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。
「多轮对话 Agent」找到 45 条内容
按专题浏览 →匹配正文：… 标准Self-Attention的O(n²)计算/内存复杂度，导致实际部署中上下文窗口受限（通常4K-128K tokens） Agent多轮对话中，工具调用记录、观察结果、用户偏好等快速填满窗口，触发截断或滑动窗口遗忘 2. 历史信息稀释效应 Softmax归一化使Attention权重随序列长度增加而趋于平均化，早期关键信息（如任务目标、已确认的用户约束）被"淹没" 实验观察：超过20轮后，首轮系统指令的Attention权重常降至1%以下 3. 关键记忆选择性遗忘 缺…
匹配正文：… 检验学到位没 关联面试题 + 自检清单 ~10% 🚀 Part 1 · 主线实战 ｜ ~50% 这部分零依赖,直接跑。你会看到多轮对话里两个绕不开的问题,指代和上下文,怎么被记忆模块解决。 先讲个真实场景(这是本章的「为什么」) 前几章的 Agent,处理的都是「一个问题、一轮调研」。但真实的调研助手是多轮对话的,工程师会接着追问。这时两个问题立刻冒出来: 问题一:指代。 第一轮聊完「Qdrant」,第二轮他问:「那它支持元数据过滤吗?」这句话单独拿去检索,知识库根本不知…
匹配正文：…执行的奖励稀疏性 用户反馈的在线收集与利用 训练稳定性与灾难性遗忘的平衡 模拟环境与真实部署的分布差异 核心挑战与解决思路 1. 多轮对话的信用分配 问题：奖励通常在对话结束后才获得，难以定位哪一步决策出了问题。 方案： 采用细粒度奖励建模：对每轮回复进行即时评估（流畅度、相关性） 引入蒙特卡洛树搜索（MCTS）或Actor-Critic架构，利用价值函数估计中间状态 使用RNN/Transformer状态编码，显式建模对话历史对当前决策的影响 2. Agent动作执行的奖励…
学习内容与项目面试，在同一条路上。