匹配口述回答：…具箱和一张草稿纸，让它在需要多步推理和外部信息时，能像人一样边想边查。但真正落地，很少只用ReAct，往往是和[[RAG]]、[[Function Calling]]混着用，根据任务复杂度动态切换。本质问法是LLM如何突破自身知识边界做多步推理 ReAct循环：Thought-Action-Observation 相比纯提示的边界：纯提示适合单步闭卷，ReAct适合多步开卷业务场景：客服退款多跳查询风险：工具质量决定上限，推理链过长会发散可延伸点：ReAct与Tree…

#高德#Agent#ReAct 框架

面试题·Prompt· 美团

LangGraph 多轮对话优势在哪?

匹配口述回答：…常是LangGraph做框架，手写做定制，比如用LangGraph搭主流程，但一些特殊节点，像意图分类精度不够时，我会手写一个[[Function Calling]]来兜底。另外，上线前我会特别关注图里的循环会不会死锁，或者状态会不会越积越大，得设个最大轮次限制。所以我会把LangGraph看成对话管理的脚手架，它帮你搭好骨架，但血肉还得自己填。我更倾向用它来处理复杂多轮对话，而不是所有场景无脑上。说到这，其实还有个有意思的点：LangGraph的图结构虽然好，但一旦节点…

#美团#Agent#LangGraph 多轮对话

面试题·Prompt· 百度

Prompt 工程最佳实践有哪些?

匹配口述回答：…0秒 ReAct模式下工具描述粒度要分层，关键指令前置避免长上下文失效追问会涉及如何设计工具描述、如何处理长上下文、ReAct与Function Calling的区别

← 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

#百度#Prompt工程#Prompt 工程实践

面试题·Prompt· 字节

Agent 系统架构与 Prompt 设计原则

匹配口述回答：…验。再说Prompt设计。我会用结构化模板，固定角色定义、任务目标，动态塞工具描述和[[Few-shot]]示例。工具描述用[[Function Calling]]的Schema格式，每个工具写明description、parameters、required。输出强制JSON格式，预留thought字段暴露推理过程，这样出了问题能回溯。一个常见的坑是工具列表太长，上下文窗口被无关工具占满，LLM决策质量下降。所以我上线前会做工具按需加载，根据当前任务只加载可能用到的工具。…

#字节#Agent#Agent 系统设计

面试题·Prompt· 百度

意图识别 Prompt 最佳实践?

匹配口述回答：…个延伸点：当意图类别超过20个时，单纯靠prompt里的示例可能不够，我可能会考虑结合 [[Few-shot]] 微调或者用 [[Function Calling]] 来结构化输出，但代价是维护成本上升。所以我会把prompt设计看成成本与效果的平衡，不是所有场景都适合纯prompt，关键看业务对准确率和覆盖率的容忍度。点出意图识别prompt设计的本质角色定义与结构化输出 Few-shot与推理引导边界与兜底处理业务场景举例与风险约4分钟当意图类别超过20个时，…

#百度#Prompt工程#Agent

面试题·Prompt· 美团

ReAct 框架怎么实现推理+行动?

匹配口述回答：…告诉模型输出格式，比如Thought、Action、Observation各占一行，不然模型容易混。这个Prompt设计其实和[[Function Calling]]有联系，我倾向于把工具描述写得足够清晰，让模型知道什么时候该用什么工具。所以总结一下，我更倾向把ReAct看作一种让模型行为可解释、可干预的框架，而不是一个黑盒。它牺牲了一点效率，换来了更好的可控性和可追溯性，这在客服、金融、医疗这些对合规要求高的场景里特别重要。 ReAct本质是让模型边想边做，不是先想再做 …

#美团#评估与监控#Agent

面试题·Prompt· 美团

ReAct 框架核心思想与流程

匹配口述回答：…再调用退款接口。每一步都有观察结果，比如订单不存在就提示用户检查，退款失败就重试或转人工。这种多步决策场景，ReAct比单纯用[[Function Calling]]写死流程要灵活得多，因为模型能根据中间结果动态调整。但这里有个坑，落地的时候前提条件很关键。ReAct的效果高度依赖模型的指令跟随能力和格式稳定性。如果模型生成的Thought和Action格式不规范，解析器就解析不出来，整个流程就断了。常见失败场景是模型在Action里写了一大段话而不是一个工具调用，或者Th…

#美团#Agent#ReAct 框架

面试题·Prompt

封闭标签分类如何约束解码?

匹配口述回答：…动态变化时，比如电商大促临时加活动标签，怎么让约束解码或Logit Bias能热更新，而不需要重新部署模型。这块其实可以结合 [[Function Calling]] 的思路，把类别列表当成外部工具来调用。所以整体来看，我会把约束解码看成最终保底方案，具体选型要依据所用接口与独立题集；验收用精确成员检查，同时记录拒答、截断和合法标签内的语义错误。本质是让大模型做受限选择，核心在平衡可控与灵活直接提示和CoT适合简单场景，但工业落地不够稳 Logit Bias只调整tok…

#Logit Bias#约束解码#封闭集合标签分类

面试题·Prompt· 字节

Policy 模型错误决策怎么防?

匹配口述回答：…式都测一遍，比如输出格式对不对、工具调用参数合不合法。然后上仿真沙箱，模拟真实交互，验证工具调用链是不是完整，这一步特别适合 [[Function Calling]] 场景，比如让模型调库存查询API，得确保参数传对了。最后是小流量在线A/B测试和影子模式，在真实流量里跑，看有没有回归。红队测试不能省，人工攻击总能发现自动化测试漏掉的问题。约束阶段，说白了就是硬边界兜底。我会用规则围栏，比如正则或模板校验输出格式，拦截非法Prompt结构。工具调用走沙箱，敏感操作比如写数据…

#字节#Agent#Policy 模型

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配口述回答：…RAG不够，需要用Agentic RAG让模型自主决定多次检索。面试官可能会追问Agentic RAG的实现方式、与ReAct或Function Calling的关系，以及如何控制成本和避免检索爆炸。

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：…用户问“今天有什么优惠”，模型还是拿昨天的政策回答。所以对于高频变化的数据，比如库存、价格，我会用 [[Agent]] 配合 [[Function Calling]] 实时查数据库，而不是走静态索引。还要看查询改写成本：用户 query 经常很短或者有歧义，比如“怎么退”，需要先让模型扩写成“退货流程是什么”，但这会多一次 LLM 调用，延迟和成本都要考虑。其实 [[Naive RAG]] 和 Advanced [[RAG]] 的核心区别不在于索引，而在于检索策略。比如 […

#美团#RAG架构#RAG 系统架构