匹配口述回答：…复杂业务场景的SOP根本没法预设。比如你做一个电商满减政策计算，不同商家规则差异很大，硬套SOP反而会出错。它的通信开销也大，几个Agent来回聊，延迟很高。所以实际选型，我有个判断：没有银弹。真正落地的项目，往往是混合的。比如客服系统，核心退款流程用LangChain编排，保证可控；同时加一个AutoGPT风格的Agent做异常场景的探索，但限定它的行动步数，超时就人工接管。MetaGPT的模式，我只在生成标准化文档或代码模板时用，而且会简化角色，比如只留架构师和工程师两…

#Agent#AI Agent 框架对比#LangChain vs AutoGPT

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：…关系"vs"相关关系"） 2. 语义关联发现向量检索找"相似"，图遍历找"关联" 支持多跳路径检索：如"李彦宏→百度→文心一言→Agent能力" 关系权重量化关联强度，过滤噪声边 3. 上下文连贯性利用社区检测（如Leiden算法）识别主题簇生成阶段按图拓扑组织上下文：先全局摘要→再局部细节避免传统RAG的"信息孤岛"和重复矛盾 4. 复杂推理能力显式推理链：可追溯"为什么选这个答案" 支持聚合类查询："总结A领域三大趋势及其相互影响" 图结构本身作为CoT提示，引…

#百度#知识图谱#GraphRAG 优势

面试题·Prompt· 高德

CoT vs ToT vs GoT 怎么选?

…息整合生成攻略可尝试GoT的聚合能力。学习建议建议从基础推理方法CoT入手，逐步学习ToT和GoT的结构化思想，结合论文与开源项目实践，理解不同方法在任务分解与搜索策略上的差异。

← 上一页第 8 / 8 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

匹配正文：

#高德#CoT ToT GoT 对比#大模型规划能力

面试题·Prompt· 高德

ReAct 框架为什么优于纯提示?

匹配标题与标签：ReAct 框架为什么优于纯提示? 复杂任务中推理与行动协同的核心思想与优势分析 Prompt 高德 Agent ReAct 框架 Reasoning+Acting 复杂任务 Agent 高德

#高德#Agent#ReAct 框架

面试题·Prompt· 美团

ReAct 框架核心思想与流程

匹配标题与标签：ReAct 框架核心思想与流程 Reasoning+Acting 如何提升大模型代理任务效果 Prompt 美团 Agent ReAct 框架 Reasoning and Acting 大模型代理 ReAct 工作流程美团

#美团#Agent#ReAct 框架

面试题·Prompt· 阶跃星辰

ReAct 各模块输入输出是什么？

匹配口述回答：…构化，而且必须对模型的输出做严格的格式解析和校验，否则很容易被格式错误打断。我更倾向于把它看成一种模式，而不是一个固定的框架，实际项目中经常和Agent的其他设计混用，比如加上记忆模块或者多Agent协作。一句话定位：ReAct本质是让模型交替思考和行动，动态调整策略 Plan不是静态计划，是动态推理链；提示词设计要严格约束格式 Observation是环境反馈，驱动下一轮推理完整示例：查询诺贝尔奖得主贡献，三到四轮循环落地关注点：工具质量、幻觉控制、格式解析约4分钟…

#介跃星辰#Agent#ReAct 工作流程

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：…LlamaIndex上手更快，LangChain更灵活生产级混合系统组合使用 LlamaIndex管检索，LangChain管Agent编排实际项目中常见模式：用LlamaIndex构建高质量检索管道，通过LangChain的create_retriever_tool将其封装为工具，供Agent调用。学习建议建议系统学习该知识点

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RLHF与对齐· 美团

Long Horizon 训练环境怎么搭?

