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。
「Agent落地」找到 346 条内容
按专题浏览 →匹配题目：在基于大语言模型的智能体（LLM Agent）系统中，如何构建一个完整的工具调用链路？请描述从用户指令解析、工具选择、参数提取、API调用到结果反馈和错误处理的全流程实现方式。
匹配口述回答：这道题其实问的是怎么把一个[[Agent]]从原型变成能稳定跑业务的东西，核心是工程落地的取舍。我主要从架构、推理和工具三个层面讲，最后提一下系统级的东西。 先说架构。我会坚持模块化，把Agent拆成规划、执行、记忆、工具四层。规划层负责任务分解，执行层调度子任务，记忆层管上下文，工具层封装外部能力。这样每层能独立优化，比如记忆层出问题不会拖垮整个流程。记忆这块我特别看重分层设计：短期记忆就是对话窗口管理，用[[滑动窗口]]或摘要压缩；长期记忆走[[向量数据库]]存历史经验，…
匹配口述回答：这道题问的是[[Agent]]记忆，其实本质是在问：当对话不再是关键词匹配，而是语义理解时，你怎么让Agent记住并召回有用信息。传统数据库靠精确匹配，但Agent对话里用户说'上次那个退款的事'，你不能指望他记住订单号，对吧？所以[[向量数据库]]成了标配，因为它按语义相似度检索，容错性强。但真正落地时，不是简单把文本转成向量存进去就完了，有很多坑要踩。 先说[[Embedding]]模型的选择。通用模型比如text-embedding-ada在垂直场景下语义区分度不够。举…
学习内容与项目面试，在同一条路上。