匹配正文：…,效果反而下降(不是越长越好)。快满了 → 要么报错,要么硬截断丢信息 → 长任务必须做截断 / 摘要 / 外部记忆(后面手搓 Agent 会踩到)。 Agent:LLM + 工具 + 循环 + 记忆直接调一次 LLM 是「问一句答一句」。Agent 在它外面套了一层自治循环: 感知(读输入/状态) → 规划(想下一步) → 行动(调工具) → 观察(看结果) → 回到规划……直到完成一句话:Agent = LLM(大脑) + 工具(手脚) + 循环(自治) + 记忆(…

#Agent#AI 编程

面试题·Agent

LLM、Workflow 和 Agent 怎么选？什么任务根本不该做成 Agent

匹配正文：…起来像在问概念，实际上是在核验两件事：第一，你是否真的理解自己做的系统；第二，你有没有为了追热点，把一个本来很确定的问题硬包装成 Agent。很多项目介绍里写着“基于 Agent 实现智能决策”，追问两轮才发现，系统只有一次模型调用，或者永远按相同顺序调用三个接口。这样的实现不是不能用，而是命名和设计依据都说不清。面试官担心的也不是术语用错这么简单：如果团队连控制流属于谁都没有想明白，后续的权限、失败恢复、成本和评估通常也没有想明白。先给出 30 秒回答一次 LLM 调…

#Agent#架构与规划#Agent 和 Workflow 区别

求职指南·求职

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：大模型应用开发不是学"一个东西",而是一张地图:RAG、Agent、Prompt 与上下文、评估与监控、重排与检索、模型微调、推理部署几个方向,各自解决不同问题、考察热度也差很多。转行者最该避免的坑是"全都学一遍",正确做法是按面试频率和自己的背景挑一条主线做深。这一页就是全站技术地图的枢纽,帮你先看清全貌再决定学哪条。作者:吴师兄 | 适合:刚决定转大模型、面对一堆名词不知从哪下手的人 | 前置:知道应用岗和算法岗的区别,看过路线图大模型技术栈到底有哪些方向一句话结论…

第 1 / 14 页下一页 →

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

#求职#职业转型

面试题·Agent· 得物

Agent 大模型优化三方向

匹配题目：为了更好地支持AI Agent的能力构建（如任务分解、工具调用、环境交互等），你认为基础大模型在架构设计、训练目标或输出格式上应做出哪些针对性优化？

#得物#Agent#Agent 大模型优化

面试题·Agent· 快手

Agent 框架 vs LLM 怎么选?

匹配正文：答案要点 Agent的核心组件（规划、记忆、工具、行动） LLM的静态知识局限与Agent的动态能力扩展单次推理vs多步交互的本质区别工具调用与外部系统集成的必要性 Agent系统的基本组成 Agent架构通常包含四个核心模块：规划（Planning）：将复杂任务拆解为可执行的子步骤，支持多步推理记忆（Memory）：短期记忆（对话上下文）+ 长期记忆（知识库存储）工具（Tools）：外部API、数据库、计算资源等的调用接口行动（Action）：执行具体操作并获取…

#快手#Agent#Agent 框架

面试题·评估· 字节

大模型 Agent 优缺点怎么分析?

匹配题目：请从技术实现、应用场景、局限性等方面分析当前基于大模型的智能Agent的主要优缺点，并结合行业趋势谈谈其未来的发展方向和潜在挑战。

#字节#Agent#大模型 Agent 优缺点

面试题·Prompt· 百度

大模型智能体系统架构设计思路

匹配题目：如果您需要从头设计一个大模型智能体系统，请描述您的设计思路、架构选择和关键技术考量

#百度#Agent 系统架构#大模型智能体设计

面试题·Prompt· 百度

LLM Agent组件有哪些功能?

匹配正文：…晰组件间协作流程说明提及主流范式（ReAct/CoT）结合实际框架（LangChain/LlamaIndex等）一个典型的大模型Agent系统通常包含四大核心组件： 1. 规划模块（Planning）负责将复杂任务拆解为可执行的子步骤主流范式：CoT（链式思考）、ReAct（推理+行动交替）、ToT（树状搜索）输出：执行计划或下一步Action 2. 记忆模块（Memory）短期记忆：当前对话上下文、多轮交互历史长期记忆：向量数据库存储的知识、用户画像、过往…

#百度#Agent#Agent 系统组件

学习路线·学习路线

大模型应用开发学习路线

匹配正文：这条路线写给已经会编程，想做大模型应用开发、RAG 或 Agent 工程的人。它不要求你先把所有知识学完。不同背景的学习节奏差别很大，所以这里不按月份排任务，只看五个能检查的结果：我准备投什么岗位？我能不能把一条最小的模型应用链路跑通？我要把 RAG、Agent 还是 Deep Research 做成主项目？我有没有评测、失败案例和技术取舍证明这是自己做的？我能不能脱离稿子说清项目，并接住后续追问？学习路线不是一张课程表。每一步都有完成标准：留下能运行的代码、评测…

