RAG与Agent面试核心要点总结；RAG部分：RAG架构：通过检索外部知识库增强大模型生成，解决知识更新和事实准确性；核心组件：Embedding模型、向量数据库、重排序模型、分块策略；关键技术：HNSW索引、语义分块、混合检索、查询转换；优化方向：上下文压缩、Agentic RAG、多轮检索；Agent部分：ReAct模式：推理与行动的动态循环，区别于静态的CoT；记忆系统：分层设计短期/长期

早期DeepSeek版本（如R1和V3）因技术路线侧重推理能力与成本优化，缺乏原生工具调用功能。社区通过Prompt工程模拟和响应解析实现替代方案，包括：1）结构化提示词定义调用规范；2）流式解析实时处理代码块；3）多格式检测兼容不同调用方式。该方案具有高兼容性，能适配各类模型输出风格，实现流畅的工具调用体验，为无原生FunctionCall能力的模型提供了可行解决方案。