匹配正文：…三件事：模型是否能表示更远位置、注意力和KV是否算得下、任务是否真需要所有原文同时进入。位置侧可用RoPE缩放或YaRN等方法并配长上下文训练；系统侧可用分块、滑窗、检索和摘要；计算侧可用FlashAttention、序列并行或Ring Attention。Ring Attention通过设备环传递KV块计算块式精确attention，不是稀疏attention。机制与边界 YaRN是RoPE上下文扩展的一种高效方案，论文在特定LLaMA设置下报告了数据和训练步数优势，但这…

#长上下文#位置编码#稀疏注意力

面试题·模型架构· 得物

大模型面临哪些核心挑战?

匹配正文：…件化取舍。可靠性：模型按条件概率生成，不自带事实数据库或因果验证器。幻觉治理需要检索、工具、引用、约束输出和独立评测共同完成。长上下文：最大窗口不等于有效利用。标准全局attention随序列长度二次增长，位置外推、长文信息定位和KV缓存容量是不同问题。Ring Attention通过设备间传递K/V块实现分布式的块式精确attention，并不是稀疏attention；RoPE能否外推也不能用“远程衰减”一句话概括。数据与安全：训练数据质量、版权、隐私、偏见、提示注入…

#计算效率#幻觉问题#长上下文

面试题·Agent· 美团

ReAct vs Plan-and-Execute 怎么选?

匹配题目：比较ReAct框架与Plan-and-Execute架构在处理长上下文任务时的表现：各自的信息管理机制、上下文利用率、错误恢复能力及推理效率方面的优劣。

第 1 / 5 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

#美团#Agent#ReAct vs Plan-and-Execute

面试题·Agent· 美团

ReAct与Plan-and-Execute 上下文管理差异?

匹配正文：…上下文累积问题 Plan-and-Execute的全局规划优势与重规划开销两种框架在token效率、错误传播、重试机制上的差异长上下文场景下的具体取舍策略实际工程中的混合方案设计核心差异维度 ReAct Plan-and-Execute 执行模式推理→行动→观察循环交错先全局规划，再逐步执行上下文结构线性累积，历史全保留规划阶段集中，执行阶段聚焦长上下文下的关键对比 1. 上下文管理 ReAct：每轮将Thought/Action/Observatio…

#美团#Agent#ReAct vs Plan-and-Execute

面试题·Agent· 美团

ReAct vs Plan-and-Execute 推理效率对比?

匹配正文：… 推理模式交错推理，无全局视图先规划后执行，计划作为压缩表示错误恢复单步回滚灵活，但历史包袱重重规划需重启，但方向可控长上下文下的具体表现 ReAct的困境每一步的 Thought + Action + Observation 完整保留，20步后上下文可能膨胀至数万token 早期步骤的冗余信息干扰后续决策（如已完成的工具调用细节）优势：发现某步错误时可立即调整，无需推翻全局 Plan-and-Execute的优势计划阶段输出结构化步骤（如JSON/文本计划…

#美团#Agent#ReAct vs Plan-and-Execute

面试题·Agent· 高德

Agent记忆分层：摘要与检索协同

匹配标题与标签：…忆分层：摘要与检索协同 Agent 场景下摘要生成、检索与更新机制的协同设计 Agent 高德 Agent Agent 记忆管理长上下文 Agent 记忆分层存储摘要生成检索策略高德

#高德#Agent#Agent 记忆管理

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配标题与标签：…检索 Agent 短期+长期记忆架构,RAG 检索与选择性遗忘机制 Agent 高德 Agent 向量检索 Agent 记忆管理长上下文记忆 RAG 记忆检索选择性遗忘高德

#高德#Agent#向量检索

面试题·评估· 美团

ReAct vs Plan-and-Execute 错误恢复谁强?

匹配正文：答案要点 ReAct的交错推理-行动机制及其对上下文的动态利用 Plan-and-Execute的全局规划与阶段解耦特点两者在长上下文下的token效率对比错误恢复机制的差异（ReAct的局部回溯 vs Plan-and-Execute的重规划）适用场景的选择依据核心差异维度 ReAct Plan-and-Execute 执行模式推理→行动→观察循环交错先完整规划，再逐步执行上下文结构线性累积，历史全保留阶段隔离，可选择性加载长上下文下的表现对比上下…

#美团#评估与监控#Agent

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配标题与标签：RAG 解决了哪些核心问题? 大模型应用中的幻觉、知识更新与长上下文难题模型微调美团知识增强 RAG 核心问题大模型幻觉 RAG 应用场景美团

