匹配口述回答：搭建长视野训练环境时，我会先保证问题定义正确，再谈算法。第一层是状态和观测：真实环境状态是什么，Agent 实际能看到什么，动作是否合法，什么时候是正常终止，什么时候只是超时截断。若任务部分可观测，就不能假设单帧观测包含完整决策信息，应让策略使用历史、memory 或 belief state，并记录环境版本和随机种子。第二层是奖励。我会先保留一个真正反映任务完成的终局奖励，再考虑是否加入可验证里程碑或势函数式 shaping。不能为了“缓解 gamma 衰减”就额外提高近…

#Long Horizon RL#奖励塑形#课程学习

面试题·Agent· 字节

Attention 在 Agent 多轮对话有哪些局限?

匹配正文：…N式隐状态替代KV Cache，支持无限长上下文记忆增强分层记忆：工作记忆（当前上下文）+ 短期记忆（会话摘要）+ 长期记忆（向量数据库检索）显式记忆写入：关键信息（实体、约束、计划）结构化存储，按需检索注入工程策略动态上下文压缩：基于重要性分数的token剪枝、分层摘要（如Hierarchical Attention）检索增强生成：将历史对话编码为向量，实时检索相关片段补充上下文学习建议建议先掌握Attention和Transformer基础原理，再结合RA…

#字节#淘天#Agent

面试题·Agent· 字节

Agent 技术演进与挑战?

…ct范式） Thought → Action → Observation 循环，支持动态规划引入记忆模块：短期工作记忆 + 长期向量记忆 3.0 阶段：多Agent协作角色分工：规划Agent、执行Agent、验证Agent 通信机制：消息队列、共享状态、层级协调二、典型应用场景场景核心能力字节相关实践智能客服多轮对话 + 知识库工具调用飞书智能服务台自动化办公文档处理、日程编排、跨系统操作飞书多维表格自动化内容生产素材检索、脚本生成、多模态创作 …

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

匹配正文：

#字节#Agent#Agent 发展趋势

面试题·Agent· 百度

Agent 核心模块怎么协同?

匹配正文：… 职责：状态持久化与上下文管理类型功能典型实现短期记忆当前对话上下文窗口缓存、摘要压缩长期记忆用户偏好、历史经验向量数据库存储+检索工作记忆任务执行中的中间状态结构化变量/数据库 3. 工具调用（Tool Use）职责：扩展LLM能力边界 Function Calling：LLM生成结构化参数，调用外部API（搜索、计算、数据库等）工具注册：通过Schema描述工具功能，让LLM自主选择并行调用：复杂场景支持多工具同时执行 4. 执行反馈（Fee…

#百度#Agent#Agent 工作原理

面试题·Agent· vivo

全局规划+局部避障怎么融合?

匹配正文：…___________________________| 关键设计：反馈频率匹配：局部规划以控制周期运行（通常50Hz+），直接嵌入伺服闭环信息融合层级：全局路径作为软约束（参考线/走廊），局部障碍物作为硬约束（碰撞边界），在优化问题中统一建模异常回退机制：局部规划失败时触发全局重规划，形成"执行-监测-重规划"的完整闭环典型实现：ROS Navigation Stack中，global_planner输出路径→local_planner（DWA/TEB）沿路径跟踪并…

#vivo#Agent#全局路径规划

面试题·Agent· 百度

Agent 架构怎么从零设计?

匹配口述回答：…Database]]存用户偏好和领域知识，比如某个用户之前投诉过发货慢，下次再问类似问题，Agent能主动规避相关推荐。这里前提是向量检索质量要够，不然召回一堆无关的反而干扰。落地时最关键的取舍是“人在环路”。我不会追求完全自主，反而会在关键决策点加人工确认，比如退款金额超过阈值或者要修改订单状态时，先暂停等审核。这不是技术限制，而是安全性和可控性的平衡。如果上线，我会特别关注失败时的回退逻辑：执行后强制验证结果是否回答了原始问题，失败最多重规划三次，三次还不行就转人工。常…

#百度#Agent#AI Agent 架构设计

面试题·Agent· 字节

多轮对话上下文遗忘怎么解?

匹配正文：…证承诺、约束的跨轮一致性架构改进方案方案核心思想实现要点显式记忆模块分离短期上下文与长期记忆用摘要模型压缩历史为记忆向量，每轮显式查询；或引入外部记忆网络（如Memory Transformer）对话状态编码显式追踪对话状态类似DST（Dialogue State Tracking），用结构化槽位存储实体、意图、约束条件，作为附加输入分层注意力区分话语级与token级先对话语做粗粒度交互，再token细粒度计算，降低长序列复杂度检索增强对话动态检…

#字节#Agent#多轮对话上下文遗忘

面试题·Agent· 美团

大模型输出怎么做真实性验证?