#学习路线#RAG#Agent

系统教程·评估

大模型评估与监控面试题大全

匹配正文：评估是大模型应用从 demo 走向生产的分水岭。面试官会追问你怎么构造评测集、怎么区分检索问题和生成问题、线上怎么监控成本与质量。这一页把评估与监控题目、项目章节和面试准备路径放在一起。配套教程 RAG 教程第 10 章：从感觉好用到可量化评估 Deep Research 第 8 章：Agent 评估与上线监控知识模块评估指标、评测集与线上监控评估指标、评测集与线上监控常见问题大模型评估面试最容易被追问什么？最常见的是评测集怎么来、指标为什么这样选、badcas…

#专题学习#大模型评估与监控面试题大全

系统教程·多模态

多模态大模型面试题大全

匹配正文：多模态已经从加分方向变成很多应用岗的现实需求：看图问答、文档理解、GUI Agent、视频理解都在招。面试准备要抓住视觉编码、对齐、数据、评估和工程落地。配套教程大模型技术栈全景：多模态方向怎么学做一个 Agent 项目怎么做：多模态工具与任务链知识模块 VLM、图文对齐与多模态应用 VLM、图文对齐与多模态应用常见问题多模态面试最常问哪些基础？常问视觉编码器、图文对齐、投影层、训练数据、OCR / 文档理解、评估指标，以及 VLM 和纯文本模型协同的工程方案。…

#专题学习#多模态大模型面试题大全

系统教程·大模型

大模型项目与公开作品

匹配正文：…完整工程链路，可以先看目录，再挑检索、重排或评测章节深入阅读。查看 GitHub 仓库大模型面试题图解 100 把 100 道大模型面试题按 14 个模块拆开，每题保留一张 SVG 概念图、一句直接回答、来源等级和勘误入口。仓库生成记录、逐题答案与图解哈希、模块文档和来源链接可直接核对。想快速判断题目讲解是否准确，可以先看与你方向最接近的模块，再回到官网阅读完整答案和连续追问。查看 GitHub 公开资料 RAG、Deep Research 与 Agent 项目面试…

#公开作品#代码仓库

系统教程·AI 编程

亲手调一次 LLM API(同步 + 流式)

匹配正文：一句话:所有 AI 编程、所有 Agent,最底层都是「往 LLM 发一段 messages,拿回一段回复」。先把这一步亲手跑通,后面才不虚。 messages:对话就是一个数组下面使用 Chat Completions 风格的接口，以一个 messages 列表传入对话。部分服务提供 OpenAI 兼容端点，但角色、模型、工具调用、流式字段和采样参数并非全部一致，切换服务时需要按它的文档核对。 system：设定身份和规则；本例把一条 system 消息放在前面。是否支持…

#Agent#AI 编程

面试题·Agent

Agent 规划应该写在 Prompt 里，还是固定在业务代码里？

匹配正文：面试官问：“你们的 Agent 是怎么规划的？行业流程都写在 Prompt 里吗？” 这道题最容易出现两个极端答案。一种说法是：“全部让大模型自己拆任务，这样最灵活。”另一种说法是：“模型不可靠，所以所有步骤都写死。”前者忽略安全与确定性，后者又把 Agent 做成了披着模型外衣的固定流程。生产系统更常见的答案在中间：代码定义不可越过的边界和主流程，模型只在不确定、可验证、可回退的局部做规划。真正的难点在于规划权放在哪一层，以及模型给出的计划如何进入执行系统；一句“请逐步…

#Agent#架构与规划#Agent 规划 Prompt 还是代码

面试题·Agent

Agent Planner 生成的计划为什么不能直接执行？怎么校验和动态重规划

匹配正文：面试官问：“Planner 已经把任务拆成步骤了，为什么还要做计划校验？” 一个很危险的回答是：“因为大模型偶尔会幻觉，所以再让模型检查一遍。” 问题不只在于模型可能写错，而在于“计划”连接了自然语言目标和真实工具。一份看起来顺畅的计划，可能引用不存在的工具、漏掉必要前置步骤、使用无来源参数、超过预算，甚至包含当前用户无权执行的动作。它如果直接进入 Executor，模型的一次语言错误就会变成系统行为。因此，LLM Planner 输出的是候选计划，不是执行授权。工程系统要…

#Agent#架构与规划#Agent 计划校验

系统教程·AI 编程

30 行写一个会调用工具的最小 Agent

匹配正文：一句话:把「LLM + 一个工具循环」拼起来,就是 Agent 的本质。面试里「Agent 比直接调 LLM 多了什么」「ReAct 怎么跑」「Function Calling 怎么落地」,本质都在问这 30 行。先建立心智:Agent = LLM + 工具循环直接调一次 LLM,是「问一句、答一句」,模型只能用它脑子里的东西回答。 Agent 多了一个循环:模型可以说「我先去查一下」,你把它要查的工具真的执行,把结果喂回去,它再接着想——直到它觉得够了,给出最终答案。 …

