匹配正文：答案要点输出结构化约束（JSON Schema/Function Calling）多层级校验机制（语法、语义、业务规则）内容安全过滤（敏感词、合规检测）异常处理与降级策略（重试、兜底、人工审核）反馈闭环与持续优化一、输出结构化约束（源头控制） Function Calling / JSON Mode 强制模型按指定Schema输出，减少格式错误设置response_format={"type": "json_object"}或工具调用接口 Prompt工程在P…

#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

匹配正文：…签，要求模型单选；用正则/规则过滤非法输出优点：零改造成本，快速验证缺点：不可靠，模型可能幻觉、格式不统一；需兜底逻辑 2. Function Calling / Tool Use（推荐）做法：在所用模型/API支持时启用strict工具schema，把label声明为enum并校验返回（如{"label": "positive"}）。优点：正常完成时可约束支持的schema；普通工具调用或JSON mode不等于strict，需查具体模型和端点。缺点：模型需支持该…

#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…

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

#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· 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· 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· 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· 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·Agent

Agent 项目经历完整复盘

匹配口述回答：…考察Agent落地的工程化思维，不只是选框架项目背景：智能客服解决率从35%到70%的目标，复杂多步问题技术选型：ReAct+Function Calling，为什么不是纯端到端或纯规则个人贡献：工具调用框架、Prompt工程、评测体系落地风险与收尾：幻觉防控、边界划分、工程师取舍约4分钟 Agent落地最大风险是工具本身的可靠性和一致性，而非模型能力。面试官可能会追问：你具体怎么监控和保证工具层的稳定性？有没有遇到工具返回冲突的情况？

#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

LangGraph外还有哪些流程编排框架?

匹配口述回答：…#、Python、Java。它的核心是Plugins、Planners和Memory。Planners可以自动编排任务，比如用[[Function Calling]]调用Azure服务。如果你公司用的是.NET技术栈或者深度绑定Microsoft 365生态，比如要做一个自动回复邮件的Copilot，那Semantic Kernel很合适，因为它跟Azure OpenAI集成好，合规性强。但如果你用的是开源模型或者AWS，那就不太匹配了。其他框架像CrewAI，它擅长多Ag…

#字节#百度#Agent

面试题·Agent· 得物

Agent vs Workflow 怎么选?

匹配口述回答：…要能推理出'如果违约金条款和仲裁地冲突，哪个优先'。另外还要看工具使用，Agent能动态选择、组合、调用外部API或函数，像 [[Function Calling]] 就是这样。记忆和自适应也很重要，但落地时最常出问题的是规划和工具使用。这里有个坑很多人会踩：觉得Agent能搞定一切，直接全盘替代Workflow。实际落地我倾向混合架构，用Workflow做确定性骨架，比如订单处理的主流程，然后在关键节点[[嵌入]]Agent，比如异常处理、个性化推荐。前提是Agent的推…

#得物#Agent#Agent vs Workflow

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· 美团

RAG 工作原理与局限怎么分析?

匹配口述回答：…为什么我用了满减券但价格还是不对”，模型可能需要先查订单、再查优惠券规则、再查库存价格，这就涉及到 [[ReAct]] 或者 [[Function Calling]] 的配合。这个做起来复杂度高不少，但效果也更灵活。所以我的判断是，RAG不是银弹，它依赖高质量的知识库和检索链路。我更倾向把RAG看作一个可插拔的知识接口，核心是保证检索的精度和覆盖率。如果知识源本身乱、更新慢，那RAG效果也不会好。 RAG本质是给大模型配外挂知识库核心流程：索引构建与检索生成 RAG v…

#美团#评估与监控#RAG 工作原理

面试题·评估· 快手

Chain/Agent/Tool 怎么分工?

匹配口述回答：…的Agent依赖模型本身的推理能力，如果模型不够强，比如小模型，Agent的ReAct循环容易跑偏，这时候我会考虑用更结构化的[[Function Calling]]来约束，或者干脆退化成Chain。所以整体上，我会把LangChain看成是快速验证想法的好帮手，但真要上线，得想清楚复杂度是否值得。如果面试官感兴趣，我可以再聊聊它跟LlamaIndex在[[检索增强生成]]场景下的具体对比。一句话定位：编排框架，解决模型能力串起来的问题 Chain是静态管道，Agent是…

#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：…确认。这样既能保证速度，又能处理模糊场景。不过这里有个延伸点，就是当意图识别和外部工具联动时，比如识别到“查库存”意图后触发 [[Function Calling]]，怎么保证调用链路的可靠性和延迟，这个在实际工程里挺有挑战的。总的来说，我把意图识别看成RAG系统的守门员，它做得好，检索和生成才能事半功倍。一句话定位：意图识别是RAG的路由中枢检索准确性：方式选择与查询改写生成质量：上下文筛选与幻觉防控落地风险：前提与常见失败场景工程师取舍：倾向Agentic R…

#OPPO#RAG 意图识别#RAG

面试题·评估· 安克科技

评估集防泄漏与复现

匹配口述回答：…如召回率、NDCG，还有生成内容是否忠实于检索结果，有没有[[Hallucination]]。Agent则更看重工具调用，比如[[Function Calling]]参数解析对不对、任务规划是否合理、多轮对话状态能不能记住。但真正落地时，两者常常是混合的，比如一个客服系统既有知识库检索又有工具调用，那评估就得两套一起上。另外，很多人会纠结RAG和[[SFT]]怎么选，我的判断是，如果知识频繁更新，RAG更合适，因为微调跟不上变化；如果知识相对稳定、对推理深度要求高，微调更合适…

#安克科技#评估与监控#Agent

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· 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