匹配口述回答：…输出引用标记，比如 <cite>doc_id</cite>，推理时限制它只能从提供的上下文里选引用。后处理匹配的话，是用句子级[[嵌入]]算生成内容和源文档的相似度，设个阈值，没匹配上的就打上无来源标签。后处理的问题是阈值不好设，容易漏或者误标。最后看一致性检测，有两种玩法。一种是自一致性，对同一个问题用高 temperature 多次采样，然后把答案聚类，选高频的那个。另一种是多模型交叉，比如用 GPT-4 来验证 Llama 的输出，成本高但准确率也最高。落地的时候，…

#美团#Agent#大模型真实性验证

面试题·Agent· 高德

Agent 工具选择：打分排序机制

匹配口述回答：…说，第一步是语义路由。我会给每个工具写一段标准化的自然语言描述，比如一个工具是'查询订单状态'，另一个是'查询物流轨迹'，用 [[Embedding]] 把任务和工具描述都转成向量，算相似度，选出最相关的 Top-K。这一步的目的是快速缩小范围，别让后面的打分模型处理太多无关选项。第二步是多维度打分。这里我会看几个维度：功能匹配度是基础，历史成功率也很关键，比如某个工具对类似任务的成功率是 95%，另一个只有 70%，那肯定优先选前者。还有成本，包括 Token 消耗、AP…

#高德#Agent#Agent 工具选择

面试题·Agent· 百度

Agent 核心机制怎么工作?

匹配正文：… → 结果回填 → 模型继续推理 3. 记忆设计类型作用实现短期记忆单轮对话上下文窗口缓存长期记忆跨会话知识积累向量数据库存储+检索 4. 规划能力单Agent：任务分解（将复杂目标拆为子步骤）多Agent：角色分工（规划者、执行者、验证者协作）与RAG的本质区别 RAG Agent 交互方式单次检索+生成多轮工具调用循环决策能力无，被动响应有，主动规划适用场景知识问答复杂任务执行 Agent的核心价值：让模型从"答题者"变成"执行者"…

#百度#Agent#Agent 工作原理

面试题·Agent· 百度

Agent 核心组件有哪些?

匹配口述回答：…多重试三次，三次都失败就上报异常。再一个组件是记忆。记忆分短期和长期。短期记忆就是当前对话的上下文，比如用户刚才说了什么、中间结果是什么，实现上就是 [[Sliding Window]] 或者 [[KV Cache]]，把最近的几轮对话或者关键中间结果存下来。长期记忆则负责沉淀历史经验、领域知识、用户偏好，比如一个电商客服 [[Agent]]，需要记住某个用户是 VIP，他之前投诉过物流慢，那么下次对话就要避免再推荐慢的快递。长期记忆的典型实现是 [[Vector Datab…

#百度#Agent#Agent 核心组件

面试题·Agent· 美团

Agent 主流架构怎么选?

匹配正文：…行处理缺点：协调复杂，可能出现循环调用关键组件对比组件作用典型方案 Memory 上下文持久化短期(对话历史)、长期(向量库) Tool Calling 外部能力扩展 OpenAI Function Calling、Toolformer Reflection 自我纠错 Self-Refine、Reflexion 选型建议简单任务（单工具查询）：直接Function Calling 多步骤推理：ReAct或Plan-and-Execute 复杂业务场景（如美团外卖…

#美团#Agent#Agent 架构设计

面试题·Agent· 字节

工具集设计最佳实践?

匹配题目：在Agent项目中，工具集的设计原则和方法是什么？请分享工具集设计的最佳实践和关键考量因素。

#字节#Agent#Agent 工具集设计

面试题·Agent· 美团

Agent 必备基础能力有哪些?

匹配正文：…馈：获取工具返回后，判断任务是否完成或需调整 4. 记忆（Memory）短期记忆：当前对话上下文（受限于上下文窗口）长期记忆：向量数据库存储历史经验、用户偏好、领域知识协作关系——以ReAct为例： Thought（规划）→ Action（调用工具）→ Observation（感知结果）→ Thought（重新规划）... 循环直至任务完成。记忆模块贯穿全程：短期记忆维护当前轨迹，长期记忆支持知识检索。关键设计点：反思机制（Self-reflection）——执行失败…

#美团#Agent#Agent 基础能力

面试题·Agent· 得物

Agent vs Workflow 怎么选?

匹配正文：…tation）：根据执行反馈自我修正，而非硬编码分支落地关键：Agent不是替代Workflow，而是在Workflow的节点中嵌入Agent能力，形成"确定性骨架+弹性节点"的混合架构。

#得物#Agent#Agent vs Workflow

面试题·文档处理· 京东

RAG 分块策略选型

匹配正文：…法适用场景特点固定长度通用场景、快速上线按token/字符数切，实现简单；边界可能切断语义语义分块高质量要求场景用embedding相似度检测主题边界；计算成本高递归分块层次化文档（法律、论文）先按章节/标题粗分，再细粒度切；保留结构信息 Agentic分块复杂文档用LLM判断分割点；成本最高但效果最优关键实践技巧重叠分块（Overlapping）把零重叠、短窗口与较长窗口作为候选，在同一评测集上比较证据完整率、召回与冗余成本特别适合问答场景…

