Appearance
Agent 面试题
Agent 题目最容易停留在“会调用工具”。面试里更关键的是：你能不能解释循环、状态、终止条件、权限边界，以及什么时候不该用 Agent。
Agent 基础
什么是大模型 Agent？它与传统 AI 系统有什么不同？
考察角度： 是否能把 Agent 讲成任务执行系统。
回答时应该覆盖：
- Agent 由模型、工具、状态、循环和控制边界组成。
- 传统系统路径更固定，Agent 的下一步常由运行时状态决定。
- Agent 的风险在于多步错误会累积。
深入了解： Agent 基础原理
AI Agent 和直接调用大模型 API 做一次问答有什么本质区别？
考察角度： 是否能区分一次生成和多步任务推进。
回答时应该覆盖：
- 普通 API 调用通常是一问一答。
- Agent 会多轮读取状态、调用工具、观察结果、决定下一步。
- 必须有终止条件、权限和日志。
深入了解： Agent 基础原理
LLM Agent 的基本架构有哪些组成部分？
考察角度： 是否知道 Agent 不是单个模型调用。
回答时应该覆盖：
- 模型决策层、工具执行层、状态存储、上下文管理。
- 任务控制：步数、预算、错误重试和中断。
- 日志与评测用于回放每一步。
深入了解： Agent 基础原理
Agent 智能体的工作过程是怎样的？
考察角度： 是否能讲清楚 Plan / Act / Observe 循环。
回答时应该覆盖：
- Plan：判断当前目标和下一步。
- Act：调用工具或执行动作。
- Observe：读取结果，更新状态，决定继续或结束。
深入了解： Agent 基础原理
Agent 死循环问题有遇到过吗？如何解决？
考察角度： 是否知道循环控制是生产系统必备能力。
回答时应该覆盖：
- 最大步数、连续失败上限、预算上限和重复动作检测。
- 工具失败时要记录错误原因，而不是盲目重试。
- 高风险动作或不确定状态要交回人工确认。
深入了解： Agent 基础原理
工具调用与上下文
Tool Calling 的完整链路是什么？
考察角度： 是否理解模型只决定调用，真实执行在宿主系统。
回答时应该覆盖：
- 开发者定义工具名称、描述和参数 Schema。
- 模型输出工具调用及参数。
- 宿主执行工具，把结果作为 tool message 回传模型。
深入了解： Tool Calling
LLM Agent 如何进行动态 API 调用？
考察角度： 是否理解工具调用和权限控制的结合。
回答时应该覆盖：
- 把 API 封装为工具，限制参数范围和可访问资源。
- 模型决定调用哪个工具，宿主负责鉴权和执行。
- 返回结果需要裁剪和结构化，避免污染上下文。
深入了解： Tool Calling
System Prompt 在 Agent 系统中承载哪些职责？
考察角度： 是否知道 System Prompt 不是越长越好。
回答时应该覆盖：
- 定义角色、任务边界、工具使用规则和安全约束。
- 过长时要拆成稳定规则、动态上下文和可检索资料。
- 关键边界不能只靠 prompt，还要由宿主系统执行。
深入了解： Prompt 工程
Agent 的 Context Window 为什么是核心约束？
考察角度： 是否理解上下文长度、成本和记忆可靠性的关系。
回答时应该覆盖：
- 对话历史、工具结果、系统规则都会占用窗口。
- 工具返回过大内容会挤掉关键状态。
- 需要摘要、裁剪、检索和结构化状态管理。
深入了解： 上下文压缩策略
短期记忆和长期记忆在 Agent 系统中有什么区别？
考察角度： 是否能区分当前任务状态和跨会话知识。
回答时应该覆盖：
- 短期记忆保存当前任务上下文和中间结果。
- 长期记忆保存用户偏好、项目规则和历史经验。
- 长期记忆需要检索、更新和遗忘策略。
深入了解： 持久化记忆系统
长对话时如何保证 Agent 仍然能正常工作？
考察角度： 是否知道上下文管理不是简单截断。
回答时应该覆盖：
- 压缩历史、保留关键决策、外置结构化状态。
- 大工具结果要摘要或按需读取。
- 压缩后要避免丢失任务目标和安全边界。
深入了解： 上下文压缩策略
框架与编排
什么是 LangChain Agent？
考察角度： 是否理解框架里的 Agent 也是工具选择和循环执行。
回答时应该覆盖：
- Agent 根据输入和工具描述决定下一步动作。
