匹配口述回答：这道题其实是在问，当你需要编排多个大模型[[Agent]]的时候，如何在灵活性和可控性之间做取舍。AutoGen和LangGraph代表了两种完全不同的思路。先说核心差异。AutoGen的核心抽象是对话，它模拟的是人类团队协作，Agent之间通过自然语言你来我往的商量，发言与控制可以由模型选，也可以round-robin或自定义规则；不能说控制权都交给模型。而LangGraph的核心抽象是状态图，你显式定义好节点和边，数据在节点之间按你画好的路径流动，图结构可显式设计，条件…

#字节#百度#Agent

面试题·多模态· 淘天

截图组件功能怎么用 RAG 解释?

匹配口述回答：…不确定”，避免胡编。所以整体上，我更倾向于把[[RAG]]当成一个可解释、可更新的外挂，而不是把所有理解能力都压在大模型本身。纯多模态模型虽然也能看图，但解释的来源是黑盒，出了问题没法排查；RAG至少能溯源到具体文档，内部术语和业务逻辑也能通过知识库灵活注入，不用每次改个文案就重新微调模型。当然，如果界面非常复杂、组件间交互很多，RAG也扛不住，那就得结合[[Agent]]或者多步推理了。一句话定位：本质是让大模型看懂界面并解释功能视觉理解与组件解析：用检测模型加OCR…

#淘天#多模态#多模态 RAG

面试题·Prompt· 字节

LLM 输出格式如何强校验?

匹配正文：…JSON Schema/Function Calling等结构化输出技术设计解析失败时的降级和重试机制结合实际业务场景说明方案选型依据我通常从三层防护来设计输出过滤机制：第一层：Prompt工程（预防） Few-shot示例：在Prompt中给2-3个符合格式的输出样例明确格式指令：用代码块包裹格式模板，强调"必须严格遵循以下JSON格式" 角色设定：指定模型扮演"严格的JSON生成器"角色第二层：结构化输出（约束）优先使用模型原生能力： Strict工具参数：…

← 上一页第 6 / 6 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

#字节#Prompt工程#大模型输出过滤

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：… Prompt、生成模型或验证器。 Modular 或 Agentic RAG 把检索、工具、验证、重试与路由组成受控工作流，适合多步、多源和需要动态补证据的任务。代价是路径更难复现，也容易循环、越权和成本失控，所以要限制最大步骤、工具权限、总预算，并保留人工节点。选型时我会从 Naive 基线出发，在同一评测集上逐步加模块，分别看 Recall@K、MRR 或 NDCG、答案正确性、引用支持率、拒答、P95/P99 和成本。若新增复杂度没有改善目标切片，就删除它。所谓 Ad…

#淘天#重排与优化#Naive RAG