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 定义」找到 208 条内容
按专题浏览 →匹配正文：… 四大机制解析 1. 知识结构化建模 将非结构化文本抽取为实体-关系-属性三元组 同一实体跨文档归一化，消除指代歧义 关系类型显式定义（如"因果关系"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…
匹配口述回答：…而不是搞一个万能方案。 先说分层。我会把知识图谱里的数据按变化速度分成三层。第一层是本体层，就是知识图谱的骨架，比如实体类型、关系定义，这个很稳定，人工维护，季度更新一次就够了。第二层是实体关系层，比如商家信息、商品目录，变化慢但会变，我一般做小时级或者 T+1 的增量更新。第三层是动态事实层，比如实时路况、库存状态、优惠券是否被领完，这种变化快，需要分钟级甚至秒级的流式更新。 这里有个边界划分：不是所有数据都需要实时。实时性是有成本的，对用户决策关键路径上的数据，比如导航终…
匹配口述回答：面试官你好，这道题问的是智能[[Agent]]里规划能力的提升方法。其实说白了，规划能力本质就是让大模型能自己做多步决策，而不是一步到位。所以主流方法都是从怎么拆解步骤、怎么探索搜索这两个角度去做的。今天我就把[[CoT]]、[[ToT]]、GoT这三类讲清楚，重点不是背原理，而是它们各自适用什么场景，以及真正落地时有哪些坑。 先说CoT，思维链。它的核心就是让模型生成中间推理步骤，一条路走到黑。好处很明显，零额外成本，写个'Let's think step by step'…
学习内容与项目面试，在同一条路上。