匹配口述回答：…ent装手接口标准化与参数校验的工程落地调用调度和错误处理的实际权衡真实业务场景：电商订单查询结尾给出可延伸点：工具粒度与LLM能力的关系约4分钟工具粒度需要根据LLM能力和延迟要求动态调整，不是越细越好。面试官可能会追问：具体怎么根据LLM能力调整工具粒度？或者ReAct模式和直接Function Calling在工具调度上的区别。

#阿里云#Agent#Agent 工具集成

面试题·Agent· 百度

匹配追问：…调接口、还可能要处理查询失败。你讲讲这个Agent从拆任务到调工具、再到根据反馈调整的整个工作流程是怎么设计的？层层追问你觉得大模型和智能体的核心区别在哪？……那Agent怎么把一个大目标拆成一步步做？……拆完之后它怎么调用外部工具，比如查数据库或发API？……如果工具调用失败了，它怎么自己调整？直球架构请从系统设计角度，完整阐述智能体的工作原理，包括规划、记忆、工具调用、执行反馈这几个核心模块，以及它们如何协同实现自主决策和持续学习。直接讲清楚ReAct这类闭环机制…

#百度#Agent#Agent 工作原理

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…

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

#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?

匹配追问：场景切入假设你在做一个智能客服机器人，需要对接多个数据源、调用不同API，你打算怎么把LLM和这些工具串起来？用LangChain还是LlamaIndex，为什么？层层追问你了解Agent框架有哪些？……LangChain和LlamaIndex你更熟悉哪个？……它们模块化设计上有什么本质区别？……如果我要做个多Agent协作的系统，你会怎么选？直球架构比较一下LangChain和LlamaIndex在模块化设计、工具集成和应用场景上的异同。你实际项目中会怎么选型？

#阿里云#Agent#Agent 开发框架

面试题·Agent· 淘天

LangGraph 优势场景有哪些?

匹配口述回答：…[[Agent]]执行从一条直线变成一张图。嗯，我理解LangGraph的核心是把Agent的每一步都建模成有向图里的节点，节点是LLM调用或者工具执行，边控制怎么流转。ReAct是交替推理和行动的迭代方法，并不等于线性框架；LCEL组合Runnable。这里应与只实现顺序调用、未加状态恢复的编排示例比较。那区别在哪呢，我直接说场景。先看一个最典型的场景，需要循环迭代的任务。举个例子，代码生成、测试、修复这个闭环。传统框架你写一段代码，跑测试，失败了，你想让它回去改代码，重…

#淘天#Agent#LangGraph 优势

面试题·Agent· 百度

Agent 规划记忆工具分工

匹配口述回答：…结是：Agent不是简单的组件堆叠，而是规划-记忆-工具-行动的闭环设计。我会把重点放在规划与工具的闭环上，因为这是Agent区别于聊天机器人的本质。记忆和行动更多是支撑，但做不好同样会崩。真要上线，我会先确保工具调用的准确率，再优化规划的灵活性，否则空有规划但执行不了，就是画饼。一句话定位：Agent本质是让LLM从对话走向自主决策四大组件：规划、记忆、工具、行动边界划分：短期记忆与长期记忆，单Agent与多Agent 业务场景与风险：客服退款场景，工具调用失败与…

#百度#Agent#Agent 规划记忆工具分工

面试题·Agent· 百度

Agent 推理模式对比

匹配追问：…方式，说说各自适合什么场景？层层追问你了解哪些实现Agent的方法？……比如ReAct和Function Calling有什么区别？……那你觉得在真实生产环境里，选型时应该考虑哪些因素？直球架构请列举几种主流的大模型Agent框架或方法，并简要说明它们的特点和适用场景，比如ReAct、Function Calling、LangChain这些。

#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· 快手

Agent 系统实现流程与核心组件

匹配口述回答：我理解大模型 [[Agent]] 和普通 Chatbot 最大的区别，是它不只是回答问题，而是能围绕一个目标做规划、调用工具、观察结果，再决定下一步。典型架构可以概括成一个闭环：感知、规划、行动、观察、记忆，循环直到任务完成或触发停止条件。感知模块负责把用户输入、环境状态、工具返回结果统一整理成系统能理解的状态。比如用户说“帮我看下这个订单为什么没退款”，系统不能只把这句话丢给模型，还要识别意图、抽取订单号、确认用户权限，并把这些变成结构化状态。规划模块负责决定下一步做什…

#快手#Agent#Agent 系统实现

面试题·Agent· 字节

AutoGen vs LangGraph 怎么选?

匹配正文：…LangGraph 显式图结构+checkpoint机制，可精确回放复杂条件分支、循环依赖 LangGraph 代码级控制，避免LLM"幻觉"导致流程失控快速原型、代码生成Agent AutoGen 内置UserProxyAgent等工具，上手更快一句话总结 AutoGen是**"让Agent像人一样对话协作"，LangGraph是"用图把LLM调用编排成可靠工作流"**。二者都能构建受控编排；可靠性、开发成本与速度应按任务、版本、状态/授权/停止策略及实测结果比较。 …

#字节#百度#Agent

面试题·评估· 高德

Agent 多工具如何评分选路?

