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。
「ReAct」找到 206 条内容
按专题浏览 →匹配口述回答：…而不是一段原始自然语言。 规划模块负责决定下一步。简单任务可以直接映射到工具调用；复杂任务才交给 LLM planner 或 [[ReAct]] 做多步拆解。这里我会加一个原则：高风险业务流程不能完全让模型自由规划，比如退款、发券、改订单，必须走状态机或审批流；模型可以负责解释和参数建议，但最终执行路径由系统约束。 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[[…
匹配口述回答：…可以越细，但反过来，工具设计也要考虑LLM的上下文窗口和推理深度。比如复杂任务，你可能需要让Agent先规划再执行，这又涉及到[[ReAct]]或者[[Chain-of-Thought]]的模式选择。这块其实值得深入。 一句话定位：工具集成本质是给Agent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…
匹配口述回答：…拆解、各子任务需要不同专业能力的场景，比如客服、代码生成、游戏AI。但如果任务本身很简单，或者对延迟极度敏感，单Agent加 [[ReAct]] 反而更靠谱。我的取舍是：先看业务能不能拆，再看团队有没有能力做调试和监控，否则多Agent带来的复杂度可能比收益还大。 多智能体系统本质是分布式协作 多Agent优势：并行、专业、鲁棒 真实业务场景举例：企业客服升级 落地风险：通信成本、冲突、调试 我的判断：多Agent是趋势，但要看场景 约4分钟 多Agent的上下文碎片化问题可…
学习内容与项目面试，在同一条路上。