水木流年追梦-CSDN博客

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 2002

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 13:41:40 724

原创 agent面试必备38-AI Agent 核心架构：短期记忆（Working Memory）

AI Agent短期记忆（Working Memory）解析与实战指南本文深入解析了AI Agent短期记忆（工作记忆）的核心机制与工程实现。短期记忆本质上是当前对话的上下文（Chat History），受限于大模型的上下文窗口限制（Context Window Limit）。文章详细介绍了四种主流短期记忆策略：全量记忆、滑动窗口、Token滑动窗口和摘要记忆，并分析了各自的优缺点和适用场景。针对面试场景，提供了三个高频问题的标准答案，并展示了一个工业级"Token滑动窗口记忆"的Python实现代码，帮

2026-07-15 22:33:31 453

原创 agent面试必备37-AI Agent 核心架构：记忆系统（Memory System）

AI Agent记忆系统解析本文深入解析AI Agent的核心组件——记忆系统(Memory System)，将其比作Agent的"海马体"。主要内容包括：为什么需要记忆系统：解决大语言模型(LLM)无状态特性与对话连贯性需求之间的矛盾，克服上下文长度限制和计费问题。记忆系统两大分类：短期记忆：当前对话上下文，直接放入Prompt 长期记忆：海量历史信息，通过向量数据库存储和检索短期记忆优化策略：全量记忆滑动窗口记忆摘要记忆实体/知识图谱记忆面试问答重点：长上下文模型的局限性查询改写

2026-07-15 22:33:10 458

原创 agent面试必备36-AI Agent 进阶必刷：15 道大厂高频综合面试真题与架构通关指南

多 Agent 系统是将一个复杂的宏观任务拆解给多个各司其职、拥有不同 Prompt 和工具的子 Agent（例如：产品经理 Agent、程序员 Agent、测试工程师 Agent），让它们通过对话协同完成任务。它能有效缓解单 Agent 面临的**“注意力分散”

2026-07-13 22:12:43 463

原创 agent面试必备35-AI Agent 核心进阶：4 大常见工具（Tools）

在面试白板环节，手写工具的定义和核心防护逻辑非常加分！下面的代码展示了如何规范地封装一个工具类。# 工具 1：安全的数学计算器工具"""大模型专用的数学计算工具。面试重点：展示你懂得防范任意代码执行的安全风险。

2026-07-13 22:11:56 326

原创 agent面试必备34-AI Agent 核心进阶：安全性（Security）

采用“输出端 Guardrails” + “引用核对”。生成结果返回给用户前，利用轻量的正则匹配或安全模型进行后置审核。同时，确保 RAG 系统的回答必须附带来源出处（Citation），如果生成的涉密结论在召回文档中找不到原文依据（即发生了幻觉越界），立刻将答案替换为兜底回复。

2026-07-13 22:11:45 232

原创 agent面试必备33-AI Agent 核心进阶：工具编排（Tool Orchestration）

通俗概念如果把大模型比作“包工头”，各种工具（API）比作“泥瓦匠”、“水电工”、“木工”。工具编排就是包工头脑子里的那张施工进度图。包工头需要决定：第一步先让水电工进场（调用工具 A），根据水电工做完的情况（观察反馈），再决定第二步是不是让泥瓦匠进场（调用工具 B），直到整栋大楼盖好（任务完成）。核心难点大模型是很容易“健忘”和“跑偏”的。如果没有一个强有力的编排引擎去约束它，它可能在调用了第一个工具后，就忘记了用户的原始需求，或者陷入无限死循环。

2026-07-04 02:18:20 422

原创 agent面试必备31- AI Agent 核心进阶：工具路由（Tool Routing）

通俗概念想象一下你去一家大型三甲医院看病。如果你直接拉住一个全科老专家（大模型），把你头疼脑热、脚指头发麻的所有症状跟他说一通，让他给你开几十种检查单，不仅老专家会被累死，挂号费（Token 成本）也会极其昂贵。工具路由（Tool Routing）就是医院大厅里的**“分诊台护士”**。当用户提出一个问题时，系统不直接把问题扔给全科大模型，而是先经过“路由器”进行极速分类，判断这个问题应该去哪个“科室”（哪个具体的工具或子 Agent），然后再精准下发任务。核心收益大幅降低延迟。

2026-07-04 02:17:58 409

原创 agent面试必备29-Tool Use / Tool Calling (工具调用)

摘要：本文深入探讨AI Agent中的核心能力——Tool Use（工具调用），对比其与Function Calling的区别，分析工具的标准结构，并重点介绍大厂面试中常见的容错机制设计。文章指出，Function Calling是底层API机制，而Tool Use是Agent利用该能力进行交互的完整工作流。工具需包含名称、描述和参数格式，其中描述尤为重要。生产环境中需加入人工确认节点（HITL）和异常捕获机制，避免系统崩溃。此外，文章还提供了高频面试问题解析和实战代码示例，展示如何通过装饰器实现带容错能