匹配口述回答：…用规则加打分的混合策略，因为它在成本和效果之间平衡得最好，LLM 只用在需要推理的少数场景。这样既避免了规则引擎的僵硬，又控制了 LLM 的高延迟和高成本。工具选择本质是多目标优化工具表征层：统一元信息决策引擎层：三种策略及其边界执行与反馈层：动态适应业务场景与风险约4分钟用ReAct循环让Agent在执行中动态调整工具选择，而不是一次定死。面试官可能会追问ReAct的具体实现、与降级策略的区别，或者如何避免ReAct循环带来的额外延迟。

#高德#评估与监控#Agent

面试题·评估· 字节

Agent 系统优缺点怎么分析?

匹配口述回答：这道题我觉得本质上不是在问[[Agent]]的定义，而是在问：什么时候该让大模型自己动手干活，什么时候不该。因为Agent的优势和坑其实是一体两面，核心就一句话，它把LLM从聊天框里放出来，让它能调用工具、能规划步骤、能自主决策，但同时也把模型[[幻觉]]和不可控的风险放大了。先说优势。Agent最典型的架构就是规划、记忆、工具、行动四个模块。规划靠[[Chain-of-Thought]]或者[[ReAct]]把大任务拆成子步骤；记忆分短期上下文和长期向量记忆，能跨会话保持…

#字节#Agent#Agent 系统优缺点

面试题·评估· 字节

Agent 中规划与执行怎么协同?

匹配正文：…划模块分析原因并调整策略，而非简单重试成本权衡：过度规划增加Token消耗和延迟，实际系统常设规划深度阈值或采用自适应规划本质区别：规划处理不确定性（决策空间），执行处理确定性（动作落地），二者闭环迭代构成Agent的自主核心。

#字节#评估与监控#Agent

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配追问：…服系统，客户每天咨询的产品政策经常更新，比如促销规则、退换货条款。你是选择定期微调模型，还是用RAG？为什么？层层追问你怎么看大模型的幻觉问题？……常用的缓解方法有哪些？……那RAG和SFT在这上面有什么本质区别？……什么时候你宁愿用RAG而不是花精力做SFT？直球架构请你对比RAG和纯SFT，从知识更新、幻觉控制、训练成本、可解释性四个维度讲一下各自优劣，并给出RAG明显占优的两种具体场景。

#美团#模型微调#RAG vs SFT

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配正文：…文档（8K+）向量维度：768/1024常见，维度越高存储成本越大推理成本：边缘端选小模型（如bge-small），服务端可选大模型进阶优化：垂直领域建议用领域数据做对比学习微调重排序（Rerank）阶段可用Cross-Encoder提升精度一句话总结通用场景选BGE-large，长文本选GTE，成本敏感选M3E，中英混合做微调——没有最好，只有最适合业务约束的。

#百度#文本嵌入模型#Embedding 模型对比

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配口述回答：这道题其实问的是，大模型知识有截止日期还爱胡说，怎么让它基于真实文档来回答。说白了就是给模型一个开卷考试的环境，先搜后答。具体流程分三段：先离线建个知识库，再在线检索，最后生成答案。先说建库。原始文档不能直接往里扔，得先[[切块]]，按语义或者固定长度。我一般用语义切分，比如按段落或者用 LangChain 的 RecursiveCharacterTextSplitter，这样一块就是一个完整意思。切完用 [[Embedding]] 模型转成向量，然后存到 [[Vecto…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·Prompt

Few-shot 和 Zero-shot 是什么意思?

匹配口述回答：面试官问的这个问题，其实是在考察我们对大模型**[[上下文学习]]**机制的理解。说白了，zero-shot和few-shot都不更新模型参数，而是靠prompt里的信息让模型临时学会一个任务。先简单说下定义。[[Zero-shot]]就是不给例子，直接用文字描述任务，比如我写一句“判断这个评论的情感是正面还是负面”，模型直接答。[[Few-shot]]是在prompt里放几个输入输出对，像“苹果很好吃 → 正面；这个手机太卡了 → 负面；新买的耳机音质不错 → 正面”，然…

#入门#基础概念#Few-shot

面试题·Agent

ReAct 框架是什么?

匹配追问：概念辨析 ReAct 和 Chain-of-Thought 都强调"让模型先思考",两者的本质区别在哪?什么样的问题光有 CoT 不够、必须上 ReAct? 追问边界 ReAct 每走一步都要调一次大模型,延迟和成本都上去了。什么样的任务其实不该用 ReAct?你会怎么设计退出条件防止它死循环?

