匹配正文：答案要点现代对话模型的输入是带角色的消息列表，常见角色有 system、user、assistant 三种 System Prompt 由开发者设置，定义模型的身份、行为边界和全局规则，整个会话生效 User Prompt 是用户每轮输入的具体问题或指令，只代表当前这一轮的需求模型经过对齐训练会给 system 更高的遵从优先级，冲突时通常以 system 为准——但这是训练出来的倾向，不是硬保证这也是提示词注入（Prompt Injection）攻击存在的原因：用 u…

#入门#基础概念#System Prompt

面试题·模型训练· 阿里

SFT prompt 模板设计原则与结构

匹配正文：… template：不同模型的特殊token差异很大（如Qwen的<|im_start|>、ChatGLM的[Round]）预留system字段的扩展性：便于后续通过system prompt做动态能力切换 output字段的多样性设计：同一input配多个优质output，提升数据丰富度

#Prompt Engineering#指令微调#数据格式设计

面试题·Prompt· 阿里

Prompt 系统设计原则与技巧

匹配正文：…"根据现有信息无法确定"，禁止编造。 Agent场景工具描述：用Function Schema精确定义参数和返回值状态管理：在Prompt中维护任务进度、历史Action、错误回溯四、工程实践要点版本管理：用Git管理Prompt模板，记录变更与效果动态组装：按场景拼接System/User/Context模块，避免硬编码评测闭环：建立Prompt-level的单元测试（输入变体→输出断言）学习建议掌握Prompt基本结构，结合实例练习少样本学习与思维链技巧，…

第 1 / 2 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

#阿里#Prompt工程#Agent

面试题·Prompt· 字节

Prompt 工程方法怎么选?

匹配正文：…提及实际落地中的选择考量（如API黑盒场景的限制）一、手动设计方法核心思路：基于经验规则构造离散文本模板 Few-shot：在Prompt中嵌入示例，引导模型模仿输出格式 Chain-of-Thought (CoT)：显式写出推理步骤，激发多步推理能力角色设定与指令分解：通过System Message限定角色，复杂任务拆分子步骤 Self-Consistency：多路径采样投票，提升答案稳定性特点：零成本、即时生效，但依赖人工经验，迁移性差二、自动化优化策略方法…

#字节#Prompt Engineering 方法#Prompt Tuning vs AutoPrompt

面试题·Prompt· 字节

电商Prompt设计陷阱

匹配口述回答：…了，比如“你是导购”，但真正落地你会发现，角色不锚定场景，模型容易跑偏。比如商品推荐，我会把用户画像、当前库存、价格带都写进 [[System Prompt]]，像“你是资深导购，用户是25-30岁女性，偏好简约，预算300以内”，这样输出才聚焦。然后输入输出必须结构化，输入用JSON包字段，输出强制格式，比如“推荐1: 商品ID | 理由: 一句话”。为什么？因为自然语言输出太飘了，下游系统没法解析，你总不能人肉看吧。再一个，[[少样本]]示例。光靠指令不够，模型对格式的…

#字节#Prompt工程#电商 Prompt 设计

系统教程·AI 编程

上下文工程:让 AI 写对代码的关键

匹配正文：…经能读仓库”等同于“本次调用已经看过所有相关文件”。所以「让 AI 写对代码」本质是:把对的信息,在对的时机,以对的结构喂给它。 System Prompt:先定身份和规矩 System Prompt 通常用于提供身份和较高优先级的任务规则；具体角色与优先级要看所用 API。提示文本不能替代真实权限、沙箱和测试。一个编码任务的规则示例是：你是这个项目的资深工程师。 - 技术栈:TypeScript + React 19 + Vite;包管理用 pnpm。 - 风格:跟随现有…