2026-07-03 22:28:39 353

原创 agent面试必备30-彻底搞懂 MCP 协议（Model Context Protocol）与面试指南

文章摘要： MCP协议是Anthropic推出的AI生态连接标准，被誉为"AI界的USB-C接口"。它采用客户端-服务器架构，通过标准化协议连接AI应用与外部数据源/工具，解决传统开发中N×M的接口适配问题。MCP提供三大核心能力：Resources（资源挂载）、Tools（功能调用）、Prompts（提示模板）。相比传统Function Calling，MCP实现了系统级标准化和安全隔离，支持Stdio和HTTP两种通信方式。文章包含面试常见问题解析，并演示了用Python FastMCP框架开发MCP

2026-07-03 22:28:36 674

原创 agent面试必备28-AI Agent 核心技能：Function Calling (函数调用)

这篇文章深入浅出地讲解了AI Agent开发中的核心技能——Function Calling（函数调用）。通过生动比喻将大模型比作"没有手的聪明军师"，解释了为何需要函数调用机制来连接外部世界。文章详细拆解了Function Calling的5步标准工作流程：Schema定义、模型决策、本地执行、结果回传和最终回答生成，并特别强调了模型不执行代码的关键认知。针对面试场景，提供了3个高频问题及标准答案，包括模型执行原理、结构化输出的优势以及并行函数调用。最后附上了一个完整的Python代码示例，演示如何实现天

2026-07-02 22:19:55 233

原创 agent面试必备27-AI Agent & RAG 综合面试题库：21 道大厂高频真题

AI Agent与RAG面试题库解析：21道大厂高频真题速查本文汇总了AI Agent和RAG领域的21道核心面试题，内容涵盖： RAG基础概念（如文档分块、向量检索）进阶检索策略（混合检索、重排序） Agent框架（ReAct、Plan-and-Execute）工程优化（延迟控制、实时更新）每道题均提供标准答案和通俗解析，最后还包含生产级RAG架构的伪代码示例。文章特别强调： RAG与微调的适用场景差异长上下文模型的三大缺陷混合检索的必要性 Agent与传统脚本的本质区别适合面试前快速复习，

2026-07-02 22:19:43 253

原创 agent面试必备25-RAG 核心技术进阶：RAG 评估体系

📝 文章摘要本文深入探讨了RAG（检索增强生成）系统的评估体系，重点介绍了业界黄金标准"RAG三元组"：检索相关性（评估检索文档与问题的匹配度）、忠实度（检验生成内容是否基于检索文档）和回答相关性（判断回答是否真正解决问题）。针对传统NLP评估指标不适用的问题，文章提出使用更强大的LLM（如GPT-4）作为裁判（LLM-as-a-Judge）进行语义评估，并提供了实战代码示例。文中还包含高频面试问题解答，如无参考评估方法、LLM裁判的偏见风险及测试集构建策略，特别强调了在企业环境中将评估指标量化的工程实

2026-07-01 22:39:09 340

原创 agent面试必备26-从玩具到工业级：RAG 生产环境优化指南

很多同学在本地用 LangChain 或 LlamaIndex 跑通了一个 RAG（检索增强生成）Demo 后，就觉得自己已经掌握了 RAG。但在真实的工业界（生产环境）中，。。在高级 AI 工程师的面试中，面试官往往会跳过基础概念，直接对你进行“生产级灵魂拷问”。这篇文章将带你用大白话盘点 RAG 工业落地的四大核心优化策略，并附上大厂最爱考的“语义缓存”实战代码！

2026-07-01 22:38:53 1150

原创 agent面试必备24-RAG 核心技术进阶：四大高级模式

掌握了基础的 RAG（检索增强生成）之后，你已经能应付大部分的简单业务场景了。但如果遇到极其刁钻的用户、复杂的关联关系，或者大模型依然偶尔“胡说八道”，基础 RAG 就显得力不从心了。这时候，抛出的概念，绝对能让你脱颖而出！本文将用大白话带你搞懂目前工业界最前沿的四大高级 RAG 模式，并附带面试高频 Q&A 与实战代码。

2026-06-30 00:21:03 236

原创 agent面试必备23-RAG 核心技术进阶：重排序（Reranking）

在 RAG（检索增强生成）系统中，如果说“向量检索”是从大海里捞针，那么**重排序（Reranking）**就是拿着放大镜，把捞出来的针排个优劣顺序。很多入门同学在做 RAG 时，只做了基础的向量召回，发现大模型回答的效果依然不好。这时候，面试官往往会问：“你们有没有做精排（Rerank）？这篇博客将带你用大白话搞懂重排序的底层逻辑，对比主流模型，并附上带详细注释的面试级实战代码！

