匹配正文：…、历史执行效率做智能路由资源感知调度：结合GPU/CPU利用率、内存状态，避免热点Agent过载任务分片：大任务拆分为子任务，并行分发到多个Agent执行 3. 状态管理分布式状态存储：用Redis/etcd共享上下文，避免单点状态丢失 Checkpoint机制：长任务定期保存中间状态，支持断点续传状态压缩：对历史对话、中间结果做摘要压缩，控制上下文长度 4. 容错与稳定性心跳检测 + 自动重启：监控Agent健康状态，异常时快速拉起新实例优雅降级：核心Agent…

#同花顺#多Agent系统优化#Agent架构优化

面试题·评估· 字节

ReAct vs 传统规划怎么选?

匹配正文：…an Execution → (optional replanning) 一次性或分层生成任务计划（如ToT、CoT规划）按序或并行执行子任务失败时触发重规划优缺点对比 ReAct优势容错性强：单步错误可通过后续观察修正信息高效：按需获取外部信息，避免冗余可解释性好：推理轨迹天然透明 ReAct劣势决策短视：局部最优可能偏离全局目标循环风险：复杂任务易陷入反复试错延迟累积：多轮交互增加总耗时 Planning优势全局优化：长程依赖和约束条件处理更优执行高…

#字节#百度#评估与监控

面试题·评估· 字节

共识算法如何落地多Agent？

匹配正文：…务用户要求"分析Q3销售下滑原因" Planner拆解为：数据提取→趋势分析→竞品对比→归因总结各Executor Agent并行处理，通过共享记忆同步中间结论 Verifier检查逻辑漏洞，触发迭代修正优势：避免重复沟通开销，状态透明可追溯，支持人机协作介入。

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#字节#评估与监控#Agent

面试题·评估· 安克科技

RAG 问答金标构建

匹配正文：…LLM生成 + 20% 真实日志 + 10% 人工设计对抗样本答案标注流程 Step 1: 候选答案生成使用多个不同RAG系统并行生成答案保留答案分布的多样性 Step 2: 多轮人工校验第一轮：标注员独立标注（3人）第二轮：分歧案例仲裁（专家介入）第三轮：溯源检查（答案是否能在文档中找到依据） Step 3: 置信度打分高置信：3人一致且可溯源中置信：2人一致或需推理低置信：存疑，不入测试集真实性验证手段方法实现方式自动溯源强制模型输出引用片段，…

#安克科技#评估与监控#RAG 问答金标构建

面试题·模型微调· 字节

架构与训练怎么提升多轮一致性?

匹配正文：…测解码优化多轮对话中用户意图变化慢，用draft model复用前序hidden state 树状注意力：共享前缀的多个候选回复并行解码关键取舍：超长上下文 vs 显式记忆不是互斥，128K内用原生长上下文，超出的用RAG式记忆检索，两者结合最实用。学习建议建议从对话状态跟踪、上下文压缩、记忆机制等基础概念入手，结合Transformer架构与RLHF训练实践，逐步理解多轮对话的系统设计。

#字节#模型微调#多轮对话一致性

面试题·模型微调· 百度

Tool Calling 技术路径怎么选?

匹配正文：…hema、评测和维护都有成本，不能把“改 prompt”称为零成本。并发、失败和副作用只有互不依赖且顺序不影响结果的只读调用才并行。写操作使用稳定的幂等键、状态机和结果对账；超时后结果未知时先查询状态，不能直接换新键重做。区分参数错误、权限拒绝、限流、临时故障、部分成功和取消，分别采取修正、拒绝、退避、补偿或人工处理。退款、发送消息、删除和跨账号读取需要服务端授权；必要确认绑定具体动作、对象和金额，过期后失效。对工具返回只保留完成任务所需字段，并对秘密和个人数据做最小化…

#百度#模型微调#Tool Calling 实现

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：…y, doc)正例对+In-batch负采样，提升领域语义对齐三、检索策略：多路召回+精排用户Query → 改写/扩展 → 并行召回 ├── 向量检索（语义相似） ├── 关键词检索（BM25，兜底专有名词） └── 图谱检索（如有构建实体关系） ↓ 重排序模型（Cross-Encoder/LLM-based） ↓ Top-K 送入生成模型关键优化：Query改写（HyDE、伪文档生成）、多向量表示（ColBERT）四、模型集成与生成上下文压缩：检索结果去冗余，用…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配正文：…排序（Cross-Encoder） → 精排Top-N 关键优化查询改写：用LLM扩展同义词、纠错多路召回：向量+关键词+图谱并行重排序：轻量Cross-Encoder（如bge-reranker）提升相关性六、持续维护增量更新：新数据单独建索引，定期合并失效检测：监控检索点击率，自动标记低质量片段反馈闭环：收集用户点击/满意度，迭代Embedding模型

#百度#大模型知识库构建#知识库向量化

面试题·Agent

Function Calling 是什么?