#Agent#AI 编程

项目实战·RAG

第 8 章:多轮对话与记忆管理

匹配正文：…跨次聊天的懂你"。小项目先把短期做好就够用了。概念 3:为什么对话历史不能"全塞给模型"? 最朴素的想法是:把所有历史都拼进 prompt 不就行了?不行:大模型一次能读的 token 有上限(第 1 章讲过),对话一长就塞不下;而且塞太多旧的、无关的,反而会干扰生成(还记得第 6 章的 Lost in the Middle 吗)。所以记忆模块的核心工作之一,就是有策略地"选"和"裁":留住该留的,压缩或丢掉没用的。 🛠️ 跟着做:30 行实现"带记忆 + 指代消解"的…

#RAG#检索#项目实战

求职指南·求职

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：…ay 怎么做、失败恢复和成本控制的具体机制刷题去 Agent 题库。 Prompt 工程(77 题):验证你会不会把任务喂清楚 Prompt 看着门槛低,考点其实在"结构化把任务、约束、上下文、few-shot 组织好",以及怎么在工程里稳定复用 prompt。面试官想看你有没有把它当工程做,而不是碰运气凑话术。维度内容面试官在验证什么你能否把复杂任务拆成模型能稳定执行的指令、控制输出格式、处理边界情况先看哪个 AI 编程实操:system prompt、func…

#求职#职业转型

面试题·模型训练· 阶跃星辰

LlamaFactory 怎么构造训练数据?

匹配正文：…，把 messages 映射到 messages，并用 tags 将 role/content 与 user/assistant/system 对齐。训练前还要选择与基础模型匹配的 chat template，检查角色交替、特殊 token、tool/observation、图片占位与 loss mask。数据能被加载不代表语义正确，应抽样渲染最终 prompt，验证 chosen/rejected 共享同一上下文并防止 train/eval 泄漏。

#LlamaFactory#数据格式#SFT

面试题·Agent· 高德

多 Agent 协作复杂度

匹配正文：什么是多智能体系统多智能体系统（Multi-Agent System, MAS）是由多个自主Agent组成的分布式系统，每个Agent具备独立感知、决策和执行能力，通过通信协议和协调机制完成单Agent无法高效处理的复杂任务。多Agent vs 单Agent的核心优势维度单Agent局限多Agent优势任务分解长链条推理易累积错误按子任务拆分，各Agent专注垂直领域，降低认知负荷专业化能力通用能力与特定需求冲突不同Agent承载不同角色（规划者/执行者…

#高德#Agent#多 Agent 协作复杂度

面试题·Agent· 百度

Tool Calling 决策机制与执行流程

匹配正文：…enAI/Claude等模型内置，训练阶段注入工具使用能力通过tools参数传入工具描述，模型学习生成特定格式的调用请求 2. 提示工程（Prompt-based）通用模型通过精心设计的System Prompt模拟关键：在Prompt中明确定义工具描述、输出格式、执行流程输入输出格式设计工具描述（Tool Schema） { "name": "weather_query", "description": "查询指定城市的天气", "parameters": { "…

#百度#Agent#Tool Calling 架构

面试题·Agent· 百度

Tool Calling 机制详解

匹配正文：…工具描述转为结构化Schema（JSON Schema/OpenAPI格式），包含工具名、功能描述、参数类型与约束通过系统提示（System Prompt）或专用API字段（如OpenAI的tools参数）注入模型上下文关键：描述要清晰、参数约束要明确，帮助模型理解"什么场景用什么工具" 2. 工具选择与参数生成模型基于用户Query和工具描述做意图匹配，输出工具选择决策参数生成有两种方式：约束解码：训练时让模型学习输出结构化格式（如<tool>{"name": "…

#百度#Agent#Tool Calling 机制

面试题·Agent· 同花顺

多Agent系统设计原则有哪些?