2026-06-30 00:20:53 311

原创 agent面试必备22-RAG 核心技术进阶：8 大检索策略

在 RAG（检索增强生成）系统中，是决定最终回答质量的命脉。如果检索出来的东西文不对题，大模型再聪明也会“巧妇难为无米之炊”。面试官在考察 RAG 时，除了基础的向量检索，通常会深度挖掘你对**高阶检索策略（如混合检索、RRF、查询改写、HyDE 等）**的理解。今天我们就用大白话把这 8 种高阶检索策略一次性讲透！

2026-06-29 22:18:29 339

原创 agent面试必备21-RAG 核心技术：向量数据库

通俗概念普通的数据库（比如 MySQL）是用来做“精确匹配”的（找名字叫“张三”的人）。而向量数据库是用来做**“模糊查找（语义相似度匹配）”**的。它专门存储高维向量，并能在一大堆向量中，光速找出和你提供的问题“长得最像”的那几个向量。它通常还附带元数据过滤功能（比如：只在“2026年”的标签下查找相似向量）。核心原理解析如果你有一千万个向量，每次用户提问，你都去和这一千万个向量挨个计算一次相似度（这种方法叫暴力精确检索 / 暴力穷举），那你的服务器绝对会卡死。在高维空间下，暴力检索是不可行的。

2026-06-29 22:17:47 776

原创 agent面试必备20-RAG 核心第三步：向量化（Embedding）

大白话解释计算机是不认识汉字和英文的，它只认识数字。Embedding 就是把一段文字变成一串固定长度的数字（稠密向量）。你可以把它想象成在茫茫宇宙中给这段文字定了一个**“三维坐标”**。意思是相近的句子，在宇宙中的坐标也离得越近；意思八竿子打不着的句子，坐标离得十万八千里。底层原理详解数学本质：把离散文本映射为固定维度的稠密向量（Dense Vector）。训练目标：主流的 Embedding 模型大多采用“对比学习（Contrastive Learning）”训练。同义句拉近，无关句推远。

2026-06-28 13:04:23 526

原创 agent面试必备19-RAG 核心第二步：文档分块策略（Chunking）

在构建 RAG（检索增强生成）系统时，把长文档切分成小块（Chunking）是一个绕不开的关键步骤。切得太碎，大模型看不懂前因后果；切得太大，又会混入太多无关信息。这篇文章为你系统梳理了主流的文档分块策略、面试高频的调参经验，以及大厂最爱考的「父子文档分块」高阶玩法。附带可以直接跑的面试加分代码！

2026-06-28 13:04:07 358

原创 agent面试必备18-RAG 核心第一步：文档解析与预处理

📝 RAG文档解析与预处理核心指南核心要点：文档解析是RAG系统的关键第一步，遵循"垃圾进=垃圾出"原则，直接影响最终效果工具选择： PDF：PyPDF2/pdfplumber（纯文本/表格）多格式：Unstructured（能识别文档结构） Word：Apache Tika/python-docx 网页：BeautifulSoup4 Markdown：RAG最理想格式特殊处理： OCR处理扫描件（推荐PaddleOCR）表格需保持行列结构（转Markdown/JSON）图片需多模态模型生成

2026-06-27 16:48:22 405

原创 agent面试必备17- 零基础搞懂 RAG 基础大全：从核心原理到代码实战

📝 RAG技术全解析：从原理到实战（面试必备指南） RAG（检索增强生成）是大模型应用中的核心技术，通过"开卷考试"方式解决大模型的知识局限问题。本文系统讲解了：核心原理：将外部知识检索与生成结合，比直接输入全文更高效企业价值：解决知识截止、幻觉和实时性三大痛点技术对比：与微调、长上下文的适用场景差异（附对比表）完整流程：详细拆解离线知识入库和在线问答两大流水线代码实现：提供向量嵌入、相似度计算和基础检索的Python示例文中包含多个面试问答范例，适合开发者准备AI相关技术面试时参考，掌握RA

2026-06-27 16:48:12 640

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 1021

原创 agent面试必备16-模块综合：15+ 道高频面试题速查

并将这种“经验总结”跨轮次复用。

2026-06-26 00:05:05 218

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 22:50:31 612

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 22:50:25 619

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 00:21:13 356

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 00:21:03 602

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 15:45:20 410

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 15:45:17 499

原创 agent面试必备8-AI Agent 综合面试题库1

LLM Agent 是以大语言模型为推理核心，在。

2026-06-21 18:24:04 485

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 18:24:03 514

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 00:12:27 448

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 00:12:23 357

Spark入门.docx

人手一份核武器 - Hacking Team 泄露（开源）资料导览手册 _ WooYun知识库.pdf

空空如也