#入门#基础概念#ReAct 框架

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配口述回答：…dge Graph]]，再基于图结构去检索，这样就能回答那些答案分散在多段、甚至多个文档里的全局性问题。具体说一下知识组织方式的区别。传统RAG是把文档切成块，每个块单独做[[Embedding]]，存到[[Vector Database]]里，查的时候找向量最像的几个块拼起来。这样信息是原子化的，跨段落的关联就丢了。比如两个段落都在讲同一个产品，但一个说功能，一个说售后，向量相似度可能就不够高，检索时它们就碰不到一起。GraphRAG的做法是先抽实体和关系，人、组织、概念…

#美团#GraphRAG#传统 RAG 对比

面试题·多模态· 淘天

伪 vs 真多模态 RAG 优劣在哪？

匹配正文：…本 → 多模态编码器（如CLIP、LLaVA、Qwen-VL）→ 共享向量空间检索检索结果：原始图像块 + 相关文本 → 多模态LLM生成本质：跨模态统一表征，端到端多模态处理三维度对比分析维度伪多模态真正多模态信息保留 ❌ 损失严重：空间布局、颜色、纹理、细微视觉特征全部丢弃；图表结构变形 ✅ 完整保留：像素级信息直达生成端推理能力弱：只能做"图中有什么"的浅层问答；无法回答"这个设计为什么好看" 强：支持视觉推理、空间关系、风格分析等深层理解系统复杂度…

#淘天#多模态#伪多模态RAG

面试题·Prompt· 华为

思维链(CoT)什么时候用?

匹配追问：…算天数。如果直接让大模型回答，它可能跳步给出错误结论。你一般会在什么情况下给模型加思维链，让它一步步推理？层层追问你平时怎么让大模型做多步推理的？……如果直接让它输出答案，它容易错，那你怎么引导它把推理过程写出来？……比如数学题或者需要查多个信息才能回答的问题，具体什么时候必须用CoT？直球架构请说一下，在什么场景下必须引入思维链或逻辑引导策略？举例说明它的作用机制，比如CoT是怎么减少推理错误的，以及它和标准prompt的区别。

#华为#思维链 CoT#Chain-of-Thought 使用场景

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配口述回答：这道题其实是在问，当你面对一个大模型时，怎么用提示词让它稳定、高效地完成你想要的输出。本质上，这是人和模型之间的沟通问题。我会从几个层次来讲：先是基础技巧，再是推理增强，然后是[[Agent]]模式，最后聊聊怎么选型和落地风险。先说基础技巧。最简单的就是 [[Zero-shot]]，直接给指令，比如“把这段翻译成英文”。它适合特别明确、不需要额外示例的任务，比如格式转换、简单分类。但一旦任务复杂一点，效果就不稳定了。所以更常用的是 [[Few-shot]]，给两三个例子，模…

#小红书#提示工程方法#Prompt 技术

面试题·Prompt· 美团

ReAct 框架怎么实现推理+行动?

匹配口述回答：这道题问的是[[ReAct]]框架，我觉得它本质上是问大模型怎么把思考和行动结合起来，不是单一地推理或者单一地调用工具。ReAct的核心就是让模型交替进行推理和行动，用Thought、Action、Observation这个循环来推进任务。你可以这么理解，它不像传统方法那样先想好再去做，而是想一步做一步，做完看结果再想下一步。具体说一下工作机制。ReAct有三个要素循环：Thought、Action、Observation。Thought是模型显式输出思考，比如分析当前状态…

#美团#评估与监控#Agent

面试题·Prompt· 美团

ReAct 框架怎么工作？

匹配题目：请介绍ReAct（Reasoning + Acting）框架的基本思想、工作流程及其在大模型代理（Agent）任务中的应用，例如问答、工具调用等场景。

#美团#Agent#ReAct 框架

面试题·Prompt· 哔哩哔哩

CoT 思维链由哪些部分构成?

匹配正文：…、最终结论能举例说明CoT的结构化呈现方式（如"Let's think step by step"）理解CoT与标准提示的本质区别（显式推理路径 vs 直接答案）提及CoT的变体（Zero-shot CoT、Few-shot CoT、Self-consistency等）能结合具体场景（数学推理、逻辑判断）说明逻辑演进过程 CoT的核心组成思维链（Chain-of-Thought）本质上是一种显式推理路径，包含三个关键部分：组成部分作用示例问题理解明确任务目…

#b站#Chain-of-Thought 结构#CoT 组成部分

Agent 外部工具怎么集成?

Agent 组件如何实现自主决策与学习?

LangChain vs LlamaIndex vs AutoGPT 架构差异?

Agent框架模块化与工具集成怎么比?

LangGraph 优势场景有哪些?

Agent 规划记忆工具分工

Agent 推理模式对比

Agent 系统实现流程与核心组件

AutoGen vs LangGraph 怎么选?

Agent 多工具如何评分选路?

Agent 系统优缺点怎么分析?

Agent 中规划与执行怎么协同?

RAG vs SFT 场景怎么选?

文本嵌入模型怎么选?

RAG 基本工作流程是什么?

Few-shot 和 Zero-shot 是什么意思?

ReAct 框架是什么?

GraphRAG创新点 vs 传统RAG 是什么?

伪 vs 真多模态 RAG 优劣在哪？

思维链(CoT)什么时候用?

提示工程有哪些核心方法?

ReAct 框架怎么实现推理+行动?

ReAct 框架怎么工作？

CoT 思维链由哪些部分构成?