JSON Schema严格定义，示例值降低歧义 Few-shot示例：3-5个边界case覆盖常见失败模式输出约束：强制结构化输出（JSON/XML），方便下游解析动态组装：按场景裁剪…

#字节#Prompt工程#Agent

面试题·Prompt· 字节

动态Prompt怎么保证策略对齐?

匹配正文：…任务目标的形式化表征与对齐度量核心思路：三层防御体系动态Prompt驱动的策略生成面临"提示漂移→行为失控"的风险，需从生成前约束、生成中控制、生成后校验三层构建防护。一、解码控制层（生成中）技术作用约束解码用CFG/正则约束输出结构（如JSON Schema），拒绝非法格式 Logits处理器动态屏蔽危险token（remove_tokens）、强制安全前缀 Speculative Decoding + 安全草稿小模型快速生成，大模型校验安全后再确认关键…

#字节#Prompt工程#Agent

面试题·Prompt· 脉脉

Prompt 怎么系统设计与优化?

匹配正文：…层结构作为基础模板：角色层：定义模型身份（如"资深数据分析师"），激活领域知识任务层：明确输入、处理逻辑、输出目标，避免歧义约束层：硬性规则（长度限制、禁用词）、软性偏好（风格、详略程度）格式层：强制输出结构（JSON/Markdown/固定字段），便于下游解析关键技巧：关键指令后置（近因效应）、敏感约束重复强调、使用分隔符区分上下文。二、进阶策略：从静态到动态场景策略示例复杂推理 CoT/ToT "请逐步思考：①分析条件 ②列出公式 ③计算验证" 低资源…

#脉脉#评估与监控#Agent

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配正文：…框架任务：真实输入输出、风险、失败类型和评价指标。技巧：说明实际采用角色/边界、上下文分隔、Few-shot、检索增强、工具 schema、结构化输出或结果校验中的哪些。机制：解释每项技巧针对哪个可观察错误，而不是罗列名词。实验：固定模型、数据与解码参数，对 Prompt 版本做消融和切片。生产：版本管理、监控、提示注入防护、回滚和成本约束。事实填空在【真实任务】中，基线 Prompt 为【】，常见错误为【】。我负责【】，采用【真实技巧】解决【对应问题】，与【备…

#华为#Prompt工程#Prompt Engineering 技巧

面试题·Prompt· 科大讯飞

Prompt 设计原则有哪些?

匹配正文：…本人可核验的 bad case、版本记录和评测结果补充；不能把下面的教学框架直接说成个人经历。核心设计框架可以从任务、上下文、约束、输出契约四层分析：【任务】目标、输入和成功条件是什么【上下文】只提供完成任务所需的事实与工具结果【约束】权限、拒答、引用和不确定性边界【输出契约】Schema、字段含义及校验失败后的处理关键优化顺序先建立固定评测集和 bad case 分类，再修改 Prompt。长上下文只注入相关证据，并记录截断和检索策略。 Few-shot …

#科大讯飞#阿里#Prompt工程

面试题·Prompt· 阿里

Prompt 系统设计原则与技巧

匹配正文：…的差异化设计 RAG场景【系统指令】你是领域专家，严格基于提供的参考资料回答。【参考资料】{retrieved_docs} 【约束】若资料不足，明确告知"根据现有信息无法确定"，禁止编造。 Agent场景工具描述：用Function Schema精确定义参数和返回值状态管理：在Prompt中维护任务进度、历史Action、错误回溯四、工程实践要点版本管理：用Git管理Prompt模板，记录变更与效果动态组装：按场景拼接System/User/Context模块，…

#阿里#Prompt工程#Agent

面试题·Prompt· 阿里

怎么让模型稳定输出 JSON?

匹配正文：核心原则稳定 JSON 输出依赖协议约束、解析、Schema 校验和有限重试的闭环。提示词只能降低格式错误，普通 Function Calling 也不天然保证参数满足全部 Schema；只有提供方明确支持并启用严格结构化输出时，才能依其文档讨论约束强度，服务端仍应校验。 1. 优先使用结构化协议为输出定义 JSON Schema，包括字段类型、必填项、枚举、数值范围和是否允许额外字段。模型支持 strict structured output 时优先启用；工具调用场景…

#阿里云#大模型 JSON 输出#提示词设计