- 博客(1469)
- 资源 (4)
- 收藏
- 关注
RSS订阅
原创 必知必会！常用矩阵求导和重要的矩阵
转自https://blog.csdn.net/a841454735/article/details/88608682，来备份一下，矩阵求导很重要！一、矩阵求导 一般来讲，我们约定，这是分母布局。常见的矩阵求导方式有：向量对向量求导，标量对向量求导，向量对标量求导。1、向量对向量求导2、标量对向量求导3、向量对标量求导其他的可以参考wiki：维基百科矩阵求导公...
2020-04-25 22:18:20
1967
原创 程序员面试——C++工程师面试大全第一部分
1.static 关键字的作用1. 全局静态变量在全局变量前加上关键字 static,全局变量就定义成一个全局静态变量.静态存储区,在整个程序运行期间一直存在.初始化：未经初始化的全局静态变量会被自动初始化为 0(自动对象的值是任意的,除非他 被显式初始化)；作用域：全局静态变量在声明他的文件之外是不可见的,准确地说是从定义之处开始,到文件结尾.2. 局部静态变量在局部...
2020-02-24 13:41:40
719
原创 agent面试必备15-AutoGen 与 CrewAI 等多 Agent 框架详解
这篇文章深入浅出地讲解了多智能体协作框架（Multi-Agent Systems）的核心概念与应用。主要内容包括： 多Agent框架本质：将复杂任务分配给不同专业角色协作完成，对比了AutoGen（灵活对话编排）和CrewAI（结构化流水线）的特点。 设计理念：分权降低认知负载、对抗互补提升质量、可组合性实现灵活编排。 关键要素：角色定义（Prompt+工具+目标）、沟通方式（一对一/群聊/分层）。 适用场景：内容生产流水线、软件工程闭环等需要强分工的复杂任务。 面试要点：分析多Agent的优缺点、控制成本
2026-06-26 00:05:06
623
原创 agent面试必备13-LangChain Agent 实现
本文解析了LangChain Agent的核心实现原理，从基础概念到面试常见问题。主要内容包括： LangChain Agent本质是一个"胶水"框架，将大模型、工具、记忆等组件整合成可运行程序，包含Agent（决策策略）和AgentExecutor（执行引擎）两大核心部分。 四大核心抽象层级：工具（Tools）、大模型（LLM/ChatModel）、推理策略（Agent）和代理执行器（AgentExecutor）。 AgentExecutor的工作流详解：接收输入→循环执行（计划→判断退出→执行工具→回填
2026-06-25 22:50:31
348
原创 agent面试必备14-LangGraph 状态机
在真实的复杂业务场景中，流程很少是一条直线，更像是一张流程图（Graph）。节点 (Node)：图中的圆圈。代表具体的处理步骤，比如“调用大模型”、“执行 Python 代码”、“发邮件”或者“等待人工点击同意”。边 (Edge)：连接圆圈的箭头。代表流转关系，决定了做完这一步，下一步该去哪。LangGraph 的核心思想：所有的节点共享一份“全局档案（State）”。每个节点拿到这份档案，做点自己的工作，把结果更新到档案里，然后顺着“边”把档案传递给下一个节点。
2026-06-25 22:50:25
253
原创 agent面试必备11-Reflexion 框架
做完不等于结束——还要评估做得好不好，把教训记下来，下次带着教训重试。你可以把它想象成我们在学校里的**“写错题本”以前的大模型做错题，你让它重试，它可能还会犯同样的错误（盲目刷题）。而 Reflexion 要求模型在失败后，不仅要知道自己错了，还要用自然语言写下一条具体的反思（Reflection）**：“哦，我刚才没有先确认单位换算，下次我应该先统一把美元换算成人民币”。然后，带着这个反思记录，重新去做这道题。Reflexion 强调的是语言化的反思。
2026-06-23 00:21:13
301
原创 agent面试必备12-LATS（Language Agent Tree Search）
我们可以把 Agent 解决复杂问题想象成走迷宫。ReAct：走到一个路口，大模型随便看一眼，选一条路直接走下去。如果走进了死胡同，任务就失败了。LATS：走到一个路口，大模型不急着走。它会把这里的每一个岔路口都当作树的一个“分支”，先派几个“侦察兵”去探探路（模拟预测），给每条路打个分。哪条路得分高，就走哪条。如果后来发现不对劲，还可以退回到得分第二高的路口重新选。LATS 将大语言模型（LLM）与经典的蒙特卡洛树搜索（MCTS, Monte Carlo Tree Search）思想结合在了一起。
