Agent架构与多智能体编排 思维导图 总览 Agent基础架构 工具调用与Function Calling 多Agent编排 记忆与会话管理 稳定性与可观测性 一、Agent基础架构 Agent四大核心模块 规划模块（Planner） 职责：接收用户任务，拆解成可执行的子步骤实现方式：ReAct推理 / 思维树 / 计划-执行分离面试点：能说出“先规划再执行”和“边想边做”两种模式的适用场景 记

AI 应用开发初级岗位中，Python 进阶的考察重点不是死记硬背，而是能清晰说出每种机制在真实 AI 场景下的应用方式与优劣，并能写出健壮、可读的代码。掌握以上五大模块的原理、伪代码和面试题回答思路，足以帮你从容应对相关技术面。

摘要 本文介绍了基于ReAct模式的AI代理系统实现方法。ReAct通过"思考→行动→观察"的循环流程，使大语言模型能够调用外部工具获取实时信息，突破了训练数据的时效限制。系统核心包括：环境安全配置、决策中枢语言模型、Tavily搜索工具和代理执行器。文章详细说明了各组件配置要点，如设置stop参数防止模型自说自话、优化工具描述提高调用准确率等。同时指出了常见问题解决方案，如格

Prompt 注入是指用户通过聊天接口，将恶意内容混入 Prompt 构造过程或直接劫持模型推理，导致程序崩溃或行为失控。它不只是一种攻击手法，而是一个多层问题。我们将其分为三层，并对应三层防御。

大模型幻觉问题 思维导图（定稿版） 总览 幻觉产生的原因 幻觉检测方法 幻觉缓解策略（生成前/生成中） 幻觉缓解策略（生成后） 评估与评测体系 一、幻觉产生的原因 数据层面 训练数据本身包含错误信息 举例：互联网爬取的文本里存在过时知识、谣言、偏见，模型学了就输出 数据覆盖不足 长尾知识、小众领域、最新事件在训练数据中占比极低，模型只能猜 面试点：模型不是故意编造，而是训练时就学到了错误的知识 训

这篇博客用“问题-类比-原理-演示”的四步法，并针对 AI 应用开发补充了进阶操作和实战提示。从基本的getbreaksuper()、多重异常，到文件 I/O 的二进制与结构化读写，再到生成器表达式、、mypy 静态检查——你现在不仅掌握了 Python 核心语法，还理解了它们在真实 AI 开发中的位置。亲手运行每一段代码，把这些基础刻进肌肉记忆里，它们会成为你构建更复杂系统的坚实基石。

本文为的后续内容，使用树莓派实现人脸识别项目的子内容。由于人脸识别项目的运行环境是树莓派4b，内存资源相对有限，因此选择face_recognition库作为人脸识别的模型。

这是孔子角色扮演问答系统开发笔记的一部分。在完成 Embedding、向量检索、分块和数据库选型后，我们把焦点转向更核心的问题：如何科学地评价检索系统好不好？调参有什么可复用的经验？以及，Transformer 究竟是怎么“读懂”一句话的？项目背景：基于 DeepSeek 大模型的孔子对话应用，后端用 BGE 嵌入 + ChromaDB 检索论语章句。

从调用 GPT-4o 看懂图片、Whisper 听懂语音，到用 CLIP 构建图文检索的多模态 RAG 完整闭环，再到实时音视频 AI 管线的工程要点，你已掌握多模态应用开发的核心技能。面试中的高频考点——CLIP 的对比学习原理、多模态 RAG 的检索+生成流程、实时管线的 VAD 和时间戳对齐——都已覆盖。现在你可以打造能看、能听、能搜索的多模态 AI 应用了。

从 Ollama 本地一键部署，到 Docker 容器化和 docker-compose 编排，再到 vLLM 高性能推理的连续批处理和 PagedAttention 原理，模型量化的显存优化，以及生产环境的冷启动、蓝绿部署、并发控制，你已掌握模型工程化的完整技能栈。面试中的高频考点——Ollama 部署、vLLM 优化原理、显存计算、docker-compose 编排——都已覆盖。现在你可以把训