匹配正文：… 索引驱动（Index/Query Engine）+ 代理层自主目标分解 + 执行循环设计哲学 "可组合"——像搭积木一样拼装LLM应用 "检索增强"——让LLM更好地连接外部数据 "自主代理"——模拟人类自主决策模块化高度模块化，组件丰富但学习曲线陡模块化适中，RAG相关组件深度优化模块化较弱，偏向端到端黑盒关键能力拆解工具集成 LangChain：通过@tool装饰器或BaseTool基类注册，支持同步/异步，但工具间状态管理较复杂 LlamaIndex：…

#淘天#字节#Agent

面试题·Agent· 高德

Tool Calling 参数格式怎么保?

匹配正文：…JSON块（r'\{.*\}'贪婪匹配） L2-修复：常见错误模式匹配（单引号换双引号、尾随逗号删除） L3-回退：解析失败时，用LLM二次修复或返回错误让模型重试 def repair_json(raw: str) -> dict: # 常见修复：单引号、注释、多余换行 cleaned = raw.replace("'", '"').strip() try: return json.loads(cleaned) except: return llm_repair(clean…

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

#高德#Tool Calling 参数格式#约束解码

面试题·Agent· 字节

Agent 架构的取舍与适用条件

匹配题目：请系统分析智能Agent在大模型应用中的核心优势与主要局限性，结合RAG等典型场景，说明其设计权衡与适用条件，并举例阐述在实际业务中如何判断是否采用Agent架构。

#字节#Agent#Agent 架构

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配正文：…模型生成"记忆卡片" 结构化注入：检索结果转为Markdown表格/JSON，降低模型解析负担 Agent工程优化检索决策前置：LLM先判断"是否需要检索"，减少无效调用结果缓存分层：Embedding结果缓存（小时级）vs 生成结果缓存（会话级）失败降级链：检索超时→用参数知识回答→标记待核实学习建议建议从检索效率、上下文管理、模型协同等角度理解RAG全流程，结合真实案例学习性能优化策略。

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 小红书

生成式推荐系统有哪些改进方向？

匹配正文：…支撑在线实时推荐四维度改进方向 1. 模型架构：从"纯生成"到"生成-判别协同" 方向具体思路判断依据 Diffusion+LLM混合 Diffusion负责候选集生成（多样性），LLM负责重排序（个性化）可作为候选生成研究方案；多样性、质量和延迟需与自回归及判别基线实测多模态统一生成图文视频统一token化，端到端生成推荐理由+封面+标题小红书内容形态丰富，模态对齐能提升种草转化率隐式反馈显式化将停留时长、滑动速度等连续信号编码为生成条件解决当前序列建模…

#小红书#Agent#生成式推荐系统

面试题·Agent· 小红书

冷启动新用户怎么推荐?

匹配正文：…优化。一、模型架构：双塔+生成式混合模块设计冷启塔轻量DNN，输入画像+上下文+社交特征，输出初始兴趣分布生成塔基于LLM的Seq2Seq，接收冷启塔输出作为prompt条件，生成个性化推荐理由+候选融合层冷启阶段生成塔权重高（>0.7），随交互增加逐渐切换至传统召回关键：生成塔不直接生成item ID（幻觉风险），而是生成兴趣标签组合或自然语言描述，再经语义索引召回真实item。二、探索-利用的Agent化设计将推荐建模为多轮对话式Agent： St…

#小红书#Agent#冷启动推荐

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配正文：主流Agent框架对比 1. LangChain —— 通用编排框架核心定位：LLM应用的全流程编排与工具集成核心能力：Chain/Agent抽象、工具调用（Tool Calling）、记忆管理、多模型路由技术特点：LCEL（LangChain Expression Language）支持流式、异步、并行执行 Agent场景：ReAct、Plan-and-Execute、Self-Ask等推理模式的标准化实现 RAG角色：提供RetrievalQA、Conversati…

#阿里云#Agent#Agent 框架对比

面试题·Agent· 高德

Agent API容错：重试降级与澄清

匹配正文：…异常分层与捕获机制工具调用异常按来源分三层处理：层级典型异常处理策略网络层超时、连接断开、DNS失败重试 + 熔断应用层 4xx/5xx、限流、格式错误降级 + 告警业务层空结果、语义不匹配用户澄清或兜底核心原则：每层只处理本层能决策的，向上层暴露必要上下文。二、重试策略设计指数退避 + 抖动： delay = min(base * (2 ** attempt) + random_jitter(), max_delay) attempt < ma…

#高德#Agent#Agent 容错机制

面试题·Agent· 淘天

LangChain vs LlamaIndex vs AutoGPT 架构差异?