2026-06-23 00:21:03
550
原创 agent面试必备10-AI Agent 核心框架大揭秘：Plan-and-Execute
先制定全局计划（Planner），再按部就班地执行（Executor）。ReAct（推理+行动）就像是**“走一步看一步”**：走到路口看看路牌，再决定往左拐还是往右拐。适合环境变化快、需要频繁试错的场景。就像是**“出门前先做好攻略”：去旅行前，先列好详细的行程单（第一天去哪、第二天去哪）。然后再按天去玩。如果在执行过程中发现“景点关门了”，那就触发“重新规划（Re-planning）”**，修改后面的行程。Plan-and-Execute 先画出一张「总蓝图」，然后再落地。
2026-06-22 15:45:20
365
原创 agent面试必备9-AI Agent 核心框架大揭秘
📝 ReAct框架：AI Agent的核心推理与行动机制 摘要：ReAct（推理+行动）是当前AI Agent开发的主流框架，通过将思考过程与工具使用结合，使大模型的推理更可靠。其核心流程包括：思考(Thought)→行动(Action)→观察(Observation)的循环，直到得出最终答案。文章详细解析了ReAct的工作原理、Prompt模板设计、代码实现关键点，并提供了面试常见问题的标准答案。ReAct的优势在于可解释性强、结果可靠，但也存在成本高、格式依赖性强等缺点，特别适用于需要频繁与外部工具交
2026-06-22 15:45:17
472
原创 agent面试必备7-AI Agent 在真实落地中的 5 大挑战与局限
Agent 的初衷是赋予大模型更多自主权，让它变强。“Agent 把能力做强的同时，也会把错误放大到多步！如果模型在第一步做了一个错误的假设，后续的每一步都会错上加错（这叫做错误级联）。“限步、限权、可观测、可回滚”。
2026-06-21 18:24:03
446
原创 agent面试必备6- AI Agent 能干啥？5 大经典应用场景与落地指南
AI Agent 五大落地场景与实施要点 本文总结了 AI Agent 在企业中的五大典型应用场景及工程实现关键：智能客服（需身份鉴权与防幻觉）、代码助手（沙箱环境与权限控制）、数据分析（SQL安全执行与权限管理）、自动化运维（高危操作审批机制）和知识管理（文档溯源与版本控制）。核心落地原则包括高频、可工具化和可评估，并强调安全性（权限隔离）、可控性（人工干预）和可观测性（全链路监控）。文末以数据分析场景为例，展示如何通过Prompt约束+正则校验+只读账号实现SQL安全执行，解决面试常见问题。
2026-06-19 00:12:27
353
原创 agent面试必备5-深入理解 AI Agent：5 大经典分类
本文介绍了人工智能领域中Agent的五大经典分类及其在实际应用中的体现。1) 反应式Agent：基于简单条件反射，响应快但缺乏灵活性；2) 基于模型Agent：维护世界模型进行预判；3) 基于目标Agent：以目标为导向进行路径规划；4) 基于效用Agent：综合考虑多因素做出最优选择；5) 学习型Agent：通过反馈持续优化。文章还分析了这些理论在现代LLM Agent中的映射，指出实际系统多为混合架构。最后通过Python代码对比了反应式和效用型Agent的实现差异，并提供了面试常见问题的标准答案，帮助
2026-06-19 00:12:23
319
原创 大模型面试必备17-重要性采样
猫喜欢鱼”。t1t_1=t1“猫”、t2t_2=t2“喜欢”、t3t_3=t3“鱼”。这是我们最终想要训练出的聪明模型。这是我们在训练过程中用来生成采样数据（也就是过去收集到的经验数据）的旧模型。动作 (Token)目标策略 P 的概率 (聪明)行为策略 Q 的概率 (笨)t1 = “猫”(句首)0.80.5t2 = “喜欢”(接在"猫"后)0.70.2t3 = “鱼”(接在"猫喜欢"后)0.90.3在数学上，重要性采样是在无法直接从目标分布P。
2026-06-18 22:42:08
502
原创 大模型面试必备16- GRPO 到底比 PPO 强在哪
