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：…AG”。 于是系统不管收到什么问题，都先拆计划、反复搜索、打开网页、整理报告。用户只是问一句“这个产品支持哪些文件格式”，也要等 Agent 跑完一整轮研究。 流程看起来很智能，实际却把一个本来一次检索就能回答的问题，做得更慢、更贵、更不稳定。 反过来，如果用户问的是“请比较三种技术方案在小团队、低运维和数据合规约束下的适用性，并给出能够核查的依据”，只查一次再生成也不够。一次检索可能只拿到某个厂商的宣传页，模型会把不同时期、不同部署方式和不同口径的数据混在一起。 所以这道面…
匹配正文：…。模型可以参与产生这些信号，但系统应校验信号是否合法，并为未知值准备默认出口。 这里有个很重要的工程取舍：不是所有分支都应该交给 LLM。鉴权失败必须停止，达到预算必须停止，高风险写操作必须转人工，这些属于确定性规则。只有“现有证据是否足以回答”“是否需要换一个检索角度”这类难以完全枚举的判断，才适合让模型提供建议。 怎样设计循环，才不会把图变成另一种死循环 图允许有环，是 LangGraph 适合 Agent 的原因之一。Executor 可以回到 Planner，Refl…
学习内容与项目面试，在同一条路上。
匹配正文：📊 学习时长:60-75 分钟 🎯 完成后能力:讲清调研型 Agent 为什么难评估、要评什么(结果质量 + 过程质量)、LLM-as-a-Judge 怎么用又有哪些坑,以及怎么防止「刷分」、怎么把评估结果回流到训练形成闭环 🔗 关联面试题:5 道(覆盖 5 个角度,见 Part 3) 🧭 这是最后一块拼图:前面把 Agent 从「为什么」一路做到「上线」,但有个问题一直没正面回答:怎么知道它做得好不好? 调研类任务没有唯一标准答案,这让评估格外难。本章就把评估的原理…