匹配正文：…确定性要求的推理任务 ReAct Thought → Action → Observation 循环 Agent工具调用场景三、RAG与Agent中的差异化设计 RAG场景【系统指令】你是领域专家，严格基于提供的参考资料回答。【参考资料】{retrieved_docs} 【约束】若资料不足，明确告知"根据现有信息无法确定"，禁止编造。 Agent场景工具描述：用Function Schema精确定义参数和返回值状态管理：在Prompt中维护任务进度、历史Action…

#阿里#Prompt工程#Agent

面试题·Prompt· 百度

Agent 核心组件怎么协作?

匹配正文：…记忆模块（Memory）类型存储内容实现方式短期记忆当前对话上下文直接放入prompt 长期记忆历史会话、用户画像、领域知识向量数据库（RAG检索）工作记忆当前任务的中间结果变量/缓存存储协作示例（ReAct循环）用户问："深圳明天天气怎么样？适合穿什么？" [思考] 需要查询天气 → [行动] 调用天气API(深圳, 明天) → [观察] 结果：25°C，多云有雨 → [思考] 有雨需要带伞，温度适中可穿薄外套 → [最终回答] ... 关键设计：…

#百度#Agent#Agent 核心组件

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配正文：…代优化 3. 记忆系统（Memory）短期记忆：当前对话上下文、会话窗口内的信息长期记忆：向量数据库存储的历史经验、用户画像、领域知识通过检索增强实现跨会话的个性化服务 4. 工具/行动模块（Tools & Action）工具注册：外部API、数据库、计算引擎等工具选择：根据规划结果动态选择合适工具参数解析：将自然语言转化为结构化调用参数（Function Calling）结果处理：解析工具返回，决定继续规划或输出结果 5. 执行与反馈循环观察→思考→行动的闭…

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#Agent#AI Agent 核心组件

面试题·Prompt· 阿里

Prompt 优化方法有哪些?

匹配正文：…示优化等 Prompt优化方法可分为四大类：一、结构化优化角色设定：给模型定义专业身份（"你是一位资深算法工程师"），激活特定领域知识输出格式约束：用JSON/XML模板、Markdown表格等强制规范输出结构，便于下游解析分隔与标记：用###、"""等明确区分指令、上下文、输入，降低歧义二、示例驱动（In-Context Learning） Few-shot：提供2-5个输入-输出示例，引导模型理解任务模式；关键在示例分布覆盖边缘case 动态示例检索：用Embe…

#阿里#Prompt工程#Prompt 优化方法

面试题·RAG· 字节

豆包等产品多轮一致性挑战与方案?

匹配口述回答：…。这样后面再问“什么时候能到账”，模型能关联到退款流程，而不是当成新问题。但状态表有个问题，它只适合结构化场景，像客服、订票这种领域明确、槽位固定的任务。如果用户聊得很开放，状态表就不好维护了。这时候会用 [[RAG]]，检索历史相关片段，动态找回上下文。比如用户突然问“那刚才说的满减政策还适用吗”，RAG能去历史里把之前讨论的政策片段捞出来。训练层面，[[SFT]] 和 [[RLHF]] 也能针对性优化。SFT 用多轮对话数据让模型学会看历史，RLHF 则用偏好对齐，让…

#字节#多轮对话一致性#大模型多轮对话

面试题·RAG· OPPO

搜索排序中时效性特征量化方法

匹配标题与标签：搜索排序中时效性特征量化方法搜索排序系统中量化方法举例,如时间衰减、新鲜度评分 RAG OPPO 时间衰减时效性特征设计搜索排序系统新鲜度评分 OPPO

#OPPO#时间衰减#时效性特征设计

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…具有高度口语化、指代消解、意图漂移的特点，精确匹配失效，必须依赖语义空间中的邻近搜索。二、Embedding模型设计要点 1. 领域适配通用模型（如text-embedding-ada-003）在垂直场景语义区分度不足需用领域语料做对比学习微调，或选择专用模型（如BGE、GTE系列） 2. 粒度设计场景策略事实性记忆句子级，保证原子性事件序列段落级，保留时序上下文用户画像摘要级，人工构造结构化描述 3. 时效性编码对时间敏感记忆，将时间戳、相对时间（"…

#高德#重排与优化#文档处理

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配正文：…词堆砌：词频超过阈值后贡献趋平，防止SEO作弊公平对待长短文档：技术文档vs短回答都能合理竞争参数可解释调优：k_1/b可根据领域数据优化（如新闻vs论文库）在RAG中，BM25常与向量检索混合使用（如Elasticsearch + 向量DB），利用其精确匹配优势弥补语义检索的模糊性问题。学习建议建议系统学习该知识点

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配正文：…长度无显式处理显式归一化 IDF 简单对数平滑处理（+0.5避免负值）长文档友好性差好参数调优无有k1/b可调 RAG中的应用场景混合检索架构：BM25做粗排召回 + 向量模型做精排重排稀疏检索基线：与稠密向量形成互补，捕获精确匹配信号关键词敏感场景：法律条文、医学术语等需要字面精确匹配的领域实时检索：无需神经网络推理，毫秒级响应局限性无法处理语义鸿沟（"苹果"→公司/水果）需配合同义词扩展或向量检索补足语义能力

#高德#BM25评分公式#BM25 算法原理

面试题·项目与经历· 美团、小红书

自我介绍怎么突出大模型?