摘要： DeepSeek提出的GRPO算法相比PPO在强化学习对齐（RLHF）中具有显著优势。PPO需同时维护4个模型（策略、参考、奖励、价值模型），显存和算力消耗大；而GRPO通过“组内竞争”机制简化流程：对同一输入生成多个回答，用Reward模型直接打分后计算组内均值与标准差，以相对优势（标准化分数）替代PPO的Critic模型预测。这一改进节省了显存（无需Critic模型），并通过群体统计量提升训练稳定性和模型综合表现。核心优势在于以空间换架构精简，实现高效低成本训练。
2026-06-18 22:42:05
482
原创 大模型面试必备15- GRPO 利用的数据是旧策略产生，为什么叫 on policy
在准备大模型算法岗面试时，如果你在简历里写了了解 PPO 或 GRPO 算法，面试官极有可能会抛出一个看似矛盾的“陷阱题”：“既然 PPO/GRPO 在计算损失时，用到了旧策略（old policy）产生的数据，那它不就是 Off-policy（离线策略）了吗？为什么大家都说它是 On-policy（在线策略）呢？如果不理解底层逻辑，这个问题很容易让人翻车。
2026-06-18 00:06:59
478
原创 大模型面试必备14-bert
本文拆解了BERT模型的核心工作流程，将其单层结构归纳为5个关键步骤： Embedding层：融合词向量、句向量和位置向量； 多头自注意力机制：通过QKV矩阵计算全局上下文关系； 残差连接与层归一化：稳定梯度并保留原始信息； 前馈神经网络：增强非线性表达能力； 二次残差与归一化：为下一层输出优化特征分布。 全文以面试场景为导向，突出“5步拆解法”，帮助读者快速掌握BERT的Encoder核心机制，特别强调自注意力公式中的缩放因子（√dk）和残差连接的作用，适合作为面试速记要点。
2026-06-17 22:53:08
319
原创 大模型手撕代码1- 手撕 MoE路由优化算法
本文介绍了一种针对设备限制的MoE（混合专家模型）路由优化算法，旨在减少大模型训练中的跨卡通信开销。算法核心思想是将专家分组到不同NPU设备上，通过选择概率最大的P个组（而非所有组），再从中筛选Top-K专家，从而限制通信范围。文章提供了清晰的四步解题思路（分组、选组、聚合、决胜）和完整Python实现代码，并强调面试中需结合系统设计理念（如辅助损失、容量约束）进行阐述。该题目考察了数组操作、排序算法和大模型分布式训练优化的综合能力。
2026-06-17 22:53:05
206
原创 大模型面试必备13-Softmax 前为什么要除以根号 d？
在深度学习和大模型的面试中，Transformer 架构的细节是绝对的必考区。其中，关于自注意力机制（Self-Attention）经常有一个极为经典的连环问：它的核心公式如下 ：Attention Scores=Softmax(QKTdk)\text{Attention Scores} = \text{Softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)Attention Scores=Softmax(dkQKT)今天，我们就来彻底拆解这道硬核面试题。首先，我们要
2026-06-16 22:17:55
761
原创 大模型面试必备12-熵坍塌现象？如何解决熵坍塌？
简单来说，熵坍塌是指在大模型强化学习的早期，策略熵（Entropy）急剧下降的现象。熵的下降意味着模型变得过度自信，采样输出的回答几乎相同，这严重限制了模型的探索空间与推理能力。熵迅速下降了 73%，同时模型性能提升了 76%。熵下降了 94%，模型性能提升了 93%。熵仅仅下降了 6%，模型性能也只获得了微不足道的 7% 的提升。超过 95% 的熵消耗和性能增益都发生在训练的“极早期”阶段。模型在少量步数内就匆匆决定了最终性能，导致后续漫长的训练沦为无效的算力消耗。
2026-06-16 00:36:02
401
原创 大模型面试必备10-BatchNorm 与 LayerNorm 、张量并行
摘要： 深度学习模型中，NLP领域普遍使用LayerNorm（LN）而非BatchNorm（BN），主要因两点： PAD干扰：BN跨样本计算时，填充符（PAD）会污染真实Token的统计分布； 语义一致性：BN受同Batch其他句子影响，破坏Token的上下文相关语义。而LN独立处理每个Token的特征维度，免疫变长序列问题，更适合NLP任务。 张量并行（TP）中的“先列后行”切分策略： 在Transformer的MLP层中，为避免非线性激活函数（如GeLU）引入额外通信： 第一层列切：使局部结果可独立激活
