知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# AI Agent 高频面试题集(25 题) > 导读:本文从"面试官问 Agent,到底会问哪些题、怎么答才算答到点子上"这个疑问出发,把 Agent 基础与架构、关键能力、多 Agent 与协议、工程化与实战四大板块共 25 道高频题逐题讲透。每题都遵循"**结论先行 → 为什么 → 要点/表格/伪代码**"的答题结构,保留原题库的题目数量与全部要点,最后集中给出面试答题方法论与常见踩坑。适合准备 AI/Agent 方向面试,或需要快速梳理 Agent 知识体系的同学。 > 覆盖范围:Agent 基础、ReAct/Planning、Tool Use、Memory、多 Agent、MCP、A2A、工程化。 ## 一、基础与架构(第 1~6 题) ### Q1:什么是 AI Agent? A:结论先行——Agent 是能**自主感知环境、规划、执行、反思**的 AI 系统,不只是被动回答问题。 为什么强调"自主"二字?因为这是它与普通 LLM 应用唯一的分水岭:普通应用是"你问一句、它答一句",Agent 是"你给个目标、它自己决定怎么一步步达成"。差异可列表如下: | 维度 | 普通 LLM | Agent | |------|---------|-------| | 交互 | 一问一答 | 持续对话 + 自主行动 | | 能力 | 仅生成文本 | 调用工具、访问数据 | | 记忆 | 无 | 短期 + 长期 | | 规划 | 无 | 拆解任务 + 执行 | | 自主性 | 无 | 可自主决策 | 答题时补一句"Agent = LLM + 规划 + 记忆 + 工具 + 反思"通常能让追问自然转向架构题。 ### Q2:Agent 的经典架构是什么样的? A:结论先行——以 LLM 为"大脑",外挂规划、记忆、工具、反思四个模块,整体跑一个循环。  *图:LLM 大脑的规划、记忆、工具与反思* ```text LLM(大脑) ├── Planning(规划):任务拆解、多步规划 ├── Memory(记忆):短期 + 长期 ├── Tools(工具):搜索、代码执行、API 调用 └── Reflection(反思):自我检查、纠错 ``` **循环**:感知 → 规划 → 行动 → 观察 → 反思 → ...(回到规划继续)。 为什么是"循环"而不是"流水线"?因为 Agent 要在观察结果后决定下一步,这一步的输出会改变下一步的输入,形成闭环。面试官常顺着问"循环靠什么停下来",对应后面第 13 题(死循环防御)。 ### Q3:ReAct 模式是什么? A:结论先行——ReAct = Reasoning(推理)+ Acting(行动),让模型交替进行"思考"和"调用工具",是目前最主流的 Agent 模式。 ```text Question: 今天北京比上海热多少度? Thought: 我需要先查两个城市的温度 Action: search("北京今天温度") Observation: 北京 25°C Thought: 再查上海 Action: search("上海今天温度") Observation: 上海 22°C Thought: 北京比上海高 3 度 Answer: 北京比上海热 3 度 ``` 为什么它有效?因为它把"推理"和"外部证据"交织起来——先想清楚要查什么,再拿工具结果修正下一步推理,避免模型凭空想象。它的缺点是步数不固定、token 消耗随轮次增长。 ### Q4:Plan-and-Execute 模式是什么? A:结论先行——与 ReAct 不同,它是**先规划出完整步骤,再按步骤执行**。 ```text User: 帮我预订明天北京去上海的机票 Plan: 1. 查询明天北京到上海的航班 2. 根据时间和价格推荐 3 个选项 3. 询问用户选择 4. 执行预订 Execute: 按步骤走 ``` **对比**: - ReAct:边想边做,适合不确定的探索型任务。 - Plan-and-Execute:一次规划完,适合流程相对固定的任务。 取舍在于"灵活性 vs 成本":先规划能减少重复推理、便于并行执行子步骤,但计划一旦错了就需要"重规划"机制兜底。 ### Q5:Agent 和 Workflow(工作流)的区别是什么? A:结论先行——Workflow 是**固定的步骤和路径**(代码写死),Agent 是**动态决策**(根据情况自主选择下一步)。 **Anthropic 的建议**:能用 Workflow 的优先用 Workflow,必须灵活决策的才用 Agent。 **原因**:Workflow 稳定可预测,Agent 不稳定且贵。面试中最容易加分的答法是补一句:"所以工程上正确的姿态是**从 Workflow 起步、按需升级为 Agent**,而不是一开始就上 Agent。" ### Q6:Agent 的成本为什么高? A:结论先行——因为一个任务可能要调用 LLM **十几次甚至几十次**,每次调用都在花钱。 ```text 规划:1 次 思考 + 工具调用:N 次(每步一个工具) 反思:1 次 总结:1 次 ``` 再加上 Cross-checking(交叉校验)、retry(重试),轻易就几十次 LLM 调用。 **优化**: - 简单任务不用 Agent,直接 Workflow。 - 大模型做规划,小模型做执行(按难度分层用模型)。 - 缓存中间结果。 为什么成本会"超线性"增长?因为 Agent 的每一跳都要把**累积的上下文**整体送进模型,而上下文随轮次变长,单次调用的 token 数也在同步上涨——轮次增加与上下文变长是叠加的,成本自然不止线性。所以优化要"双管齐下":一是减少轮次(简单任务直接 Workflow、缓存中间结果),二是降低单次成本(规划用大模型、执行用小模型)。 ## 二、关键能力(第 7~13 题) ### Q7:Agent 的规划能力怎么实现? A:结论先行——常见有四类方式:CoT、Tree of Thought、Plan-and-Execute、ReAct;复杂场景再做任务分解与层级规划。 **方式**: 1. **CoT**(Chain of Thought,思维链):让 LLM 在 prompt 里分步推理。 2. **Tree of Thought**(思维树):树状搜索多条路径,比较后再选。 3. **Plan-and-Execute**:先出 plan,再逐步执行。 4. **ReAct**:边想边做。 **复杂规划**: - **Task Decomposition**(任务分解):把大任务拆成子任务。 - **Hierarchical Planning**(层级规划):先定高层目标,再逐层细化。 回答时点出"这些不是互斥的"——例如 Plan-and-Execute 内部每一步仍可用 CoT。 ### Q8:Tool Use / Function Calling 是怎么工作的? A:结论先行——核心是"模型只负责**决定调用哪个函数、传什么参数**,真正的函数执行由程序完成"。 **流程**: 1. 用户问问题。 2. 给 LLM 传工具定义(名字、参数、描述)。 3. LLM 判断要不要用工具、用哪个。 4. LLM 输出 `tool_call(函数名, 参数)`。 5. 代码层面真正调用函数。 6. 把工具结果作为新消息给 LLM。 7. LLM 生成最终答案。 **示例**(OpenAI format): ```json { "tools": [{ "type": "function", "function": { "name": "get_weather", "description": "获取城市天气", "parameters": { "type": "object", "properties": { "city": {"type": "string"} } } } }] } ``` 关键点是第 5 步:**模型不会真的执行函数**,它只是产出结构化的调用意图,执行权在应用侧——这也是安全校验(参数校验、权限检查)的插入点。 为什么强调"模型不执行函数"这一点?因为它划定了安全与可靠的边界:模型只负责产出"调用意图",真正的执行、参数校验、权限检查、超时与重试都在应用侧。面试里如果只答"模型会调用工具",通常会被追问"那参数是谁校验的、越权怎么拦"——能答出"执行在 App 侧"就说明理解了这条边界。 ### Q9:工具选择不稳定怎么办? A:结论先行——LLM 有时会乱选工具或不选工具,需要从"描述、示例、路由、强制、兜底"五个方向改进。 **改进**: 1. **工具描述要清晰**:用途、参数、适用场景。 