页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「大模型 Agent 架构」找到 269 条内容
按专题浏览 →匹配正文：核心定位差异 维度 LangChain LlamaIndex 设计目标 通用LLM应用编排框架 数据驱动的检索增强框架 核心抽象 Chain（链式调用）、Agent（自主决策） Index（索引结构）、Retriever（检索器）、QueryEngine（查询引擎） 优势领域 复杂工作流编排、多工具Agent 大规模文档索引、结构化检索 关键功能对比 LangChain强项 Agent系统：ReAct、Plan-and-Execute等推理模式，支持工具调用与多轮决策 模块化…
匹配口述回答：这道题其实在问，大模型生成过程中，我们怎么在保证输出质量和安全之间做取舍。人工干预和控制机制，说白了就是给模型加一套安全带和方向盘，既不让它跑偏，又不至于把它绑死。 我习惯把干预分成三层来看：输入层、生成层和输出层。先说输入层，这是第一道防线。比如在电商客服场景，用户问怎么退款但语气很冲，甚至带敏感词，我们会先在输入层做前置过滤。用规则加一个小模型快速识别意图，如果是违规请求直接拦截，不让它进模型。或者改写prompt，自动注入安全约束，比如在prompt里加一句‘请确保回答…
学习内容与项目面试，在同一条路上。
匹配正文：…记忆冲突/过时 版本化存储 + 置信度打分，低置信记忆触发确认 隐私敏感数据 分级存储，敏感内容加密embedding或隔离索引 架构示意： 用户输入 → Query理解 → 并行检索[语义向量+关键词+知识图谱] ↓ 融合排序 → 上下文注入Prompt → LLM生成 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。