#美团#知识增强#RAG 核心问题

面经·项目面试

Agent 压缩了上下文，为什么任务还在，条件却丢了？

匹配正文：…的关键条件再改写一遍。交接时短状态卡保留目标、条件、待办和原文来源面试里把验证说到下一步被问到“你们怎样管理 Agent 的长上下文”，可以先讲清触发条件、保留近期消息、摘要替换旧历史。接下来值得展开的，是你怎样判断压缩没有改变任务。用这个日志例子，就能把回答落到具体位置：先检查关键条件是否进入摘要输入，再检查摘要与当前任务状态是否一致，最后把结果继续送进下一次压缩。正常分支、备用分支、用户修正，都要沿同一个任务往下走。如果要给项目补一个小验证，可以固定这三条条件，…

#Agent#上下文压缩#记忆管理

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…上下文窗口越来越长，RAG 还有必要吗？不要先站队。比较资料规模、更新频率、查询量、引用要求、延迟与成本。小而稳定的资料可能适合长上下文，大规模且持续更新的知识库通常仍需要检索。选型结论应来自约束，而不是来自技术偏好。第三部分 · 用自己的事实完成复盘练完技术追问后，再做一次真实性检查。把项目描述中的每个动词标出来：设计、实现、优化、上线分别是谁做的？把每个数字写成“指标定义 + 基线 + 样本量 + 测量方法 + 结果”，缺一项就先不要写进简历。准备至少一个失败…

#RAG#项目深挖#教学复原

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：…RAG 数据处理与索引流程?。 4. tradeoff · tradeoff 为什么采用这套 RAG 架构，而不是关键词搜索、直接长上下文、微调或更简单的问答流程？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：垂直领域 RAG 完整架构、Agent 中 RAG 瓶颈怎么破?。 5. metrics · metrics 你所说的效果改善具体是哪一个指标？基线、评…

#模拟面试#简历项目#连续追问

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：…k 大小的召回率，用数据说话。这是高频追问，教程第 3 章带你完整重现一次选型实验。 2026 年了，RAG 还值得学吗？会不会被长上下文取代？值得。知识频繁更新、需要引用溯源、成本受限的场景仍以 RAG 为主流方案；面试考察重点已从「是什么」转向「怎么做好检索质量与评估」，门槛在变高而不是消失。继续学习用 30 行代码跑通你的第一个最小 RAG 没有大模型项目经验，怎么攒出能写简历的 RAG 项目 RAG 工程面试教学复原

#专题学习#RAG 面试题大全与知识体系

系统教程·Prompt

Prompt 工程面试题大全

匹配正文：…Rewrite 常见问题 Prompt 工程面试会不会只考技巧？不会。真正高频的是稳定性、可维护性和评估：如何约束输出、如何处理长上下文、如何做 Query Rewrite、如何让工具调用可控。结构化输出失败怎么处理？先用 schema 和示例约束，再做解析校验、失败重试、局部修复和兜底路径。面试里要讲出工程闭环，而不是只说让模型输出 JSON。 Prompt 和 RAG、Agent 是什么关系？ Prompt 是 RAG 和 Agent 的接口层：RAG 用它组织上下…

#专题学习#Prompt 工程面试题大全

系统教程·模型基础

Transformer 与模型架构面试题大全

匹配正文：…是高频题？它直接关系到推理性能和成本。面试官常用它判断你是否理解自回归生成、prefill / decode 两阶段、显存占用和长上下文代价。 MHA、MQA、GQA 怎么讲？它们都是注意力头和 KV 共享方式的取舍：MHA 表达更充分，MQA/GQA 牺牲部分表达换更低 KV Cache 和更快推理。继续学习只会 Java，怎么快速上手 Python 和大模型工程栈大模型技术栈全景：推理部署方向怎么学

#专题学习#Transformer 与模型架构面试题大全

系统教程·AI 编程

面试高频:LLM、Token、上下文、Agent 到底是什么

匹配正文：…幻觉 / Agent,配套真题边学边刷。训练营延伸这些概念再往底层走——注意力机制、KV Cache、上下文如何在显存里摆放、长上下文怎么外推——是训练营「Memory & Transformer 基础」那条线在讲的,也是大模型岗底层加分项。参考资料生成策略：贪心与采样 Token 的切分与计数工具请求与应用执行的分工

#Agent#AI 编程

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…RAG 外部/私域/会变 + 要溯源的知识知识会变、量大、要出处微调模型的风格/格式/领域语感想改说话方式、固定输出格式长上下文直接塞一次性、少量文档文档就三五篇,塞得下 RAG / 微调 / 长上下文怎么选业内行话:"我该不该上 RAG"其实常常是个伪问题,真问题是"我的知识库值不值得、能不能建好"。三者也常叠着用:RAG 管"知识对不对",微调管"话说得顺不顺",比如一个保险客服:用 RAG 去查实时条款保证"答得对",再用微调统一话术口吻保证"答得像…