2. **Few-shot**:给几个正确调用的例子。 3. **Tool routing**(工具路由):先让 LLM 判断大类,再选具体工具。 4. **强制调用**:用 `tool_choice` 强制指定(具体取值需结合所用模型/版本确认)。 5. **fallback**(兜底):失败时回退到问用户。 答题顺序建议按"先优化信息(描述+示例)→ 再优化结构(路由)→ 最后加约束(强制+兜底)",体现从低成本到高干预的思路。 ### Q10:Agent 的记忆(Memory)分哪几种?长期记忆怎么实现? A:结论先行——记忆分三种:短期记忆、长期记忆、工作记忆;长期记忆通常用向量库 + 结构化存储实现。 **三种记忆**: 1. **短期记忆(Short-term)**:当前对话上下文(塞进 prompt)。 2. **长期记忆(Long-term)**:跨会话持久化。 - 用户偏好。 - 对话历史摘要。 3. **工作记忆(Working Memory)**:当前任务的中间状态。 **长期记忆实现**: - **向量库**:语义检索过往信息。 - **结构化存储**:偏好、档案存 DB。 - **Memory Stream**(出自 Generative Agents 论文):事件 + 反思 + 计划。 易被追问的是"三种记忆的区别":短期记忆随会话消失,工作记忆随任务结束消失,长期记忆跨会话复用——三者生命周期不同。 补一个易混点:长期记忆的写入要"有策略",不能把每次对话都存。通常只沉淀**稳定、可复用**的信息(用户偏好、已确认的结论、踩坑经验),过程性的噪音不入库,否则会污染后续检索(对应第 24 题提到的"记忆压缩")。 ### Q11:怎么让 Agent 学会使用新工具? A:结论先行——最轻量的是"在 prompt 里加工具说明和例子",最重的是微调,中间还有"让 Agent 自己摸索总结"。 - **Prompt 里加工具说明 + 例子**(最简单,零训练成本)。 - **Fine-tune**(微调):在工具调用数据上微调模型。 - **让 Agent 自己总结工具用法**(通过尝试,把成功经验沉淀下来)。 顺序体现了成本梯度:先改 prompt,不行再上示例,最后才考虑微调。 ### Q12:Agent 的反思(Reflection)能力是什么?代价是什么? A:结论先行——反思是"让 Agent(或另一个 LLM)检查自己的输出并决定是否修正/重做",代价是多一轮 LLM 调用。 ```text 1. Agent 生成答案 2. 让 Agent 或另一个 LLM 评估: - 答案正确吗? - 有没有遗漏? - 要不要重做? 3. 根据评估决定输出 / 修正 / 重做 ``` **论文**:Reflexion、Self-Refine。 **代价**:多一轮(甚至多轮)LLM 调用,意味着延迟和成本上升。因此反思通常只在"高风险/高价值"任务上开启,而非每步都做。 ### Q13:怎么防止 Agent 陷入死循环? A:结论先行——靠"硬限制 + 检测 + 监控"三重防御:轮次上限、重复检测、时间预算、状态监控。 **现象**:Agent 一直在"思考 → 工具 → 思考 → 工具",出不来。 **防御**: - **最大步数限制**(max_iterations)。 - **重复检测**:同样的动作超过 N 次强制停。 - **时间预算**:超过 M 秒停。 - **状态监控**:每步之后评估是否在进展。 一句话总结加分点:**没有终止条件的循环,就是一只吞钱的仓鼠**——所以终止条件必须是硬编码的兜底,而不能指望模型"自己知道该停"。 ## 三、多 Agent 与协议(第 14~19 题) ### Q14:多 Agent 系统是什么? A:结论先行——多个 Agent **协作**完成复杂任务,各自有专长与角色分工。 **例子**: - **CrewAI**:CEO + 工程师 + 设计师分工做产品。 - **AutoGen**:多个 AI 对话协作。 - **MetaGPT**:模拟软件公司(产品经理 → 架构师 → 工程师 → 测试)。 它的价值在于"专业化"——一个包揽所有的 Agent 往往不如"几个各管一摊的 Agent"稳定;代价是通信与协调开销。 ### Q15:多 Agent 常见协作模式有哪些? A:结论先行——常见四种:Sequential(顺序)、Parallel(并行)、Hierarchical(层级)、Network(网络)。 **1. Sequential(顺序)** ```text Agent A → Agent B → Agent C ``` 流水线,上游输出是下游输入。 **2. Parallel(并行)** ```text Agent A Agent B → 合并结果 Agent C ``` 独立任务并行跑。 **3. Hierarchical(层级)**  *图:Manager Agent 调度 Worker A/B/C* ```text Manager Agent ├── Worker A ├── Worker B └── Worker C ``` Manager 派活、汇总。 **4. Network(网络)** Agent 之间自由通信,根据需要协作。 选择依据:任务是否可分、子任务是否独立、是否需要集中调度——前者决定顺序/并行,后者决定层级/网络。 四种模式不是互斥的:真实系统常常是"层级 + 顺序 + 并行"的混合,例如 Manager 把任务分成若干顺序阶段,阶段内多个 Worker 并行。选型先问两个问题:子任务之间**有没有依赖**(有依赖→顺序,无依赖→并行),以及**需不需要集中调度**(需要→层级,不需要→网络)。 ### Q16:MCP 是什么? A:结论先行——MCP(Model Context Protocol,模型上下文协议,Anthropic 提出,2024)是 **Agent 和外部工具/数据源的标准化接口**。 **解决**: - 每家 LLM 厂商都有自己的 Function Calling 格式,碎片化。 - 工具开发者要为每家适配。 **MCP 的定位**: - 就像 LSP(Language Server Protocol)之于编辑器和语言。 - 让工具写一次,所有支持 MCP 的 Agent 都能用。 **三类能力**: - **Resources**:数据源(文件、数据库)。 - **Tools**:可执行的函数。 - **Prompts**:预置提示模板。 答这道题的关键是说清"它解决的是碎片化",并给出 LSP 类比。 ### Q17:A2A 是什么? A:结论先行——A2A(Agent-to-Agent Protocol,智能体间通信协议,Google 2025 提出)是 **Agent 之间的标准化通信协议**。 **解决**: - 不同厂商、不同框架的 Agent 想协作很难。 - 缺乏统一的"Agent 对话"协议。 **核心能力**: - Agent 发现(Agent Card)。 - 能力协商。 - 消息传递(含流式)。 - 长任务的异步执行和回调。 与 MCP 的对照记忆:MCP 解决"Agent 怎么用工具",A2A 解决"Agent 怎么找 Agent"。 ### Q18:MCP 和 A2A 的区别是什么? A:结论先行——MCP 管"Agent ↔ 工具/数据",A2A 管"Agent ↔ Agent",两者互补。 | 对比 | MCP | A2A | |------|-----|-----| | 通信双方 | Agent ↔ 工具/数据 | Agent ↔ Agent | | 类比 | LLM 的"USB 接口" | Agent 间的 HTTP | | 关注 | 模型如何访问外部资源 | Agent 如何互相协作 | | 提出方 | Anthropic | Google | 两者**互补**,一个 Agent 可以同时**作为 A2A 节点对外协作**、**用 MCP 调工具**。 一句话答题模板:"MCP 是手,A2A 是嘴;一个 Agent 可以既有手又有嘴。" ### Q19:多 Agent 系统的挑战有哪些? A:结论先行——挑战集中在通信成本、一致性、调试、成本与角色边界五点;现实结论是**大部分场景单 Agent 就够了**。 - **通信成本**:消息传递 + LLM 调用指数级增长。 - **一致性**:多 Agent 看法不同怎么办。 - **调试难**:链路长、不确定性高。 - **成本高**:一个任务几十次 LLM 调用。 - **角色边界**:什么时候换角色不清晰。 **现实**:大部分场景**单 Agent 就够了**,不要为了多而多。 