匹配正文：…sponsibility Principle：每个Agent有明确的功能域（规划、执行、验证、反思）避免能力重叠，通过角色描述（System Prompt）固化行为模式 2. 主流协作架构模式特点适用场景协作式平等协商，共享目标复杂决策、头脑风暴层次式中央调度+执行Agent 任务流明确、需严格管控竞争式多方案PK，择优采纳创意生成、策略优化市场式基于"拍卖"机制动态分配资源调度、负载均衡 3. 通信机制设计消息协议：标准化Schema（如JS…

#同花顺#Agent#多Agent系统设计

面试题·Agent· 商汤科技

Tool Calling 失败处理

匹配正文：…ema输出结构化参数（通常是JSON）执行与回填：外部执行工具，结果返回给模型生成最终回复实现方式对比方案特点适用场景 Prompt-based 工具描述写入system prompt，靠模型遵循指令输出固定格式快速验证、轻量场景 Native Fine-tuned 模型专门训练识别<tool_call>等特殊token，输出更稳定生产环境（GPT-4、Claude等） ReAct模式 Thought → Action → Observation循环，可多步推理…

#商汤科技#Agent#Tool Calling 失败处理

面试题·Agent· 阶跃星辰

闲聊误判为工具调用怎么防?

匹配口述回答：…来 tool_calls 为空。[[RLHF]] 阶段也可以引入惩罚，用户说“我没让你查这个”就是一个很强的负向信号。再一个就是提示工程。我会在 [[System Prompt]] 里把边界定义写清楚，比如“只有用户明确请求执行任务时才调用工具，泛泛而谈、情绪表达、假设性讨论都不调”。然后加几个 [[Few-shot]] 示例，正例是“查北京明天天气”调天气工具，负例是“今天天气真差”就回一句“是啊，适合宅家”。还可以加一步强制反思，用 [[Chain-of-Verific…

#介跃星辰#Agent#闲聊误判

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：…的语义漂移或关键词检索的语义丢失。二、提升生成质量上下文筛选：根据意图类型过滤检索结果（如"优缺点"意图优先保留对比性文本） Prompt路由：不同意图匹配不同System Prompt（闲聊 vs 专业问答 vs 拒答场景）幻觉防控：识别超出知识库覆盖范围的意图，触发"我不知道"或联网搜索三、典型工程实践用户Query → 意图分类器 → 路由决策 ↓ ├─ 事实查询 → 精确检索 + 严格引用生成 ├─ 开放讨论 → 宽松检索 + 创造性生成 ├─ 多条件筛选 …

#OPPO#RAG 意图识别#RAG

面试题·模型微调· 百度

Tool Calling 技术路径怎么选?

匹配口述回答：…变成能执行动作的[[Agent]]，这里的技术路线可以分成三大类，各有各的适用边界，而且真正落地时往往是混着用的。先说最简单的，提示工程。就是在system prompt里把工具描述写成JSON Schema，靠模型的[[In-Context Learning]]能力让它自己决定什么时候调用、传什么参数。好处是零成本，改个prompt就能上线，但问题也很明显，模型容易[[幻觉]]，可能编造不存在的工具名或者参数格式，而且复杂场景下输出不稳定，经常抽风。所以它特别适合工具少、…

#百度#模型微调#Tool Calling 实现

面试题·模型微调

生成模型回答不准怎么调?

匹配口述回答：…；还有一种是检索里全是专业术语，模型根本不认识，这是领域适配问题。你得先判断是哪种，才能对症下药。具体说一下优化手段。最轻量的是提示工程，零成本。我会在 [[System Prompt]] 里加硬约束，比如“基于以下材料回答，禁止推测”，同时要求它给出引用标记，这样模型就知道必须忠实于上下文。还可以给几个 [[Few-shot]] 例子，展示“检索片段到忠实回答”的映射。另外，把温度调低，限制它的创造性。如果这些还不行，那就动上下文组织。比如片段太长，我会做递归摘要或者关键…

#生成模型调优#上下文利用#RAG 生成不准确

面试题·Prompt· 网易

无标注时怎么训练 CoT?