2026-06-15 22:00:22
398
原创 大模型面试必备11-InfoNCE loss 和 Cross Entropy Loss
任务明确，分类数量有限（比如判断图片是猫、狗、还是猪），且有充足的人工标注数据。面临大规模预训练、图文匹配（CLIP）、推荐系统或自监督学习时。因为在这些场景下，“每个物品/人物/Token 本身就是一个独立的类别”，类别数接近无限，这时候“找不同”比“做单选”高效得多。“Cross Entropy 侧重于通过全类别遍历让特征极化对齐，强依赖人工标签；
2026-06-15 22:00:19
342
原创 大模型面试必备8-模型并行、显存计算
本文系统讲解了大模型分布式训练中的核心通信原语及其应用场景。首先介绍了五大通信原语：Broadcast（广播初始化参数）、Scatter（数据分片）、Gather（结果收集）、Reduce（梯度聚合）和AllReduce（同步更新），通过员工协作的比喻形象说明其区别。特别强调AllReduce=Reduce+Broadcast，是分布式训练梯度同步的关键。其次详细推导了大模型显存估算方法：全精度下1B参数约需4GB显存，并给出不同量化级别的显存对照表。最后指出实际推理还需考虑激活值、KV缓存等额外开销，建议
2026-06-14 09:50:54
306
原创 大模型面试必备9-大模型badcase、Encoder-Only 和 Decoder-Only
对比维度Encoder-Only (如 BERT)Decoder-Only (如 GPT, LLaMA)注意力机制双向 (Bidirectional)：可以看到完整的上下文。单向 (Unidirectional/Causal)：只能看到当前词及其前面的词。训练方式完形填空 (Masked Language Modeling)预测下一个词 (Next Token Prediction / Autoregressive)执行效率(预测时)快：并行计算，一次运行输出全部结果。慢：串行计算，生成NNN。
2026-06-14 09:50:39
341
原创 大模型面试必备7-left padding、MoE 网络、Router
本文讨论了大语言模型（LLM）中Left Padding的应用原因以及MoE架构的核心原理。 Left Padding的转变：从BERT时代的Right Padding转向LLM的Left Padding，主要因为Decoder架构需要确保生成的连贯性。Left Padding使真实Token末尾对齐，避免语义断层，在批量处理时更高效。 MoE架构解析： MoE通过稀疏激活专家网络（如FFN层）取代传统稠密模型，提升参数容量而不显著增加计算量。 路由器（Router）基于Softmax分配输入Token给特
2026-06-13 15:56:36
256
原创 大模型面试必备6-看懂 PPO、DPO、GRPO、DAPO 与 GSPO
大模型对齐算法演进：从PPO到GSPO 大模型对齐技术通过RLHF使模型响应更符合人类偏好。PPO作为鼻祖，使用4个模型（策略、参考、奖励、价值模型）计算优势值优化策略，但训练复杂。DPO简化流程，直接利用偏好数据微调，省去奖励模型。GRPO改进PPO，通过组内采样计算相对优势，提升推理能力。DAPO针对GRPO优化，引入动态采样、软惩罚等机制，解决长文本训练问题。GSPO则针对MoE架构，采用整句优化避免词级噪声，提升稳定性。各算法核心差异如下： PPO：多模型协作，Clip限制更新； DPO：直接偏好优
2026-06-13 15:56:08
393
原创 大模型面试必备4-熵、交叉熵和 KL 散度、拒绝采样
摘要 本文从信息论基础概念出发，系统阐述了熵、交叉熵与KL散度的理论关系及其在机器学习中的应用逻辑： 信息熵作为不确定性度量，量化系统的平均信息量；KL散度衡量两个概率分布的差异，具有非负性和非对称性；交叉熵则作为连接桥梁，其最小化等价于最小化KL散度，成为分类任务的核心损失函数。 在拒绝采样部分，对比了统计学与大模型应用的差异：统计学中是通过辅助分布逼近目标分布，而大模型训练中则是利用奖励模型筛选高质量样本，通过"生成-评分-筛选"机制提升监督微调数据质量，但需注意奖励模型偏差带来的风险。 全文揭示了这些
2026-06-13 10:58:21
748