匹配正文：…练日期能查实时数据只能输出文本能触发真实动作(下单、发邮件) 容易编造数字数字来自真实接口入门之后,可以继续深入:多工具并行调用、模型选错工具时怎么兜底,以及在此之上循环起来的 Agent 与工具接入标准 MCP。

#入门#基础概念#Function Calling

面试题·知识图谱· 澜舟

LLM 事实准确性怎么保证?

匹配正文：… 引用溯源：每个结论强制附加来源编号，支持人工复核 3. 一致性保障机制多模型交叉：主模型+专用校验模型（如训练事实核查分类器）并行输出，不一致时触发降级时序一致性检查：对时间序列数据（如"2023年Q3营收"）校验与历史数据的逻辑连贯性规则硬约束：内置金融规则引擎（如会计恒等式校验），拦截明显违背常识的输出 4. 金融特有设计可审计日志：完整记录检索来源、模型版本、人工复核标记，满足监管要求人机协同阈值：对高风险场景（投资建议、合规判断）设置置信度阈值，低于阈值强…

#澜舟#LLM 事实准确性#知识图谱 LLM

面试题·知识图谱· 淘天

GraphRAG 落地的主要技术挑战是什么？

匹配正文：…果继续命中。 3. 图、文本、向量与报告的一致性融合顺序没有固定答案：可以由文本找到实体后扩图，也可以由结构约束筛选文本，还可以并行召回再融合。需要在目标查询上比较覆盖、重复、噪声和延迟。图数据库提供哪些时间或事务能力应按具体产品版本验证，不能把“时间戳版本”当作通用功能。更新时，实体关系、向量和社区报告可能在不同存储中。使用 staged generation、固定查询回放、删除/ACL 检查和原子别名切换，比假设跨系统事务更容易验证。 4. 评测必须分层图层：实体链…

#淘天#知识图谱#评估与监控

面试题·Prompt· 百度

大模型智能体系统架构设计思路

匹配正文：…无需改代码差异化设计点人机协作回路：关键决策点引入人类确认，降低幻觉风险多智能体编排：主Agent负责任务分发，子Agent并行执行，通过共享内存池通信成本感知调度：根据任务复杂度动态选择模型（大小模型路由）核心原则：不是让Agent更"聪明"，而是让系统更"可靠"——通过明确的边界、完善的监控和优雅的降级策略保障生产可用。

#百度#Agent 系统架构#大模型智能体设计

面试题·Prompt· 字节

Agent 能力怎么系统提升?

匹配正文：…c 记忆（向量库+知识图谱）规划层：从简单CoT到分层任务网络（HTN），支持子目标分解与动态重规划执行层：原子动作封装，支持并行执行与异常回滚关键设计模块化：工具、记忆、策略作为可插拔组件元认知模块：监控自身状态，触发"困惑-求助"或"反思-修正" 二、外部工具集成：从静态调用到动态生态层级技术要点工具描述 OpenAPI标准 + 语义增强文档，支持LLM理解工具能力边界动态选择工具检索（Tool Retrieval）+ 意图-工具匹配模型，非穷举枚举 …

#字节#百度#评估与监控

面试题·Prompt· 阿里

JSON 输出怎么保证稳定可靠?

匹配正文：…Schema约束 + 轻量后处理延迟敏感，容忍偶发重试批量数据生成 Grammar-based + 完整后处理准确率优先，可并行多租户SaaS 动态Schema + 沙箱校验隔离用户自定义结构避坑：不要同时叠加多层强约束（如Grammar+Schema），状态空间爆炸会导致解码极慢。学习建议建议从基础JSON语法入手，学习提示词设计原则，实践使用如Outlining、Schema-guided decoding等工具，并通过真实项目理解容错与重试机制。

#阿里云#Prompt工程#Agent

面试题·Prompt· 美团

LangGraph 多轮对话优势在哪?