这道题最容易被追问"那你还做多 Agent 吗",标准答法是:"先做单 Agent,只有当任务能被清晰切分、且子任务需要不同工具/权限/上下文时才拆多 Agent。" 为什么"通信成本"是指数级的?因为每一次 Agent 间的消息往来,背后往往又是一次完整的 LLM 推理;N 个 Agent 互相沟通时,消息对与推理次数会快速膨胀,而且**链路越长越难复现和调试**。这也是"多 Agent 一致性"难做的根源:不同 Agent 基于不同上下文得出不同结论时,缺少一个权威的裁决点。 再补一个判断标准:拆多 Agent 的前提通常是出现三个"不同"之一——**不同工具集**、**不同权限**、**不同上下文**。如果三个都相同,把它拆成两个 Agent 只会增加成本,而不会提升质量。 ## 四、工程化与实战(第 20~25 题) ### Q20:主流 Agent 框架怎么对比? A:结论先行——按"生态广度、工作流表达、RAG 能力、多 Agent 形态、语言栈"几条线来记。 | 框架 | 语言 | 特点 | |------|------|------| | **LangChain** | Py/JS | 生态最广,重 | | **LangGraph** | Py/JS | 图式工作流,LangChain 子项目 | | **LlamaIndex** | Py | 擅长 RAG + Agent | | **AutoGen**(MS) | Py | 多 Agent 对话 | | **CrewAI** | Py | 角色化多 Agent | | **MetaGPT** | Py | 软件开发多 Agent | | **DSPy** | Py | 声明式 prompt 编程 | | **Semantic Kernel**(MS) | C#/Py/Java | 微软生态 | 选型回答要落到"项目约束"而非"谁最好":语言栈、是否需要图式状态机、是否需要强 RAG、团队熟悉度。 ### Q21:Agent 的可观测性怎么做? A:结论先行——生产 Agent 一定要能追踪每一步,至少要覆盖 Prompt 日志、Tool 调用、决策路径与异常。 - **Prompt 日志**:每次 LLM 的输入输出。 - **Tool 调用**:名字、参数、结果、耗时。 - **决策路径**:Thought → Action → Observation。 - **异常**:失败的工具调用、LLM 输出解析错误。 工具:**LangSmith**、**Langfuse**、**Helicone**、**W&B**。 加分点:可观测性不只是"排障",还直接支撑"评估"和"成本核算"——trace 是这三者的共同数据源。 ### Q22:怎么评估 Agent? A:结论先行——从任务完成率、步骤效率、工具选择正确率、答案质量四个维度评估,方法上组合用测试集、人工评审、LLM as Judge 与 A/B。 **任务完成率**:能否完成用户请求。 **步骤效率**:用了多少步 / token。 **工具选择正确率**:该用 A 工具时用了 A。 **答案质量**:最终输出的正确性、有用性。 **方法**: - **跑测试集对比不同版本**。 - **人工评审**。 - **LLM as Judge**(用大模型当裁判)。 - **A/B 测试**。 注意"过程指标"与"结果指标"要分开看:完成率是结果,步骤效率是过程,二者结合才能定位"是能力不行还是浪费严重"。 还有一个常被忽略的维度:**过程可解释性**。即使任务完成率高,也要能通过 trace 回答"它是怎么做到的"——用了哪些工具、走了几步、哪一步是多余的。否则你无法判断一次成功是"能力"还是"运气",也无法安全地上线新版本。 ### Q23:Agent 的部署方式有哪些? A:结论先行——按任务时长和交互需求选:同步调用、异步任务、流式、后台作业。 - **同步调用**:客户端等 Agent 跑完(适合快任务)。 - **异步任务**:提交任务 → 后台跑 → 回调 / 轮询(适合慢任务)。 - **流式(SSE / WebSocket)**:边想边推给前端。 - **后台作业**:定时跑 Agent(比如每日报告)。 选择依据一句话:**任务越长越该异步化,用户越需要感知进度越该流式化**。 为什么"异步 + 回调"几乎是长任务的默认解?