#Agent#AI 编程

面试题·Agent

Agent 工具怎么设计和注册？Tool Schema、Registry 与执行器如何解耦

匹配标题与标签：…、参数和返回契约出发，讲清 Tool Schema、Registry、执行器和统一工具网关如何解耦，以及权限、版本、灰度与验收。 Agent Agent 工具调用与安全 Agent Tool Registry Tool Schema 设计 Agent 工具注册 Agent 工具网关大模型工具设计面试题

#Agent#工具调用与安全#Agent Tool Registry

系统教程·AI 编程

从单 Agent 到 Coding Agent,它多了什么

匹配正文：一句话:你在第 7 篇写的最小 Agent,把"查天气"工具换成"读文件 / 改文件 / 跑命令",再加一条"改完自己验证"的循环,就成了 Claude Code / Cursor 这类 Coding Agent 的雏形。这也是面试官想听的"Agent 比调一次 LLM 强在哪"。 Coding Agent = 最小 Agent + 三类工具 + 自验证回顾第 7 篇:Agent = LLM + 工具 + 循环。Coding Agent 就是把工具集换成"和代码打交道"的那…

#Agent#AI 编程

面试题·Agent

Agent 短任务和长任务怎么记？工作记忆、长期记忆与任务状态怎样分层

匹配标题与标签：Agent 短任务和长任务怎么记？工作记忆、长期记忆与任务状态怎样分层从当前上下文、工作记忆、长任务状态与 Checkpoint 到跨会话长期记忆，讲清窗口、摘要、检索、更新、冲突、遗忘和隐私。 Agent Agent 记忆与存储 Agent 长期记忆设计 Agent 短期记忆 Agent 任务状态 Agent Memory 面试题大模型记忆系统

#Agent#记忆与存储#Agent 长期记忆设计

面试题·Agent

Agent 能执行 Python 代码，怎样设计 Code Interpreter 沙箱才不会伤到宿主机

匹配标题与标签：…e Interpreter 沙箱才不会伤到宿主机从威胁模型、进程容器与 microVM、文件网络隔离、资源限制到工件清理，讲清 Agent Code Interpreter 沙箱设计。 Agent Agent 工具调用与安全 Agent 代码解释器沙箱 Code Interpreter 安全 Python 代码执行沙箱 Agent Sandbox 设计大模型代码执行安全

#Agent#工具调用与安全#Agent 代码解释器沙箱

面试题·Agent

Agent 线上答错一次，怎样用 Trace 和 Replay 定位到底哪一步坏了

匹配标题与标签：Agent 线上答错一次，怎样用 Trace 和 Replay 定位到底哪一步坏了从模型、工具、State、工件的 Trace 字段，到记录回放、受控重放和影子回放，讲清 Agent 可观测与根因定位。 Agent Agent 多智能体与评估 Agent Trace 回放 Agent 可观测性 Agent Replay Agent 问题定位大模型全链路追踪

#Agent#多智能体与评估#Agent Trace 回放

面试题·Agent

LLM Judge 分数变高，为什么 Deep Research 可能反而更会刷分？

匹配正文：开放式调研报告没有唯一标准答案，人工逐篇审核又慢又贵，因此很多团队使用 LLM-as-a-Judge。给 Judge 一份 rubric，它可以评价引用、覆盖、结构、幻觉和过程，并输出结构化分数。问题在于，Judge 自己也是模型。它可能偏爱更长的答案、某个展示位置和与自己风格相近的文本。更危险的是，当 Judge 分数被用于训练 reward，Agent 会逐渐学习“怎样让这个裁判满意”，而不一定真的更准确。这就是 Goodhart 风险：指标一旦成为优化目标，就可…

#Deep Research#上线成本与评估#Deep Research LLM Judge

面试题·Agent

Agent 怎么评估才不只看最终答案？任务、执行轨迹与成本要分层验收

匹配正文：…本；成本层记录模型 Token、调用次数、工具与执行资源、端到端时间。评测集覆盖正常、歧义、工具失败、冲突、权限和长任务，用规则、LLM Judge 与人工抽检组合评估。安全与关键事实设硬门禁，质量和成本看分层指标及 Pareto 权衡。每次版本固定配置、多次运行、按场景切片，并把 Badcase 回流到数据和系统修复。最重要的是让评估指出具体薄弱环节；一个好看的总分如果不能定位问题，就没有多少改进价值。 Agent 评估的三层结构结果回答做没做成，轨迹回答怎么做的，成本…

#Agent#多智能体与评估#Agent 评估体系

面试题·模型架构· 美团

MoE 怎么提升 Agent 能力?

匹配正文：先区分两种“专家” 1. 模型内部的稀疏MoE 在Agent使用的LLM内部，router按token选择少量FFN专家。它可以在总参数较大时控制每token激活FLOPs，但端到端收益还受all-to-all通信、负载不均、batch与硬件影响。专家是由训练目标共同学出的子网络，不保证自然对应“金融、代码、API”等人类可命名领域。对Agent的价值是：多轮规划、工具调用和反思会多次调用模型，若MoE后端在目标硬件上有更好的质量/成本曲线，总调用成本可能下降。但稀疏FLO…

#MoE#Agent#动态路由