LLM的交互基本单元：一轮对话。
一个Agent完成多个任务。
更多趋势：多Agent协作(Multi-Agent Model)。

Agent Demo: 支小助。

做AI产品，考虑用户会提问一些不正常的问题。

Function Call: 基于LLM的语言理解能力，通过理解语义，自主决策使用某项工具，并结构化调用。

MCP交互。

面试题：在当下的一个场景下，如何提高Function Call的成功率，如何做如何思考？
解答：

• 理解Function Call是什么，用什么能提高。
• 成功率涉及到基座模型的选型

还是需要系统性的去学习。

Agent，将无状态输出的大模型，变成了有状态输出的逻辑大脑，目标也是工业化。

每天思考不断测试大模型的能力，思考场景和业务逻辑。

RAG实现技术重点：相似度检索，离线数据装载。

必须要懂得算法原理：了解向量，了解模型底层的原理，例如RAG的原理（如何划分chunk大小）