原创 大模型面试必备5-困惑度、数据在 GPU 上到底是怎么流转的
摘要 语言模型评估指标困惑度(Perplexity) 困惑度(PPL)是衡量语言模型预测能力的核心指标，表示模型预测下一个词时的平均不确定程度。其计算基于条件概率的乘积，通过取对数避免数值下溢，最终取指数得到PPL值。PPL越低，模型预测越准确。公式为：$PPL = \exp(-\frac{1}{N}\sum \log P(w_i|w_{<i}))$。面试中需强调其与交叉熵的关系（$PPL = e^{CrossEntropy}$）及工程实现细节。 GPU数据流转原理 GPU计算涉及三级存储： DRAM（系统
2026-06-13 10:57:46
304
原创 大模型面试必备3-深度思考自主切换、Muon 优化器与Adam
文章摘要： 本文探讨了大模型深度思考（CoT）的自主切换技术（AutoThink）与新型优化器Muon。针对CoT的“过度思考”问题，提出三类解决方案：基于规则（熵值/概率差值）、分类模型及多阶段强化学习（AutoThink），后者通过奖励机制动态平衡思考与效率。Muon优化器则通过正交化梯度动量，减少显存占用（仅为AdamW一半）并加速收敛，尤其适合分布式训练。两项技术分别提升模型推理效率与训练性能，推动AI向更高效、类人认知方向发展。 （字数：150）
2026-06-12 19:39:21
495
原创 大模型面试必备2- Bert 与 LSTM、MoE 架构与 Dense 架构
本文对比分析了NLP领域两大里程碑模型LSTM和BERT的核心差异。LSTM作为时序模型，通过门控机制实现序列记忆，但存在串行计算和长程依赖问题；而BERT基于Transformer编码器，利用自注意力机制实现并行全局语义理解。关键区别在于：1）LSTM适合序列生成任务，BERT擅长语义理解；2）BERT支持并行计算和预训练范式，显著提升效率与泛化能力。文章还深入解析了混合专家模型（MoE）架构，说明其通过稀疏激活和专家分工实现参数高效扩展，同时指出负载均衡等挑战。整体呈现了NLP从序列建模到语义理解的演进
2026-06-12 19:37:49
655
原创 大模型入门-大模型优化方法14- DeepSeek-V3.2 ：DeepSeek Sparse Attention 详解
DeepSeek推出DeepSeek Sparse Attention (DSA)，通过稀疏注意力机制优化长文本处理效率。核心包括闪电索引器（轻量级FP8加速相关性计算）和细粒度Token选择（仅处理Top-k关键Token），显著降低计算复杂度（从$O(L^2)$降至$O(Lk)$）。训练分两步：先密集热身优化索引器，再稀疏训练适配全模型。实测在128K上下文中，推理成本预填充阶段降低50%-67%，解码阶段减少80%以上，性能无损甚至部分任务超越基线。DSA以“精准筛选”替代传统全注意力，为长文本场景提
2026-06-11 16:38:58
402
原创 大模型面试必备1- BM25和 TF-IDF
本文系统介绍了信息检索算法从TF-IDF到BM25的演进历程。TF-IDF通过词频(TF)和逆文档频率(IDF)的乘积衡量文档相关性，但其存在词频线性增长、文档长度偏差和缺乏调参空间三大缺陷。BM25针对这些问题进行了优化：引入k1参数实现词频的非线性饱和，通过b参数进行文档长度归一化处理，有效抑制了高频词堆砌和长文档优势。实战对比显示，BM25能更准确地识别文档相关性，避免TF-IDF的评分偏差。文章建议在实际应用中优先选择BM25，并提供了面试应答的核心要点，强调BM25是对TF-IDF的工程化改进。
2026-06-11 16:38:42
508
原创 大模型入门-大模型优化方法12-YaRN 长文本外推技术
YaRN是一种突破性的大语言模型长文本处理技术，通过创新的"高频外推+低频内插"策略解决了传统位置编码的长度限制问题。该技术将RoPE位置编码的不同频率分量进行分层处理：对高频信息保留精细位置关系，对低频分量采用压缩内插，同时完全保留极端低频分量。相比完全重新训练，YaRN只需少量微调即可实现数倍长度扩展，既保持了绝对位置的确定性，又具备相对位置的灵活性。这种智能的频率分配方案有效避免了位置信息漂移，成为当前处理超长文本最高效的解决方案之一，为LLM的实际应用扫清了关键障碍。
2026-06-08 22:09:15
384
原创 大模型入门-大模型优化方法13- MTP 多 token 输出、DCA 双块注意力