匹配题目：请做一个简要的自我介绍，涵盖你的教育背景、工作经历、技术专长以及你对大模型领域的兴趣和理解。

#自我介绍#面试技巧#背景匹配

面试题·Agent· 百度

Agent模块协作机制与失败场景

匹配口述回答：…束。记忆模块分短期和长期。短期记忆保存当前任务上下文、已完成步骤、工具 observation；长期记忆保存用户偏好、历史工单、领域知识和工具经验。长期记忆可以用[[向量库]]、关系库或图数据库，但写入时要做重要性评分和去重，不然越存越乱。读取时也要带权限和时间过滤，避免拿到过期或无权访问的信息。行动模块负责工具调用。每个工具都要有 schema、权限等级、超时配置、是否有副作用、是否可重试。模型生成 tool call 后，系统先做参数校验和权限检查，再执行工具。对于写…

#百度#Agent#Agent 系统架构

面试题·Agent· 百度

Single-Agent vs Multi-Agent 架构取舍

匹配口述回答：…：上下文长度受限。一旦任务链太长，模型会遗忘前面的信息，所以真正落地时，我一般会搭配短期工作记忆和长期向量记忆，用 [[Self-RAG]] 让模型自己学会反思，但核心还是控制单次任务的范围。再来说多智能体。当任务需要多个领域专家协作时，单智能体就撑不住了。比如软件开发，需要产品经理、架构师、开发、测试四个角色一起干活，你没法让一个Agent既写代码又做测试。这时候我会用层级式架构，一个Orchestrator Agent负责调度，下面挂 Planning Agent、Co…

#百度#Agent#Single-Agent 设计

面试题·Agent· 高德

多 Agent 协作复杂度

匹配口述回答：…单会吓死人。这里其实有个值得深挖的点：多Agent的幻觉传播问题，本质上和人类团队里谣言扩散很像。我最近在看一些用[[Self-RAG]]或者[[Chain-of-Verification]]做内部校验的方案，每个Agent输出前先自我验证一遍，能显著降低污染。但代价是延迟和token成本更高，怎么权衡是个开放问题。所以我的判断是：多Agent本质是用系统复杂性换取能力边界突破。如果任务链条短、领域聚焦，单Agent更稳。如果任务明确可拆分、需要多角色协作，那多Agent…

#高德#Agent#多 Agent 协作复杂度

面试题·Agent· 百度

多 Agent 协同为什么必要?

匹配口述回答：…所以复杂任务下，我倾向于拆成多Agent。多Agent的核心优势是三个：专业化分工、并行效率、容错隔离。每个Agent只深耕一个领域，比如一个专门写代码，一个专门做审查，一个专门跑测试。它们可以并行处理独立子任务，不像单Agent只能串行。而且某个Agent挂了，可以单独重启替换，不影响整体。设计多Agent系统，有几个关键考量。先说任务分解策略。我一般按技能维度拆，比如Coder、Reviewer、Tester，或者按流程阶段拆，规划、执行、验证。这里有个坑：分解的粒度…

#百度#Agent#多 Agent 协同

面试题·Agent· 美团

Agent 主流架构怎么选?

匹配正文：…、DSPy） 3. Multi-Agent架构核心组件： Router/调度器：意图识别+Agent分发专用Agent：各垂直领域（如查询、下单、售后）通信机制：消息队列/共享内存优点：模块化、可扩展、并行处理缺点：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 Reflectio…

#美团#Agent#Agent 架构设计

面试题·Agent· 美团

Agent 必备基础能力有哪些?

匹配口述回答：…呢，分短期和长期。短期就是当前对话上下文，受限于上下文窗口；长期靠 [[Vector Database]] 存历史经验、用户偏好、领域知识。这里有个边界划分：感知负责“当下看到什么”，记忆负责“过去知道什么”。落地时，如果任务依赖历史交互，比如客服要查用户之前的退款记录，那长期记忆就是必须的；如果只是单次问答，短期记忆就够了，没必要每次都去向量库检索，否则延迟和成本都上去了。再讲规划和工具调用。规划负责把复杂目标拆成可执行的子步骤，决定下一步是调用工具还是直接回答。常用模式…

#美团#Agent#Agent 基础能力

面试题·评估· 淘天

偏好感知系统架构怎么选?