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

匹配口述回答：…状态管理加分层检索。先说状态管理，每轮用轻量模型抽取出当前的主题实体、用户意图、未解决问题这些，存成一个结构化的状态。这个状态[[向量化]]后参与检索相似度计算，相当于给检索器一个显式的记忆锚点。这和简单地把历史拼进上下文窗口不一样，后者在长对话里会受[[Sliding Window]]长度限制，早期信息被挤掉，而且没法区分哪些是已解决的、哪些是待办的。显式状态更可控，但前提是抽取要准，如果抽出来一堆噪音，反而会污染检索。再一个，检索策略不能一轮定终身。我会用分层检索：当前…

#蚂蚁#RAG 多轮对话#知识遗忘

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：…(检索增强生成)= 给大模型外挂一个可实时更新的知识库:先检索、再基于检索材料生成核心流程:文档解析 → 分块(Chunk)→ 向量化(Embedding)→ 入向量库;查询时检索 → 重排 → 拼入 prompt 生成优势:知识可实时更新、答案可溯源、幻觉显著降低、不需要重训模型局限:效果强依赖检索质量(切分不当/纯向量检索对 ID 类文本失效),链路长、延迟与成本上升与微调的边界:微调学「格式与风格」,RAG 注「事实与时效」,生产中常两者结合工作原理 RAG …

#美团#评估与监控#RAG 工作原理

面试题·评估· 美团

多路召回评估指标与RAG场景

匹配口述回答：…惯搭一个分层评估体系。离线阶段先独立测每条路的Recall和Precision，比如[[稀疏检索]]的BM25和[[稠密检索]]的向量召回，各自跑一遍，筛掉明显不行的。融合阶段再看NDCG和覆盖率，比如用[[重排]]模型把结果混在一起排序。最后端到端阶段，直接看生成答案的准确率，这才是北极星指标。举个例子，企业SOP合规文档检索，用户问“离职流程是什么”，如果召回没抓到最新的离职政策文档，生成答案就错了，所以离线Recall再高，端到端答不对也是白搭。这里有个坑：离线指标提…

#美团#评估与监控#多路召回评估

面试题·评估· 字节

Agent 系统优缺点怎么分析?

匹配正文：…划（Planning）：CoT、ReAct、ToT 等策略将复杂任务拆解为可执行子步骤记忆（Memory）：短期上下文 + 长期向量记忆，支持跨会话状态保持工具（Tools）：Function Calling 对接外部 API、数据库、计算资源行动（Action）：执行工具并观察结果，形成闭环核心优势优势典型场景体现自主性智能客服自动判断需查询订单还是转人工适应性数据分析 Agent 根据中间结果动态调整分析路径复杂任务处理多步审批流程自动串联多个业务…

#字节#Agent#Agent 系统优缺点

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：…幻觉的核心机制大模型幻觉源于参数化知识的静态性和泛化误差。RAG通过动态检索外部权威知识替代模型"编造"：检索阶段：将用户查询向量化，从知识库召回Top-K相关文档增强阶段：将检索结果与原始查询拼接，构建增强提示生成阶段：模型基于"检索证据"生成，答案被约束在提供的上下文中实际系统实现机制组件关键设计 Embedding模型领域适配（如用BGE、GTE替换通用模型）向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片策略重排…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配正文：RAG是什么检索增强生成（Retrieval-Augmented Generation）是一种将外部知识检索与大语言模型生成结合的架构。核心流程：检索阶段：根据用户Query从知识库中召回相关文档片段生成阶段：将检索结果作为上下文，让LLM生成最终回答解决的LLM核心局限局限具体表现 RAG解法知识静态模型参数固化，无法感知训练后事件动态检索最新知识库幻觉问题编造不存在的事实基于检索到的真实文档生成更新困难全量重训成本极高只需更新知识库，零模型改…

#科大讯飞#阿里#RAG 架构

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配追问：…违约责任相关的条款，并给出法律依据。你会怎么设计整个RAG链路来处理这种复杂文档？层层追问专业领域的RAG系统，你觉得最关键的是什么？……文档怎么切块才不丢上下文？……检索策略上，光靠向量够吗？……生成时怎么保证不瞎编、还引用来源？直球架构设计一个医疗领域的RAG系统，从文档处理、索引构建、检索策略到生成优化和评估，完整链路你怎么搭？重点说说多模态解析、双轨索引、多路召回加精排、以及防止幻觉的生成约束。

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配正文：一、检索精度瓶颈与优化核心问题：向量语义匹配不准、Query与文档分布不一致混合检索：向量+关键词（BM25）双路召回，用RRF融合排序，解决语义漂移和专有名词匹配问题查询改写：用LLM扩展Query（HyDE生成虚拟答案再检索）、澄清多义词、补全省略的主语重排序（Rerank）：Cross-Encoder精排，把候选从100缩到Top-5，精度提升明显但增加延迟索引优化：按业务领域分库、语义分层（摘要→正文→细节），减少候选噪声二、生成质量瓶颈与优化核心问题：…

#字节#评估与监控#RAG 性能瓶颈