匹配正文：…StateGraph持久化，支持断点续传流程编排代码硬编码if-else，耦合严重声明式图结构，节点边解耦复杂逻辑循环/并行需自己实现，bug多原生支持循环边、条件路由、并行执行具体场景解析状态管理手动方案：每轮手动把history塞进Prompt，多Agent协作时状态散落在各函数 LangGraph：状态按节点粒度持久化，支持checkpointer实现：对话中断后恢复人工审核介入（interrupt）多用户会话隔离可维护性图结构即文档：节点=…

#美团#Agent#LangGraph 多轮对话

面试题·Prompt· 腾讯

Agent任务规划+工具调用原理

匹配正文：…/特定格式）+ 动态路由反思结果验证 + 错误反馈 + 策略调整记忆滑动窗口上下文，关键信息摘要生产优化：工具结果缓存、并行工具调用、超时熔断、人机协同确认。

#腾讯#Agent#Agent 系统设计

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配正文：…提升召回率 HyDE（假设文档嵌入）：让模型先写"理想答案"，用答案去检索而非原始query 子查询生成：将复杂问题拆为多个子问题并行检索，适合多跳推理场景 2. 查询分解（Query Decomposition）把"比较A和B的优缺点"拆成" A的优点是什么" + "B的优点是什么" 每个子查询独立检索，最后合并结果 3. 查询澄清（Query Clarification）当query模糊时，先让模型生成澄清问题，获取用户反馈后再检索适合对话式RAG，首轮交互确定意图…

#百度#小鹏#美团

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配正文：…：模块化设计、多Agent协作、记忆分层机制推理层面：CoT/ReAct优化、推理预算分配、自适应深度工具层面：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R…

#百度#Agent#Agent 性能优化

面试题·RAG· 字节

高风险垂直领域 RAG 如何设计？

匹配正文：…、药品名和精确条款可能受益于词法匹配；自然语言改写可能受益于语义检索；实体关系查询可能需要结构化数据。不存在所有专业系统都必须三路并行的方案。先做服务端权限、地区、时间与资料状态过滤，再评估候选 Recall@K、排序和引用覆盖。用户画像不能替代资源授权，医务职级也不是文档可见范围的通用规则。正确证据未进入候选时，Cross-Encoder 或生成模型无法补回。 4. 生成与校验提示中区分用户输入、外部证据和系统规则，并要求逐主张引用。引用格式只提供定位，不证明主张被支持…

#RAG#高风险应用#医疗

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：…数据连接器、索引策略、检索优化技术侧重点对比 LangChain的核心能力链式编排：通过LCEL构建复杂工作流，支持条件分支、并行执行工具生态：内置大量第三方工具集成（搜索、数据库、API） Agent系统：ReAct、Plan-and-Execute等多模式Agent实现记忆管理：ConversationBufferMemory等上下文持久化方案 LlamaIndex的核心能力数据连接器：100+种数据源（PDF、Notion、数据库、SaaS等）索引策略：Ve…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 快手

LLM怎么融入推荐系统？意图理解与生成

匹配正文：…ID embedding，缓解冷启动用户侧：聚合用户历史行为的文本描述，生成动态用户画像向量融合方式：LLM特征与ID特征双塔并行，后期拼接或门控融合关键挑战：LLM特征维度高、推理慢，需蒸馏到轻量模型或离线预计算。二、用户意图理解：从匹配到推理传统推荐是"相关度匹配"，LLM可实现"意图推理"：场景传统方法 LLM增强搜索推荐关键词匹配语义改写、需求扩展（"平价手机"→"2000元档骁龙机型"）会话推荐序列建模多轮对话理解，捕捉隐性偏好跨域推荐 …

#快手#LLM推荐系统#LLM 推荐系统

面试题·RAG· 美团

动态增量更新怎么防检索偏差?

匹配正文：…分索引存储，检索时多路召回+重排序融合模型升级、大规模更新渐进式重嵌入设定阈值触发全量重计算（如30%文档更新），期间双索引并行高频小批量更新分布对齐约束增量文档用旧模型编码后，经线性变换对齐到新空间必须混存、资源受限时间戳加权检索分数引入时间衰减因子，降低旧文档优先级时效性敏感场景工程实践要点灰度验证：新文档先写入影子索引，对比线上检索TOP-K重合率监控指标：embedding空间中心偏移距离、查询-文档余弦分布KL散度回滚机制：保留最近N个版…

#美团#增量更新检索偏差#RAG 知识库更新

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…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。

#高德#重排与优化#文档处理

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配正文：…进行query改写（如多跳问题分解）向量化：将query编码为dense/sparse向量，用于相似度检索 2. 检索召回（多路并行）方式特点适用场景 Dense Retrieval 语义匹配，泛化性强同义改写、概念理解 Sparse Retrieval (BM25) 关键词精确匹配实体、专有名词混合检索两者加权融合通用场景召回Top-K（通常50-200），追求高召回率，允许一定噪声 3. 精排/重排序（Rerank）使用交叉编码器（Cross-Enc…

#美团#RAG全链路#RAG 工作流程