offer抉择求助

一、概述与全链路 RAG（检索增强生成）：用户提问 → 检索知识库相关片段 → 注入 Prompt → LLM 基于真实数据生成。解决知识截止、幻觉、无法访问私有数据。 Naive RAG（检索-拼接-生成）→ Advanced RAG（Query 改写、混合检索、Rerank）→ Modular RAG（可插拔模块、Agent 动态决策） 文档 → Chunking → Embedding → 向量数据库 用户查询 → Query改写 → 向量化 → 混合检索 → Rerank → Prompt → LLM生成  二、文档处理（Chunking + Metadata） 切分策略    策略 ...

毕业即失业

Q1：请⽤你⾃⼰的话定义 LLM Agent，并说明与单次调⽤的差异。答案：LLM Agent 是以⼤语⾔模型为推理核⼼，在 多轮 中与外部环境交互，通过 规划、记忆与⼯具 完成复杂任务的系统。与单次调⽤的差异在于：单次调⽤是 开环⽣成；Agent 是 闭环决策，每步可依据⼯具返回更新状态，直到终⽌条件。追问：若没有外部⼯具，还能叫 Agent 吗？答案：可称为「弱环境」Agent，仅有对话记忆与推理；但仍可有内环多步 CoT 与⾃我验证。⾯试中强调是否存在「⾏动—观察」循环更清晰。Q2：Agent 的记忆⼀般怎么设计？答案：分层设计最常⻅：⼯作记忆（当前轨迹与关键结论）+ 会话记忆（摘要滚动...