匹配正文：四大框架核心定位框架核心定位设计哲学 LangChain 通用LLM应用编排模块化链式组合 LlamaIndex 检索增强型Agent 数据索引优先 AutoGPT 自主决策Agent 目标驱动循环 LangGraph 复杂状态流Agent 图结构状态机关键维度对比 1. 架构设计 LangChain：Chain为核心，线性/分支结构，通过LCEL语法糖组合 LlamaIndex：QueryEngine封装检索+生成，Agent是AgentRunner包装器 Aut…

#淘天#Agent#Agent 框架对比

面试题·Agent· 阿里

Agent框架模块化与工具集成怎么比?

匹配正文：核心定位差异框架核心定位设计哲学 LangChain 通用LLM应用编排 "Chains"串联组件，强调灵活组合 LlamaIndex 检索增强生成(RAG) 数据索引与查询为核心，Agent是上层封装 AutoGen 多Agent对话系统以对话为中心的Agent交互模式模块化设计对比 LangChain LCEL (LangChain Expression Language): 用 | 管道符组合组件，如 prompt | llm | parser 抽象层：Mod…

#阿里云#Agent#Agent 开发框架

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配正文：…声淹没。电商案例：商品详情页RAG中，多个Chunk重复包含"7天无理由退换"标准话术，而真正关键的"电池容量参数"仅出现一次。LLM注意力被分散，回答抓不住重点。关键影响：Token浪费、推理成本上升、关键信息遗漏。 3. 知识更新延迟（Knowledge Staleness）问题本质：向量库构建周期长，无法感知实时变化。电商案例：大促期间价格/库存秒级变动，但RAG仍返回昨日缓存的"满199减30"活动信息。用户下单时发现优惠失效，体验极差。关键影响：实时性业务…

#淘天#Agent#RAG 痛点

面试题·Agent· 淘天

LangGraph 优势场景有哪些?

匹配正文：LangGraph的核心优势 LangGraph的本质是将Agent执行建模为有向状态图，节点是计算单元（LLM调用/工具执行），边控制流转逻辑。相比只实现顺序调用的编排示例，关键差异在于下表。ReAct是交替推理与行动的迭代方法，不是线性框架；可在LangGraph或其它执行循环中实现：特性简单顺序编排示例 LangGraph 执行流线性或简单分支任意有向图，支持循环状态管理需自行选型/实现显式state；配置checkpointer与存储后可持久化恢复人机…

#淘天#Agent#LangGraph 优势

面试题·Agent· 百度

MCP vs Function Calling 怎么选?

匹配正文：答案要点明确MCP是开放协议、Function Calling是模型能力的本质区别对比两者在架构层级（应用层vs模型层）的差异说明MCP的跨模型兼容性和生态优势分析Function Calling的即插即用和低延迟优势结合具体场景说明选型依据核心定位差异维度 MCP Function Calling 本质开放协议标准（应用层）模型原生能力（模型层）设计目标统一AI与外部系统的交互接口让LLM自主决策调用外部工具主导方 Anthropic开源，社区驱动…

#百度#小鹏#美团

面试题·Agent· 百度

Agent 推理模式对比

匹配正文：…t管理、记忆、工具链等特点：生态丰富、上手快；但抽象层厚，定制灵活性受限适用场景：快速原型验证、RAG+Agent结合的标准化应用 4. AutoGPT / BabyAGI 核心机制：目标分解 + 自主任务队列 + 长期记忆特点：追求完全自主，但稳定性差、易陷入循环适用场景：实验性探索、开放式任务（实际生产较少用） 5. Multi-Agent框架（如MetaGPT、AutoGen）核心机制：多角色协作，模拟软件开发等流程特点：分工明确，适合复杂协作任务；通信开销…

#百度#Agent 推理模式对比#Agent 推理模式有哪些？ReAct、Plan-and-Execute 与 Reflection

面试题·Agent· 小米

Agent 训练数据怎么获取?

匹配正文：…引入多样性控制（温度采样+输出约束）和事实性校验（工具执行验证），避免"幻觉传染"。二、人类反馈收集（对齐真实需求）反馈类型应用场景成本/质量权衡专家标注轨迹复杂工具链使用（如数据分析Agent）高成本、高质量众包偏好对比通用对话Agent的回复选择中等成本、需清洗用户隐式反馈生产环境的点击/完成率低成本、噪声大实践要点：建立标注指南+抽样质检机制；偏好数据需满足Bradley-Terry模型的可比性假设。三、环境交互数据（闭环能力提升）真实…

#小米#Agent#Agent 训练数据

面试题·Agent· 字节

AI Agent 趋势与挑战怎么破?

匹配正文：…eep Research）、游戏NPC等场景专用化 2. 技术进展亮点模块关键进展规划从CoT到ToT（思维树），再到基于LLM的MCTS搜索记忆短期工作记忆（上下文压缩）+ 长期向量记忆 + 知识图谱结构化记忆工具调用 Function Calling标准化，MCP协议推动工具生态互通安全沙箱执行、权限分级、人机协同确认机制核心挑战：技术+工程双重困境技术层面规划可靠性：长程任务错误累积，"一步错步步错"；复杂约束下的最优解搜索仍是NP-hard 工…

#字节#百度#Agent

面试题·Agent· 字节

AutoGen vs LangGraph 怎么选?

