Agent 实习二面其他记录

二面没过[哭惹R] 意料之中（只面了30多分钟，并且没有算法题）

#京东[话题]# #京东面试[话题]# #面经[话题]# #实习[话题]# #大厂[话题]# #ai[话题]# #agent面经[话题]# #二面[话题]# #校招[话题]# #实习面经[话题]#

京东二面问题总结

1、什么是 RAG，和直接让大模型回答有什么区别？

• RAG 的核心思想是在模型生成答案之前，先去外部知识库检索相关内容，再把检索结果连同用户问题一起交给模型生成答案。
• 和直接让大模型回答相比，RAG 的优势主要在三个方面。第一，知识更新更灵活，不需要每次更新知识都重新训练模型；第二，可以接入企业私有知识，解决大模型参数里没有这部分内容的问题；第三，可以减少模型幻觉，让回答尽量基于检索结果而不是纯凭参数记忆生成。
• 一个标准 RAG 流程一般包括文档清洗、切分、向量化、建索引、召回、重排和生成。其中真正影响效果的关键点不只是检索到了，而是切分是否合理、召回是否准确、重排是否有效、Prompt 是否限制模型必须参考检索结果。

2、Agent 和普通工作流有什么区别？

• 普通工作流通常是固定流程，节点和调用顺序提前写死，输入到输出的路径比较明确。Agent 则更强调自主决策能力，模型会根据当前任务、上下文和工具结果来决定下一步做什么。
• 比如一个固定工作流可能写成：收到用户输入后先 OCR，再分类，再抽取，再返回结果。而 Agent 会先判断用户是否真的要走附件解析流程，还是只想查询报销制度；如果材料缺失，还可能选择先询问补充信息，而不是继续往下执行。
• 简单说，工作流更偏确定性执行，Agent 更偏基于上下文的动态决策。在实际工程里，这两者通常是结合使用的：主流程用工作流保证稳定，局部决策交给 Agent 提升灵活性。