一，向量数据库和传统数据库的区别是什么？
1，存储方式不同：
传统数据库存储的信息是原始信息数据；
向量数据库存储的数据是：通过向量模型将原始数据转换成相应的数字，或者说数学特征。
2，数据查询方式不同：
传统数据库是按照条件进行精确查询，向量数据库是按照语义相似度进行查询；
3，应用方向不同：
传统数据库通常用于业务数据的存储和精确查询；
向量数据库通常用于RAG、知识库问答，以图搜图等应用或功能；
二，AI的记忆是怎么理解的？Agent的记忆。
1，AI没有记忆；
2，Agent的记忆可分为三层：
第一层是提示词和指令，定义 Agent 的角色和规则、需求（多轮对话记忆也算）；
第二层是上下文或工作记忆，保存当前任务的信息和执行状态（例如计划文档等）；
第三层是长期记忆，保存用户偏好、企业配置和历史经验等跨会话信息。
提示词决定“怎么做”，上下文记忆决定“现在做到哪了”，长期记忆决定“以前记住了什么”。
三，RAG了解吗？
内部学习链接：
https://www.iashes.com/2026/08/21-8216.html
（1），RAG中已经有了向量检索，为什么还需要关键词检索（全文检索）？
RAG 加关键词检索，是因为向量检索虽然擅长语义理解，但对编号、金额、日期等一些其他专有名词不一定能够理解，或不能够精准地理解。所以需要关键词检索进行匹配，两者结合可以同时兼顾语义召回和精确召回，提高召回率，提高检索的准确率和覆盖率。
（2），如果一个文件新增了内容，RAG如何做版本或者新内容的更新？
「方法1」，直接删除旧文件的源文件和向量数据，然后将新文件导入到RAG中；
「方法2」，覆盖掉旧文件，然后导入新文件，对新文件重新进行文档解析、源数据生成、脏数据的清洗、chunk、再进行向量化、建立索引。
覆盖后，根据旧文件的路径，判断是否是旧文件的新版本，源数据中会记录一个新的版本。
用户提问的时候，LLM先去理解，获得问题中所需的版本号，根据版本的条件再进行向量检索和关键词检索。类似于传统数据库中：
SELECT * FROM chunks WHERE status = ‘active’ AND version = ‘1.1’
四，提示词工程和上下文工程了解吗（Prompt Engineering和Context Engineering）？
提示词工程：
提示词工程，主要是设计提示词内容，如何让大模型能够更清晰的知道用户的意图。
核心是设计设计input中的：System/Developer Prompt + User Prompt，把任务、规则、背景、限制、输出格式说清楚。
通常需要对于任务、规则、背景、限制、输出格式整理清楚给到大模型，可能还有有协议验收标准、测试标准也需要给答模型。
Input是给到模型的输入，通常是System > Developer > User，这三个input的内容规则通常是：
System / Developer = “这个 AI 平时应该怎么工作”
User = “这一次我要你做什么”
通常大模型之后：System + User 或者 Developer + User，一些新的模型规定，去掉了System，用Developer替代了。
System Prompt通常输入的信息是：角色、行为规则、业务规则、输出要求、边界条件。例如：
# System Prompt 你是一个销售分析助手。 必须基于事实回答。 不要编造客户信息。 输出必须包含：结论、原因、下一步建议。
User Prompt，通常输入的信息是：当前任务、当前输入数据、用户临时要求，例如：
# User prompt
请分析这个客户今天是否值得重点跟进。
客户资料：
公司规模 200 人
预算 30 万
最近沟通表示正在对比竞品
# 给到大模型的整体提示词如下：
[
{
"role": "developer",
"content": "你是销售分析助手。不要编造信息。输出结论、原因和建议。"
},
{
"role": "user",
"content": "请分析这个客户：..."
}
]
所以，提示词工程：
Prompt Engineering = 设计“指令”
主要是：
System / Developer Prompt
User Prompt
任务要求
规则
输出格式
示例
提示词工程也是上下文工程的一部分。
上下文工程：
上下文工程（Context Engineering）的输入，其实就是设计“模型这一轮能看到的全部信息”，这些全部信息包括：
历史对话、RAG 检索资料、Memory、工具定义、工具返回结果、当前状态、外部数据等等。
所谓上下文，其实就是告诉模型，我需要实现某一个需求（提示词工程中的任务），能给到你哪些信息。
四，Agent和工作流的区别是什么？
Workflow（工作流）是：任务怎么执行，主要是人/代码提前规定好，按照明确的流程节点执行。
Agent（智能体）是：告诉它指令、要求或任务验收标准，它自己判断下一步怎么执行，调用什么工具，直到任务完成或达到验收标准。
Agent中的下一步执行是由LLM进行理解和判断的。
Workflow的执行顺序和节点，是程序搭建好的节点，任务的执行是按照搭建好的节点按流程进行执行；
Agent的执行顺序是不固定的，节点的个数也是不确定的，根据当前任务已经每个节点的执行后的上下文环境LLM再去规划下一步的节点。所以Agent是一个循环（loop），循环的目标就是完成当前任务，且循环的结束条件也是任务完成才结束当前agent的任务。
备注：
1，Workflow和Agent，都是可以在某一个节点调用大模型，当前Agent是必须调用大模型；
2，可以将Agent理解成一个能够干活的员工，下发一个任务，直到它完成为止；
什么时候使用Workflow、什么时候使用Agent？
1，当流程固定、任务规则清楚、明确的时候，使用Workflow，整个过程稳定、可控且成本低；
2，当流程不固定、任务规则模糊的时候，使用Agent，它比较灵活、能处理模糊和复杂问题，但是成本高，包括时间成本和token成本；
混合：
大多数情况下，一个Agent中会混合Workflow去完成一些任务，有一些需要推理或者思考的节点，使用Agent进行处理，明确的流程或者规则， 则用Workflow，这是让Agent工作成为Workflow工作的一个节点。
当然，Workflow也可以成为Agent的一个节点，根据业务的不同，两者是相辅相成，搭配使用的。
Agent的大体流程可以理解成：
指令 → LLM → runtime监听 → 调工具 → 回传结果 → 再循环
引用Anthropic 官方的一句话：Workflow 是让 LLM 和工具沿着预定义的代码路径运行；Agent 则让 LLM 动态决定自己的过程以及使用什么工具。
五，agent导致上下文太长，模型可能会出现幻觉，这个如何避免？
目前对于上下文压缩，最常见的压缩维度和方法：
截断：只保留最近 N 轮，或最近 N 个 token。
摘要：把早期对话压缩成一段摘要，作为 system 或一条 assistant 消息放进去。
向量检索：把久远的历史存起来，需要时用 embedding 检索相关片段再拼进 messages。
六，Agent SOP / AI SOP 和传统SOP的区别？
Agent SOP，把人类工作的标准作业流程（SOP, Standard Operating Procedure），改造成能让大模型 / Agent 稳定、按步骤执行的标准化流程。
区别：
传统 SOP 的读者是 “人”，靠人理解执行；Agent SOP 的读者是 “大模型 / Agent”，必须写成程序能解析、能判定、能兜底的结构化定义。
七，KV Cache