匹配正文：…一分数的信息损失数据质量控制标注者一致性检验（Kappa系数>0.6）困难样本挖掘：模型置信度接近0.5的pair优先标注领域覆盖：电商场景需覆盖售前咨询、售后、比价等细分场景二、模型架构三阶段RLHF流程 SFT：用高质量对话数据监督微调，建立基础对话能力 Reward Model：输入(prompt, response)输出标量分数，常用架构在最后一层加回归头损失函数：-log σ(r_θ(x,y_w) - r_θ(x,y_l)) 多任务扩展：多维度分数→加…

#淘天#偏好感知对话系统#对话系统训练数据

面试题·评估· 美团

Agent 哪个方向最易落地?

匹配口述回答：…质量极高，GitHub、Stack Overflow上全是结构化的、标好答案的代码，做[[SFT]]和[[RLHF]]的成本比其他领域低很多。另外工具生态已经铺好了，Copilot、Cursor这些IDE插件已经把用户习惯培养起来了，我们不需要让人学一套新工具。再说市场需求。开发者的痛点很真实：重复写模板代码、频繁切换上下文、学新框架成本高。而且付费主体是企业，企业愿意为提升开发效率的生产资料花钱。全球几千万开发者，一个人一年收一两百美元，这就是百亿级的市场。竞争还没定型，…

#美团#评估与监控#Agent 商业落地

面试题·评估· 美团

Agent三大能力评估陷阱

匹配正文：…）含义：主动获取外部知识，弥补模型参数知识的时效性和准确性不足场景体现：实时搜索最新股价、新闻进行研报生成检索专业文档回答领域问题多轮搜索验证事实，减少幻觉核心关系三者形成闭环：Search获取信息 → Coding处理信息 → GUI执行动作，共同支撑Agent完成真实世界的复杂任务。当前大模型在Coding上相对成熟，GUI操作因视觉理解和精确控制仍是难点。

#美团#Agent#Agent 能力评估

面试题·模型微调· 百度

Prompt Engineering 关键原则有哪些?

匹配口述回答：…效果更稳。还有一个常用的技巧是角色设定。比如让模型扮演一个资深客服专家，它的回答风格和知识调用方式都会变。这个适合需要特定语气或领域知识的场景，比如法律咨询，角色设定能降低模型泛泛而谈的概率。说到真实业务场景，我举个例子：电商平台的客服退款政策问答。用户问'我买的鞋子有点开胶，能退吗'，直接答可能给出错误政策。我一般这么设计Prompt：先设角色，'你是电商平台资深售后专家'，再给少样本，给两三个退款成功和拒绝的案例，最后加一句思维链，'请先判断是否在质保期内，再根据开胶…

#百度#模型微调#Prompt工程

面试题·知识图谱· 海尔

数据/架构/推理/工具怎么选?

匹配口述回答：…典”的能力。但工具调用也有前提，就是工具的接口要稳定、返回要可靠，否则工具本身出错反而引入新幻觉。说到这，其实有个很有意思的点：RAG 和微调在缓解幻觉上的边界在哪？比如知识频繁更新的场景，RAG 明显更灵活；但如果是模型对某个领域的常识性错误，比如“海尔是德国的”，用知识编辑方法比如 ROME 直接改模型参数可能更彻底。这个取舍我还在实践中摸索，不同场景权重不一样。所以整体上，我的看法是没有银弹，只有组合拳。数据层做基础，RAG 做动态约束，推理策略做最后校验，工具层…

#海尔#幻觉治理#大模型幻觉缓解

面试题·Prompt· 字节

AI Agent 核心特点与局限

匹配题目：请系统阐述AI Agent的核心特点，分析其在当前技术条件下的优势与局限性，并展望未来在自动化、智能服务等领域的发展潜力。

#字节#评估与监控#Agent

面试题·检索· 网易

BM25+向量+Cross-Encoder 怎么组合?

匹配正文：…l/nDCG、端到端问答质量、延迟和成本共同选择。数据变化时持续监控两路召回贡献、重排增益和失败查询，不能把任一固定组合称为所有 RAG 系统的“黄金标准”。图解 BM25+向量+Cross-Encoder 怎么组合?图解

#网易有道#BM25向量Cross-Encoder#BM25 向量召回 Cross-Encoder

面试题·检索· 美团

混合检索为什么用 Sparse+Dense?

匹配正文：…词，但无法理解同义词、语义变体 Dense检索：擅长语义理解，但对罕见词、专有名词容易失配混合检索=精确性+语义泛化能力，是生产RAG系统的标配。 Sparse检索（稀疏检索）原理：基于倒排索引的词频统计方法，典型代表BM25 BM25(q,d) = Σ IDF(q_i) · [f(q_i,d)·(k1+1)] / [f(q_i,d) + k1·(1-b+b·|d|/avgdl)] 只关注查询词是否出现在文档中，向量极度稀疏（维度=词表大小）相似度度量：BM25 sco…

#美团#Hybrid Retrieval#混合检索