#RAG#检索#项目实战

项目实战·Agent

第 2 章:Agent 执行框架,ReAct → IterResearch

匹配正文：…Acting)框架为例,详细解释它的工作流:Thought / Action / Observation 怎么交织? 中等 → 【长上下文表现】 ReAct 与 Plan-and-Execute 在处理长上下文任务时各有什么表现差异? 较难 → 【框架取舍】 ReAct 与 Plan-and-Execute 两种推理框架的取舍是什么?什么场景选哪个? 较难 → 【主流框架对比】系统比较主流 Agent 框架(LangChain / LlamaIndex 等)的架构差异。较…

#Agent#Deep Research#项目实战

面试题·Agent

Deep Research 为什么会一直搜索？什么时候该停？

匹配正文：…突、仍需什么证据、当前状态。状态可以是已确认、部分确认、待验证、公开不可得和不再相关。完成判断由这些状态聚合，而不是让模型凭一段长上下文自由宣布结束。例如三个候选、四个关键维度，共十二个研究单元。并不要求十二格都填满。如果某候选已经不满足硬约束，后续低优先级维度可以标记不再相关；如果某项数据没有公开资料，可以标记公开不可得，并说明搜索范围。这样做的价值是可解释。系统可以告诉用户：“部署方式和许可证已确认，性能资料口径不一致，当前只给出定性判断。” “没有新信息”怎么判断…

#Deep Research#问题边界与研究闭环#Deep Research 停止条件

面试题·Agent

ReAct Agent 为什么会死循环？停止条件和步数上限怎么设计

匹配正文：…迅速撑大上下文。根因三：每轮看不到可靠的已完成状态如果系统只把所有对话和工具返回按时间堆进 messages，关键状态会淹没在长上下文里。模型可能忘记之前已经查过什么，也可能把旧任务结果当成当前状态。应单独维护任务状态，包括已完成节点、关键事实、失败工具、剩余预算和当前等待事项。状态摘要不是为了替代原始 Trace，而是让下一轮决策获得清晰输入。根因四：错误策略只有“重试” 参数缺失、权限拒绝、资源不存在、短暂超时和服务永久下线，不应该执行同一动作。参数缺失要向用户澄…

#Agent#架构与规划#ReAct Agent 死循环

项目实战·Agent

第 4 章:多轮对话与长程记忆管理

匹配正文：… 【为什么不能全塞】多轮对话里,标准 Attention 机制在上下文上有什么上限?为什么不能把全部历史都喂进去? 较难 → 【长上下文改进】如何设计 / 改进大模型的记忆机制,提升长期上下文建模与任务持续能力? 较难 → 【海量记忆存储】当 Agent 需要维护大规模长期记忆时,存储架构怎么设计? 较难 → 【记忆检索效率】面对海量历史记录,如何保证记忆检索的效率和准确? 较难 → 自检清单能讲清短期记忆 vs 长期记忆的分工,以及「为什么不能把全部历史塞给模型」…

#Agent#Deep Research#项目实战

面试题·Agent

ReAct 为什么短任务好用，做长程研究却会越跑越乱？

匹配正文：…。所以面试官问“ReAct 有什么局限”时，不会满足于一句“上下文会爆”，他还会继续追问： ReAct 的消息为什么随步骤增长？长上下文怎样放大成本、遗忘和错误？哪些问题仍然适合 ReAct，什么时候应该升级为受控状态或演进报告？ ReAct 的核心是闭环行动 ReAct 的基本循环可以抽象成四步。第一，读取当前任务和可用状态。第二，选择一个动作，例如 Search、Visit 或计算。第三，程序执行动作，返回 Observation。第四，根据新观察决定继续行动还…

#Deep Research#执行框架与长任务#ReAct 长任务

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：…ding 模型。 2.3 排好序还不够:Lost in the Middle 精排还有一个常被忽略、但面试很加分的动机:LLM 读长上下文时,对放在"中间"的内容利用率最低,这个现象学界叫 Lost in the Middle。 Lost in the Middle:中间的关键信息最容易被忽略也就是说,就算你把正确 chunk 召回来了,如果它被埋在十几条候选的中间位置塞给 LLM,模型很可能"视而不见"。所以精排的价值不只是"把对的排进来",更是把最相关的几条顶到最前面(…

#RAG#检索#项目实战

面试题·Agent

ReSum 动态摘要怎样压缩长任务，又不把关键证据丢掉？

匹配正文：… 带偏？用状态探针和下游对照。检查任务、主张、来源、缺口和动作是否可恢复，再比较摘要前后的下一步选择与最终报告。追问五：有了更长上下文，还需要 ReSum 吗？更长窗口能延后溢出，但不能消除重复输入、信息污染和状态漂移。是否使用 ReSum 仍取决于真实任务长度、成本和质量对照。如何说明 ReSum 的收益与信息损失 ReSum 是长程 Deep Research 的动态上下文压缩机制，也必然带来信息损失。我的触发条件会同时看上下文预算、任务阶段和内容重要性，不固定每…

#Deep Research#执行框架与长任务#ReSum 动态摘要