摘要： DeepSeek-V3 引入两大核心技术突破：MTP（多 Token 预测） 和 DCA（双块注意力），显著提升模型效率与长文本处理能力。 MTP：打破传统单 Token 预测模式，通过并行预测未来多个 Token 并验证，实现推理加速（理论提速近1倍）。其训练时强制模型学习长程依赖，推理时通过自投机解码（Self-Speculative Decoding）三步走（预测→验证→采纳）高效生成文本。 DCA：解决长文本外推难题，无需微调即可扩展上下文窗口。通过分块策略（块内、块间、相邻块注意力）和位置
2026-06-08 22:09:13
445
原创 agent面试必备4-AI Agent 是如何工作的？揭秘 5 步核心工作流程
本文拆解了AI Agent的5步核心工作流程：1）输入处理（意图识别、安全过滤）；2）任务分解（生成子任务列表）；3）工具调用（执行具体操作）；4）结果整合（处理数据冲突）；5）输出生成（生成最终答案）。文章通过职场助手隐喻帮助理解，并提供了技术实现细节，包括结构化状态管理代码示例。针对面试常见问题，给出了防止Agent迷失的解决方案（如设置停止条件、维护任务清单）和处理数据冲突的方法（优先级规则、模型自主判断）。最后展示了用Python字典跟踪Agent状态的实践方案，强调结构化数据比简单对话记录更可靠。
2026-06-07 01:16:58
808
原创 大模型入门-大模型优化方法10-DeepSeek MLA
摘要：DeepSeek 提出的 MLA（多头潜在注意力）通过“低秩联合压缩技术”显著降低大模型推理时的显存占用。与传统方法不同，MLA 将高维 Key 和 Value 矩阵压缩为低维隐变量（Latent），仅在需要时解压还原，既保持了模型表现力，又将显存需求降低约 12.5 倍。其核心包括 Query 和 Key/Value 的降维-升维流程，以及 RoPE 位置编码的分离处理，最终通过拼接完成高效注意力计算。该方法在 DeepSeek-V2/V3 中实现“又快又省又强”的效果，代码实现通过线性投影层实现压
2026-06-07 00:23:57
327
原创 agent面试必备2- 搞懂 AI Agent：与 ChatBot、LLM Chain 的本质区别
文章摘要： 本文深入解析了AI领域三大核心概念——ChatBot、LLM Chain与AI Agent的本质区别。通过公司场景类比（前台接待、流水线工人、项目经理）形象化阐述三者的工作模式：ChatBot侧重线性对话，LLM Chain执行固定流程，而AI Agent能自主决策并动态调整行动路径。技术对比表从控制流、工具使用等维度揭示差异，强调Agent的核心在于模型驱动的闭环决策能力。文中提供架构图示、面试应答模板及伪代码示例，直观展示Chain（代码控制流程）与Agent（模型自主循环）的底层逻辑差异，
2026-06-07 00:10:52
529
原创 agent面试必备3-拆解 AI Agent：它的核心组成到底有哪些
如果你已经了解了 AI Agent 是什么，那么接下来面试官最爱考的，就是它的。一个完整的 AI Agent 就像是一个高度自动化的“数字员工”，为了能独立完成复杂任务，它必须具备一套完整的“器官”。今天我们来把 Agent 拆开揉碎，看看它到底是由哪几个核心部件组成的！
2026-06-07 00:10:51
328
原创 agent面试必备1-到底什么是 AI Agent？
本文是一篇AI Agent的入门指南，主要面向AI/算法面试准备者和大模型应用开发者。文章用通俗语言解释了AI Agent的概念，将其比作具备"大脑+手脚+记忆"的数字员工，并给出业界经典公式：Agent = LLM + Planning + Memory + Tools。重点解析了Agent的工作原理（ReAct范式）和与普通大模型调用的区别，强调其闭环决策能力。文章还提供了高频面试Q&A和Python伪代码示例，展示了一个极简的"思考-行动-观察"Agent循环实现，包括核心组件和面试加分要点，帮助读者
2026-06-06 20:39:45
520
Spark入门.docx
2020-04-02
人手一份核武器 - Hacking Team 泄露（开源）资料导览手册 _ WooYun知识库.pdf
2020-03-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人