面试官：Langchain是什么？与Agent区别

在AI Agent的设计中，意图识别是自然语言理解（NLU）的核心环节，直接影响用户体验和业务目标达成。作为AI产品经理，需从业务场景、技术实现和用户体验三个维度系统设计意图识别方案1. 明确业务需求与意图分类体系- 场景拆解：根据Agent的应用场景（如客服、智能家居、电商导购）梳理高频用户诉求。例如：- 客服场景：咨询、投诉、退款、查询进度等- 智能音箱：播放音乐、设置闹钟、控制设备- 意图分层设计：采用树状结构（主意图→子意图→槽位），避免分类粒度混乱。例如：主意图：订机票├─子意图：查询航班（槽位：出发地、目的地、日期）└─子意图：改签机票（槽位：订单号、新日期）- 兜底策略：设计"未知意图"分类，结合澄清话术（如“您是想查询订单还是联系客服？”）或转人工流程。2. 数据驱动的模型构建- 数据采集与标注：- 通过用户历史对话、搜索日志等获取真实语料。- 标注时需注意同义表达覆盖（如“帮我订票”和“买张去北京的机票”）。- 技术选型方案：- 规则引擎（正则表达式、关键词）：冷启动阶段/高确定性场景（如命令词）- 深度学习（BERT、TextCNN）：复杂语义场景- 大模型微调（Few-shot Learning）：长尾意图识别- 多模型融合：规则兜底+模型预测，例如先用规则处理高频意图，剩余流量走模型。3. 用户体验闭环设计- 容错机制：- 置信度阈值设置（如低于0.7时触发澄清）- 上下文继承（用户说“换一个时间”时继承前文航班查询意图）- 效果评估指标：- 技术指标：准确率、召回率、F1值- 业务指标：任务完成率、转人工率、单次对话解决率（FCR）- 用户感知：用户主动纠正次数、满意度调研- 持续迭代闭环：- 建立bad case分析流程，将误识别样本反馈至标注池- 监控意图分布变化（如新增促销活动可能引发未覆盖的咨询意图）的         

ok，那么正式开坑吧，个人而言因为Java实在竞争太激烈，（在月薪3k的小厂，有十几个人去面试竞争，甚至有个天津大学的985硕士和我抢饭碗，我决定直接跳车,不卷了）所以投入大模型的学习之中。那么目标自然是做agent开发或者大模型开发了，这里很多人会问，现在去找大模型好找吗？我明确的说，我不知道，但我要all in，因为大模型工资实习工资比java开发更高，而且它更新，这是为什么我要学它。然后很多人就是说这个东西是不是现在没有什么成体系的学习资料，我明确的说，是的，以我自身就是纯按照兴趣+boss招聘信息去学，因为很多公司自己也没整明白，有非常多小公司初创公司招这个，竞争激烈程度大概是56个人...

研究生就会点 搭积木，开发项目接触过 FastAPI，408基础知识都还有记忆，现在想转AI开发，但是根本没有面试机会，这种情况怎么办

写在最前面，首先感谢各位驻足观看，我受宠若惊，一共赚了三包薯片了，这期呢还是讲讲最近的去向，还有大伙比较关心的实习工作怎么样，好不好找工作，有好些人私信我，这里一块讲一下。第一个问题，大模型好不好找工作？还是那句话，看你喜欢做什么，大模型应用agent开发是蛮好找的，大模型底层算法调优蒸馏做小模型也好找（不过有点吃学历这个很多只要硕士），大模型做论文复现，写量化这种（很吃学历和paper，一篇还不够，要高端的paper，ccf-a这种算差不多）。在5月2号我做完第一份简历，5月6号收到第一份offer，5月11号去北京时候我已经手握6家offer了，有初创，有小厂，有远程，有大厂，最后我选择了...