1. 什么是 Agent？#

Agent（智能体）是一种能够感知环境、做出决策并采取行动的系统。核心组件包括：

• Planning（规划）：任务分解与反思
• Memory（记忆）：短期/长期记忆存储
• Tools（工具）：调用外部 API、代码执行等
• Action（执行）：实际执行操作

2. Agent 和普通 LLM 应用的区别？#

• 普通 LLM 应用：输入→输出，单轮对话
• Agent：具备自主规划、使用工具、多步推理的能力，可以循环执行直到完成任务

3. 常见的 Agent 框架有哪些？#

• LangChain：最流行的 Agent 框架，链式调用
• LlamaIndex：专注 RAG 和数据索引
• AutoGPT：全自动 Agent
• MetaGPT：多 Agent 协作
• CrewAI：角色扮演多 Agent

4. 什么是 RAG？#

RAG（Retrieval-Augmented Generation）检索增强生成：

1. 将文档切分成 chunks
2. 通过 embedding 模型转为向量
3. 存入向量数据库
4. 用户提问时，先检索相关文档
5. 将检索结果 + 用户问题一起传给 LLM 生成答案

5. RAG 的关键步骤？#

• 文档解析与分块（Chunking）
• 向量化（Embedding）
• 检索（Retrieval）
• 增强生成（Generation）

6. 常见的 Embedding 模型？#

• OpenAI text-embedding-3-small/large
• BGE 系列（BAAI）
• M3E
• Cohere Embed

7. 常见的向量数据库？#

• Milvus：开源，高性能
• Pinecone：云原生
• Weaviate：支持混合搜索
• Chroma：轻量级
• FAISS：Facebook 开源

8. 什么是 Prompt Engineering？#

通过设计和优化提示词来引导 LLM 生成期望的输出。常见技术：

• Zero-shot / Few-shot
• Chain-of-Thought (CoT)
• ReAct
• Self-consistency

9. LLM 的关键参数？#

• Temperature：控制随机性（0=确定，1=随机）
• Top-p：核采样概率阈值
• Max tokens：最大输出长度
• Frequency penalty：重复惩罚

10. 什么是 Function Calling / Tool Use？#

让 LLM 能够调用外部工具：

1. 定义工具的 JSON Schema
2. LLM 决定是否调用、调用哪个工具、传什么参数
3. 系统执行工具并返回结果
4. LLM 基于结果生成最终回答

11. Agent 中的记忆系统？#

• 短期记忆：当前对话上下文（Context Window）
• 长期记忆：持久化存储（向量数据库、文件系统）
• 工作记忆：任务执行过程中的中间状态

12. 什么是 Multi-Agent？#

多个 Agent 协作完成复杂任务：

• 角色分工（研究员、程序员、审核员等）
• 通信机制（消息传递、共享状态）
• 常见模式：顺序执行、并行执行、层级管理

13. Fine-tuning vs RAG？#

14. 如何处理 LLM 幻觉？#

• RAG 提供参考文档
• 设置 temperature=0
• 要求模型引用来源
• 后处理验证
• 使用 Self-consistency

15. 如何评估 LLM 应用？#

• 自动评估：BLEU、ROUGE、BERTScore
• 人工评估：准确性、相关性、流畅性
• LLM-as-Judge：用 GPT-4 评分
• RAG 评估：检索召回率、答案相关性

16. 部署 LLM 应用的考虑？#

• 延迟优化（流式输出、缓存）
• 成本控制（模型选择、token 限制）
• 可扩展性
• 安全性（输入过滤、输出审查）

17. AI 安全和对齐问题？#

• RLHF（基于人类反馈的强化学习）
• Constitutional AI
• Red Teaming
• 内容过滤和安全护栏

18. 你有什么想问的？#

（面试反问环节建议）

提取自小红书笔记图片（共18页），2026-05-31 整理