匹配正文：长视野环境的四层设计 1. 状态与观测定义真实状态、Agent 可见观测、动作、终止与截断条件。部分可观测时，允许策略使用历史、RNN/Transformer memory 或 belief state；记录随机种子与环境版本。 2. 奖励与信用分配先保留与最终任务一致的终局奖励，再谨慎加入势函数式 shaping 或可验证里程碑。提高近期奖励权重会改变优化目标，不能当作长期信用的标准修复。可按任务选择 n-step return、GAE、层级价值、return deco…

#Long Horizon RL#奖励塑形#课程学习

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配追问：…理质量？……这些技巧有副作用吗，比如成本或者稳定性问题？直球架构请系统性地介绍一下提示工程的主要方法，包括基础技巧、推理增强、Agent模式等，每个方法的应用场景和优缺点，以及在实际项目中你怎么根据任务复杂度选型。

#小红书#提示工程方法#Prompt 技术

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…自行归纳差异——这是RAG在综合推理类问题上的天然瓶颈。学习建议建议先掌握大模型基础知识，再学习信息检索与RAG流程，结合开源项目如LangChain动手实践，理解检索与生成的协同机制。

#淘天#阿里#RAG 架构

面试题·RAG

Deep Research vs RAG 怎么选?

匹配口述回答：…所以前提是要有可靠的终止条件，比如最大轮数或者置信度阈值。其实现在有个趋势是把两者结合，比如用RAG做快速的事实检索，再结合[[Agent]]的规划能力做多步推理。像[[Agentic RAG]]就是这种思路，模型先用RAG拿到初步信息，然后根据结果决定下一步是继续搜还是直接回答。这个方向的关键是平衡成本和准确性。所以我的判断是：RAG是基础设施，解决大部分常规问题，成本可控；Deep Research是进阶能力，解决那些真正需要深度研究的问题。实际项目中我会根据问题复杂…

#Deep Research#RAG#Deep Research vs RAG

面试题·RLHF与对齐· 美团

长视界任务怎么结合环境训练?

匹配口述回答：…gamma 乘下一状态势函数减当前状态势函数，在相应 MDP 条件下可以保持原最优策略。普通密集奖励虽然能提供中间信号，却可能诱导智能体反复刷局部得分而不完成终局任务。因此上线评测必须同时看原始终局成功、安全约束和塑形项占比。记忆机制和信用分配要分开。RNN、Transformer memory 或 belief state 主要帮助模型根据历史恢复未直接观测的状态，解决的是部分可观测性；它不会自动知道很早哪个动作导致最终成功。信用分配还需要 n-step return、G…

#分层强化学习#课程学习#奖励塑形

面试题·RLHF与对齐· 美团

稀疏与延迟奖励的塑形与权衡

匹配追问：在RLHF中，如果奖励模型对某个领域的数据过拟合，会导致什么现象，如何检测和缓解请举一个你实际项目中奖励设计踩坑的例子，以及如何解决 PPO训练中reward hacking的常见表现和防御手段场景切入假设现在训练一个对话 Agent，只有任务最终完成时才得到反馈。你会怎样增加可学习信号，同时避免中间奖励把策略带向错误目标？层层追问终局奖励为什么难做信用分配？……奖励塑形有哪些做法？……什么条件下潜势函数能保持最优策略？……怎样用独立成功率发现 reward hac…

#奖励塑形#稀疏奖励#多目标优化

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配口述回答：…计划。做过实验，就说评测集、基线、指标变化和代价；没做过，就只说候选方案与验证步骤。面试官真正想听的是你如何证明这个参数适合自己的项目，而不是你记住了哪个经验数字。本质是平衡检索粒度与语义完整性分块长度怎么选：短块适合事实查询，长块适合推理总结重叠策略：缓解边界丢失，但增加冗余语义完整性：边界检测与主题分割落地风险与评估约2分钟用Agent动态决定分块策略，但实现复杂且影响延迟，目前只在离线场景尝试过。面试官可能会追问Agent决策的具体实现、离线场景如何评估…

#小鹏#RAG 文档分段#检索增强生成分段策略