匹配口述回答：…错本身就有噪声，那惩罚可能会把正确的长推理也砍掉。再说提示策略，这个在[[零样本]]和[[少样本]]场景下更直接。比如我可以在 system prompt 里写“用3个关键词思考，然后直接回答”，或者“推理部分不超过20个字”。给 few-shot 示例时，只给输入和输出，不给中间步骤，这样模型会模仿这种隐式推理风格。举个例子，在客服退款场景里，用户问“我买了东西但没收到，能退款吗”，如果模型写一大段推理“用户未收到货，根据规则第5条，需要先联系物流，确认丢件后发起退款”…

#网易#Agent#Chain-of-Thought 训练

面试题·Prompt· 阿里

JSON 输出怎么保证格式稳定?

匹配口述回答：…规规矩矩地吐出我们想要的JSON，而不是自由发挥。我理解核心是要建一个三层防御体系，从软到硬，一层兜不住还有下一层。先说第一层，提示词工程，这是最轻量的做法。我会在[[System Prompt]]里给一个严格的格式模板，配上几个[[Few-shot]]例子，告诉模型‘你就按这个格式输出，别加任何废话’。这一层无需改模型，但有输入token与模板维护成本，但可靠性很差。常见失败场景是模型还是会在JSON外面包一层markdown代码块，或者多了一个逗号、换行异常。所以它只适…

#阿里云#Prompt工程#JSON 格式输出

面试题·Prompt· 阿里

怎么让模型稳定输出 JSON?

匹配口述回答：…解析稳定得多。但即便用了原生能力，后端也不能直接相信结果，还是要做 schema 校验和业务校验。如果模型不支持原生结构化输出，prompt 层要尽量减少自由度。我会在 system prompt 里明确要求只输出 JSON，不要 markdown，不要解释文字；然后给出完整 schema 或示例，复杂格式再加 few-shot。比如抽取用户信息时，不只写“输出姓名和年龄”，而是写清楚字段类型、空值怎么表示、数组怎么处理、日期格式是什么。后处理层我一般分三步。第一步是清洗…

#阿里云#大模型 JSON 输出#提示词设计

面试题·Prompt· 商汤科技

Agent 行为模式有哪些？

匹配口述回答：…部分其实高度依赖模型本身的推理能力，如果模型基础能力不行，Thought 就会变成瞎想，导致 Action 跑偏。所以我会把 [[System Prompt]] 的设计看得很重，怎么约束 Thought 的输出格式，怎么避免[[幻觉]]，这些都是上线前要反复调的东西。总结一下，Agent行为模式没有银弹，核心是理解场景的约束，是纯推理、边想边动、还是简化调用，都得根据实际需求来取舍。一句话定位：Agent行为模式本质是模型与外部世界的互动策略推理模式：CoT和ToT，适…

#商汤科技#Agent#Agent 行为模式

面试题·RAG· 字节

RAG 查不到文档怎么降级?

匹配口述回答：…线前会特别关注一件事：降级策略本身不能引入新的风险。比如大模型兜底时，如果模型对某些词有偏见，可能会生成不当内容。所以我会在 [[System Prompt]] 里加安全约束，同时做一轮离线评测，确保降级后的回答不会比不回答更差。还有一个点我没细说，就是有些场景下可以引入网络搜索做补充，比如时效性强的新闻类查询。但网络搜索的结果质量不可控，延迟也高，我一般只把它当成最后一道防线，而且会加一个独立的审核模型过滤一遍。所以整体上，我更倾向把降级策略当成一个渐进式漏斗：先低成…

#抖音#RAG降级策略#RAG fallback

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：…（Rerank）：Cross-Encoder精排，过滤低相关结果 3. 生成阶段上下文组装：按相关性排序，拼接检索文档为上下文 Prompt设计：明确区分"已知信息"和"用户问题"，约束模型基于检索内容回答生成控制：设置temperature、限制max_tokens，必要时加引用标注检索器与生成器的协同机制协同点具体做法信息注入检索结果直接拼入Prompt的system/user消息中动态截断按token预算动态选择能容纳的最相关文档数置信度过滤 Rer…

#美团#检索器生成器协同#RAG 架构