因为同步调用会让连接一直挂着,一旦超时就无法区分"没做完"和"做失败了";异步任务则把"提交"和"取结果"分离,天然适配需要重试、需要人工介入、可能跑很久的 Agent 任务。而流式是在异步之上再加一层"进度可见性"。 ### Q24:Agent 的常见失败模式有哪些? A:结论先行——六类高频失败:工具调用错误、推理循环、过度自信、上下文爆炸、幻觉、执行不落地;每类都有对应的防御手段。 1. **工具调用错误**:选错工具 / 参数错误。 2. **推理循环**:一直思考不行动。 3. **过度自信**:编造工具结果。 4. **上下文爆炸**:历史越积越多,塞不进 prompt。 5. **幻觉**:编事实。 6. **执行不落地**:只说不做(没真正调 API)。 **防御**: - 严格的工具描述。 - 输出 schema 校验。 - 最大步数限制。 - 记忆压缩(定期总结历史)。 - 关键操作人工确认。 为什么"过度自信"和"幻觉"要分开列?因为它们的表现不同、防御手段也不同:**幻觉**是编造事实(可以靠检索增强、坚持引用来源来缓解),**过度自信**是编造"工具返回了什么"(要靠"工具结果必须来自真实调用、不允许模型转述"来防)。前者偏知识问题,后者偏流程问题——流程问题用工程手段(结果原样回传、schema 校验)往往更可靠。 ### Q25:什么时候不该用 Agent? A:结论先行——任务简单固定、实时性高、容错性差、成本敏感、数据量大这五种情况下不该用 Agent。 - **任务简单固定**:直接 Workflow。 - **实时性要求高**:Agent 调用链长,延迟高。 - **容错性差**:Agent 有不确定性,金融、医疗的关键决策不要全自动。 - **成本敏感**:Agent 的 token 消耗是普通调用的 N 倍。 - **数据量大**:Agent 塞不下,用 RAG。 **建议**: - 先从 Workflow 开始。 - 确实需要灵活性再上 Agent。 - 给 Agent 加人工介入开关(Human-in-the-Loop)。 最后给一个更实用的判断:**能用确定流程解决的,不要交给 Agent;必须灵活决策的,也要先给它加好围栏。** 这道题的实质不是"Agent 好不好",而是"这个业务问题值不值得用不确定性换灵活性"。 具体落地可以按三步走:第一步,先用 Workflow 把主流程跑通,把"哪一步真的需要自主决策"标出来;第二步,只对这几个关键点引入 Agent,其余仍是确定性代码;第三步,给 Agent 补上交付标准、失败兜底与人工介入开关。这样即使模型行为有波动,系统整体仍可控——这也是第 24、25 两题想传达的同一个意思:**能力可以交给模型,边界必须留在工程侧。** ## 五、面试答题方法论(工程实践与踩坑) ### Q:这 25 题在面试中怎么组织语言,才能"答到点子上"? A:结论先行——每题都按"**一句话结论 → 为什么 → 一个具体例子/对比表**"三段式回答,并且主动补上"取舍与边界"。 ```text 答题三段式: 1. 结论先行:先给一句能被记住的判断(如"MCP 是手,A2A 是嘴") 2. 为什么:解释背后的机制或原因(碎片化、自主性、确定性…) 3. 例子/对比:给一个具体场景或表格,让抽象变具体 4. 加分项:主动说取舍与边界("但同系统内没必要上 A2A") ``` ### Q:面试中最容易踩的坑有哪些? A:结论先行——最常见的坑是"只背概念不给取舍""把 Agent 说成万能""分不清协议层级"。 ```text 踩坑清单: 1. 只背定义不给取舍 被追问"那什么时候别用"就答不上来 → 每题都准备"边界"。 2. 把 Agent 万能化 面试官最想听的是"什么时候用 Workflow 就够"。 3. 混淆 MCP / A2A 层级 把"工具调用协议"和"Agent 协作协议"说成一回事。 4. 忽略成本与延迟 不谈 token 次数、轮次上限,显得没有生产经验。 5. 忽略安全与可观测 不谈护栏、人工介入、trace,会被判定为"只做过 demo"。 6. 编造版本 / 参数 不确定的 API、参数、版本行为要明说"需结合版本确认",不要硬编。 ``` ### Q:被追问"你实际做过什么"时,怎么答才不像背题? A:结论先行——用一个"最小可验证闭环"来讲:场景 → 选型 → 关键机制 → 结果与改进。 ```text 讲故事的四段式: 1. 场景与约束:什么业务、对延迟/成本/准确率有什么要求 2. 选型理由:为什么用 Agent,为什么不用纯 Workflow 3. 关键机制:工具怎么描述、记忆怎么分层、终止条件怎么设 4. 踩坑与改进:遇到过什么失败模式,用什么手段收敛 ``` 为什么这样答有效?因为面试官从"25 题是否背熟"很容易验证,但"有没有真实工程判断"只能从取舍里看出来。所以第 2 段和第 4 段最能拉分:能说清"哪些场景我**没有**用 Agent",比说"我用过 8 个框架"更有说服力。 ### Q:哪些措辞最容易被判定为"没有生产经验"? A:结论先行——凡是"只有结论、没有取舍与边界"的表述,都容易被判定为没做过生产。 ```text 高风险措辞(尽量避免): ✗ "Agent 更智能,所以我们用 Agent" ✗ "上了多 Agent 效果更好" ✗ "工具调用很稳定,没遇到过问题" ✗ "成本还好,没细算过" ✗ 把不确定的 API/参数/版本行为当成事实来说 推荐措辞(体现工程判断): ✓ "能用 Workflow 就先用 Workflow" ✓ "工具选择不稳定时我先改描述,再考虑工具路由" ✓ "我们设了轮次上限与 Token 预算做硬兜底" ✓ "不确定的 API 细节我会说明需结合版本确认" ``` 核心差异在于:**有经验的人谈边界与代价,没经验的人谈能力与好处。** ### Q:如果只能记住一句话来串联这 25 题? A:结论先行——**"Agent = LLM + 规划 + 记忆 + 工具 + 反思,跑在一个有终止条件、可观测、可人工介入的循环里。"** 拆开对应关系:  *图:高频面试题按能力维度与题号归类* ```text LLM → Q1 Q2(是什么、架构) 规划 → Q4 Q7(Planning) 记忆 → Q10(Memory) 工具 → Q8 Q9 Q11 Q16(Tool Use、MCP) 反思 → Q12(Reflection) 循环/边界 → Q3 Q5 Q6 Q13 Q25(ReAct、Workflow、成本、死循环、别用 Agent) 多 Agent → Q14 Q15 Q17 Q18 Q19(协作模式、A2A、MCP 对比) 工程化 → Q20 Q21 Q22 Q23 Q24(框架、可观测、评估、部署、失败模式) ``` 一句话速记:这 25 题可以压缩成四个问题——**"是什么"**(Q1、Q2、Q16、Q17)、**"怎么用"**(Q3~Q15)、**"什么时候别用"**(Q6、Q19、Q25)、**"怎么保证可靠"**(Q13、Q21~Q24)。把这四问答顺,基本覆盖了面试官的主要关注点。 ## 小结 - Agent = LLM + 规划 + 记忆 + 工具 + 反思,核心特征是"自主闭环决策"。 - 规划主流是 ReAct(边想边做)与 Plan-and-Execute(先规划后执行),各有适用场景。 - Tool Use 的关键是"模型只产出调用意图,执行权在应用侧"。 - 记忆分短期 / 长期 / 工作三层;长期记忆靠向量库 + 结构化存储。 - 多 Agent 有四类协作模式,但大部分场景单 Agent 就够。 - MCP 管"Agent ↔ 工具",A2A 管"Agent ↔ Agent",两者互补。 - 工程化三大支柱:可观测、可评估、有硬兜底(轮次/预算/超时)。 - 面试答题三段式:结论先行 → 为什么 → 例子/取舍。 复习建议:与其逐题背答案,不如先用一句话主线(LLM + 规划 + 记忆 + 工具 + 反思)把 25 题串成一张网,再针对薄弱环节回到对应题目补细节。面试时讲清"边界与取舍",通常比多背几个框架名字更有价值。 ## 思考题 1. 如果面试官问"你做过的最难的一个 Agent 问题是什么",你会用 25 题里的哪些知识点组织这个回答? 2. 针对"Agent 成本高"(Q6)与"Agent 不该用的场景"(Q25),你能给出一个"Workflow 起步、再升级 Agent"的渐进式方案吗? 3. 把 Q16(MCP)与 Q17(A2A)画在同一张架构图里,说明一个 Agent 如何同时具备"手"和"嘴"。
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入