- Chain 更适合固定步骤，Agent 更适合动态路径。
- 真实项目里要补日志、错误处理和评测。
深入了解： LangChain 与 LangGraph
LangChain 和 LangGraph 有什么区别？
考察角度： 是否能说明链式编排和图式状态机的区别。
回答时应该覆盖：
- LangChain 更偏组件和链式调用。
- LangGraph 更强调状态、节点、边和可控循环。
- 多步 Agent 适合用图结构表达状态迁移。
深入了解： LangChain 与 LangGraph
AutoGPT 如何实现自主决策？
考察角度： 是否能从循环、工具和目标分解角度解释自主性。
回答时应该覆盖：
- 把大目标拆成连续子目标。
- 每轮根据观察结果规划下一步工具调用。
- 自主决策必须受步数、预算和权限限制。
深入了解： Agent 基础原理
ReAct 是什么？它的原理是什么？
考察角度： 是否理解推理和行动交替的模式。
回答时应该覆盖：
- Reasoning 用于判断下一步，Act 用于调用工具。
- Observation 再进入下一轮推理。
- 需要注意思考泄露、工具噪音和循环控制。
深入了解： CoT 与 ReAct
Zero-shot CoT 和 Few-shot CoT 有什么区别？
考察角度： 是否理解 CoT 不只是“让模型一步步想”，示例会改变模型的推理路径和输出风格。
回答时应该覆盖：
- Zero-shot CoT 只加一步步推理提示，适合临时处理多步问题，但稳定性有限。
- Few-shot CoT 给出带推理过程的示例，能约束拆解方式和答案格式。
- Few-shot 会占用上下文，示例质量差时会把模型带偏，生产系统里还要控制推理链是否对用户可见。
深入了解： CoT 与 ReAct
多 Agent
什么场景下需要多 Agent 协作而不是单个 Agent？
考察角度： 是否知道多 Agent 是效率和职责边界工具，不是默认方案。
回答时应该覆盖：
- 子任务能独立拆分、并行推进、最终统一汇总。
- 单 Agent 串行太慢或上下文负担过重。
- 小任务、强依赖任务不适合拆多 Agent。
深入了解： 多 Agent 协调
Coordinator-Worker 模式怎么设计？
考察角度： 是否能说明协调者和执行者的职责边界。
回答时应该覆盖：
- Coordinator 拆任务、派发、跟踪状态、汇总结果。
- Worker 只处理自包含子任务，不共享隐式上下文。
- Worker 输出需要结构化，便于汇总和验证。
深入了解： 多 Agent 协调
多 Agent 幂等性怎么设计？
考察角度： 是否考虑重试和副作用。
回答时应该覆盖：
- 稳定 task_id、执行状态记录和写入前去重。
- 有副作用操作先计划、后确认、再执行。
- Coordinator 要区分 completed、failed、running。
深入了解： 多 Agent 协调
多 Agent 系统里如何做权限控制？
考察角度： 是否知道权限要落在工具层和参数层。
回答时应该覆盖：
- Worker 只拿当前任务需要的工具。
- 限制路径、数据范围和可写资源。
- 输出回到 Coordinator 前做敏感信息过滤。
深入了解： 多 Agent 协调
扩展能力
什么是 AI Agent 中的 Skills？它有什么用？
考察角度： 是否理解技能是可复用的任务说明和能力封装。
回答时应该覆盖：
- Skill 可以封装特定领域流程、规则和示例。
- 适合让 Agent 在重复任务中保持一致行为。
- 要和工具、MCP、长期记忆区分开。
深入了解： MCP 协议
MCP 和 Skills 有什么区别？分别适用于什么场景？
考察角度： 是否能区分外部能力接入和内部任务方法。
回答时应该覆盖：
- MCP 把外部工具、资源、提示词标准化接进客户端。
- Skill 更像任务执行说明或可复用工作方法。
- MCP 偏系统集成，Skill 偏 Agent 行为指导。
深入了解： MCP 协议
Agent 结果为什么要和单步结果分开评测？
考察角度： 是否理解多步系统的错误传播。
回答时应该覆盖：
- 单步只评一次输出，Agent 要评中间决策和工具结果。
- 需要看任务完成率、步骤成本、失败恢复和安全边界。
- 日志回放比只看最终答案更重要。
深入了解： AI 应用评测