# 向量数据库面试指南与技术解析 这篇文章是一篇关于向量数据库的面试经验分享和技术解析。系统地解释了向量数据库的核心概念、技术原理、选型建议和应用场景。 ## 1. 核心定义 - **定义**：向量数据库是专门用于存储和检索**高维向量**的数据库。其核心能力是**近似最近邻搜索**，能够在大规模向量集合中快速找到与查询向量最相似的几个结果。 - **与普通数据库的本质区别**： - **普通数据库**（如 MySQL）：擅长处理精确匹配查询。 - **向量数据库**：擅长处理**语义相似性**搜索。它通过计算向量在**高维空间中的距离**来衡量内容的相似度，从…
# Function Calling 技术总结 ## 1. 定义 Function Calling 是一种机制，允许开发者通过 JSON schema 向大语言模型（LLM）描述可用的外部工具（如 API）。当模型判断需要调用工具来回答用户问题时，它输出结构化的 `tool_calls` JSON 数据，指明要调用的函数名和参数。宿主程序解析并执行这个调用，将结果返回给模型，模型再生成最终答案。 ## 2. 核心原理与解决的问题 - **本质**： “两轮对话 + 中间执行”的闭环。第一轮模型决策并输出工具调用请求；中间代码执行工具；第二轮模型基于执行结果生成最终答案。 - …
# AI面试题二：如何确保大语言模型(LLM)调用工具是可靠的 如何确保大语言模型（LLM）在工具调用时能可靠、可控地工作，而不仅仅是依赖提示词来“说服”模型。需要系统性地给出了一个多层级的约束框架。 如查询天气的例子，模型在工具调用中常见的三种“瞎编”行为： 1. **不调用工具，直接虚构答案**。 2. **调用工具时传递格式错误的参数**（如工具不支持“后天”，却传参`date="后天"`）。 3. **自作主张转换参数格式**（如擅自将“后天”转为具体日期），即使工具没有此要求。 问题的根源在于模型输出本质上是**概率性的**，提示词只是在概率分布上施加“…
# Agent工具调用与普通函数调用的区别总结 本文主要讨论了Agent工具调用与普通函数调用的核心区别，并详细阐述了Agent工具调用的机制、价值、常见失败模式及应对策略。 ## 核心区别总结 普通函数调用是**编译时确定、同步、确定性的**，由程序员在代码中显式指定调用时机、参数和错误处理逻辑。而Agent工具调用是**运行时决策、异步、带有不确定性的**，由大语言模型（LLM）根据用户输入和上下文动态推理决定是否调用、调用哪个工具以及传递什么参数。 ## Agent工具调用的核心机制与价值 - **为什么需要**：为了突破LLM的知识截止日期、无法精确计算和…