匹配正文：…und_robin/自定义选择，当前RoundRobinGroupChat按轮次执行，Selector可用模型。可配置停止、取消与应用授权边界，不能称为一律不可控 LangGraph：原生支持显式循环边、条件边（conditional edges），用代码精确控制流程可扩展性 AutoGen：0.2可扩展ConversableAgent；当前Core/AgentChat通过各自Agent、消息与Team接口扩展，需按对应版本实现 LangGraph：自定义Node（任意Py…

#字节#百度#Agent

面试题·评估· 高德

Agent 多工具如何评分选路?

匹配正文：…切换备选典型场景适配场景策略选择关键考量导航/打车（高德场景）规则+打分混合延迟极敏感，先过滤再排序复杂数据分析 LLM-based 需理解工具能力差异，允许稍高延迟批量任务处理成本优先排序牺牲单条速度换整体成本最优学习建议建议先掌握Agent基本架构，再学习工具调度策略，结合RAG与决策模型案例理解打分与排序机制的实际应用。

#高德#评估与监控#Agent

面试题·评估· 美团

RAG 指标权衡与阈值

匹配正文：…ecall@K 相关文档是否被召回知识库场景优先保召回，客服场景可适当降低 MRR/NDCG 排序质量，高相关文档是否靠前影响LLM输入质量，但计算成本高上下文相关性召回内容与query的语义匹配度需过滤噪声，避免无关信息干扰生成二、生成质量指标指标意义实践考量答案相关性回答是否切题，有无答非所问最基础指标，但无法检测幻觉事实一致性生成内容是否与检索文档一致最关键指标，需用NLI模型或人工校验信息覆盖率是否完整回答用户问题多跳问答场景尤为重…

#美团#评估与监控#RAG 指标权衡与阈值

面试题·评估· 字节

Agent 系统优缺点怎么分析?

匹配正文：…点容错设计：工具调用失败重试、降级到预设流程人机协同：关键节点设置确认机制（HITL）成本管控：小模型做意图识别/简单规划，大模型仅处理复杂分支监控体系：追踪每一步的输入输出、耗时、Token 消耗学习建议建议从任务分解、工具调用、记忆机制等角度理解Agent工作原理，结合RAG、多Agent协作等案例学习优缺点，注重实际应用场景分析。

#字节#Agent#Agent 系统优缺点

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配题目：请详细解释检索增强生成（RAG）架构如何通过引入外部知识源来缓解大语言模型的幻觉问题，阐述其在实际系统中的实现机制、核心优势、典型局限性，并结合应用场景说明其设计考量与优化方向。

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配正文：…，避免"货不对板" 商品文案生成结合SKU属性库，生成准确规格描述商家问答平台规则动态更新，确保政策解读时效性本质价值：将LLM从"闭卷考试"转为"开卷考试"，用显式检索弥补隐式记忆的不可靠性。学习建议建议先掌握RAG基本流程，理解检索与生成的协同机制，结合实例分析其在减少幻觉和提升准确率中的作用，多练习实际场景的应用解释。

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 蚂蚁

RAG 检索与生成评估

匹配正文：… Rate）：查询是否命中至少一个相关文档评估方式需人工标注query-doc的相关性标签（二元或分级） Embedding/LLM可辅助产生候选标注，但它们有噪声和评估循环风险；应以独立人工复核集校准，不能直接把同一检索器的相似度当黄金相关性。二、生成质量评估忠实性（Faithfulness）答案是否基于检索内容，有无幻觉常用方法：NLI模型判断陈述与文档的蕴含关系答案相关性（Answer Relevance）答案是否直接回应问题，有无跑题可用问题-答案E…

#蚂蚁#评估与监控#RAG 检索与生成评估

Attention 在 Agent 多轮对话有哪些局限?

架构 vs 模块 vs 工具集成怎么选?

Tool Calling 参数格式怎么保?

Agent 架构的取舍与适用条件

Agent 中 RAG 瓶颈怎么破?

生成式推荐系统有哪些改进方向？

冷启动新用户怎么推荐?

LangChain vs LlamaIndex 在 RAG 中怎么选?

Agent API容错：重试降级与澄清

LangChain vs LlamaIndex vs AutoGPT 架构差异?

Agent框架模块化与工具集成怎么比?

传统 RAG 有哪些痛点?

LangGraph 优势场景有哪些?

MCP vs Function Calling 怎么选?

Agent 推理模式对比

Agent 训练数据怎么获取?

AI Agent 趋势与挑战怎么破?

AutoGen vs LangGraph 怎么选?

Agent 多工具如何评分选路?

RAG 指标权衡与阈值

Agent 系统优缺点怎么分析?

RAG 缓解幻觉的机制

RAG 怎么减少幻觉?

RAG 检索与生成评估