Agent评测区别于普通大模型评测，在于其关注多步、多轮、带工具调用的完整过程，强调“过程正确性”而非仅答案对错。评测需考虑环境变量、非确定性、高成本，需构建可复现的任务世界。应结合任务成功率与轨迹质量双指标，避免侥幸成功或形式主义。通过结构化轨迹分析、自动化评测框架、裁判模型校准及分级控制成本，实现高效、可靠评估。关键在于区分结果与过程，持续监控并定位问题，确保Agent的可靠性与可复现性。

2. 它和 MCP 是互补关系，MCP 管 Agent 连工具，A2A 管 Agent 连 Agent，一个向下接能力一个横向组队。1. 最简单的是主从结构，一个主 Agent 负责拆任务和汇总，子 Agent 各干一块，汇报后由主 Agent 收口。1. 主从模式信息流是星形的，子 Agent 只和主 Agent 通话，互相之间不通信，边界清晰好管控。2. 流水线结构像工厂流水线，Agent 按

MCP（Model Context Protocol）是Anthropic开源的模型上下文协议，旨在统一大模型调用外部工具的标准，解决“对接成本高”问题。其核心是客户端-服务器架构，通过JSON-RPC通信实现多对多松耦合，支持本地（stdio）与远程（HTTP/StreamableHTTP）传输。它不替代Function Calling，而是构建标准化工具生态，强调协议中立、数据本地化和能力发现

大模型训练数据合规核心在于版权争议与数据治理。爬取公开内容是否侵权尚无统一判例，关键在“合理使用”与“转换性”抗辩。各国路径各异，从选择退出机制到文本挖掘例外不等。企业需按来源分级管理数据：自有、授权、开放许可、爬取、合成数据，风险逐级递增。训练行为与输出结果须分别合规，防范记忆泄露与背诵侵权。个人信息保护、数据清洗、标识义务、台账审批、工具链建设等构成完整治理体系。合规已从成本项演变为产品准入证

大模型推动自动驾驶向端到端范式演进，实现感知-决策一体化，提升数据驱动能力与语言理解，但带来黑箱性、验证难与安全挑战。世界模型助力长尾场景生成与仿真测试，数据闭环形成持续迭代能力。智能座舱大模型实现主动服务与自然交互，但受限于车规环境的算力、功耗与离线需求。车载语音强调低延迟、免唤醒与安全优先。安全验证需融合仿真、实车与影子模式，法规责任框架亟待完善。大模型应用应分层推进，兼顾技术可行性与落地风险

7. 面试要点：金融 AI 项目通常从"数据安全方案"开始谈，不是从模型开始。7. 面试要点：投研是金融大模型最成熟的切入点，因为使用者专业容错相对高。7. 面试要点：一句话原则——"AI 只能说合规的话，措辞责任在机构"。4. 时间推理是弱项："下个季度末""T+3"要转成确定日期再进模型。7. 面试要点：金融文档的难不在文字量，在"条款间的引用与例外"。7. 面试要点：能主动说"金融数字必须引

医疗大模型与通用模型核心差异在于：零容错、强监管、数据敏感、输出可溯源，且需医生主导决策。幻觉风险极高，尤其剂量错误危及生命，须通过结构化药品库、指南校验、来源引用三重防线防控。病历生成重在初稿可用性，质控依赖完整性与逻辑一致性。医学问答须基于权威知识库，分级响应并定期专家审校。辅助诊断必须“辅助”定位，杜绝自动下结论，责任闭环是关键。数据合规、系统割裂、流程嵌入等落地难点远超模型本身。面试核心：

1. 用户搜索词五花八门："上班穿的显瘦裤子"全是意图词没有品牌词。6. 全链路的共同基础是"商品知识库"：SKU 结构化数据是地基。7. 面试要点：售后机器人的好坏由"升级到人工之前的解决率"决定。2. 评价分析：海量评论聚类出"质量、物流、服务"维度的口碑画像。4. 审核：准确率、误杀率、漏放率三方平衡，误杀率是商家关系命门。7. 面试要点：能按"人货场"或链路环节组织答案，而不是报菜名。7.

AI硬件与纯软件产品的本质区别在于：交互形态绑定（语音/手势/视线）、错误代价高、迭代慢、成本结构受限、场景特定。失败主因是“为塞AI而做硬件”，缺乏不可替代性。核心挑战包括端云协同、低延迟、续航、隐私与内容安全。成功关键在于精准定位“特定时刻”场景，确保交互不可替代、响应快、续航稳、数据合规。产品定义需从真实使用场景出发，避免自嗨，强调“时刻+不可替代性”。

3D生成本质在于构建可任意视角观察的几何一致、物理合理的三维表示，区别于二维图像生成。主流技术包括直接扩散、多视角重建与3D高斯泼溅等，其中NeRF（隐式）与3DGS（显式）是核心场景表示。单图生成面临信息不足与一致性难题，需依赖先验补全。评测强调几何精度、拓扑质量与下游可用性。空间智能实现从“看图”到“理解空间”的跃迁，支撑具身智能与AR/VR。落地以“AI草稿+人工精修”为主，受限于数据稀缺、