4. 讲下skill的运作机制，skill的内容是以什么形式返回给大模型的？#

参考回答：

• 运作机制：当用户提问或触发条件满足时，系统会从 skill 库中匹配最合适的 skill，然后将其内容注入到当前的 Prompt 上下文中，交由大模型处理。
• 返回形式：通常是以自然语言描述 + 结构化参数（JSON Schema）的形式。例如，先有一段描述该 skill 功能的说明文字，再附带一个定义好输入输出格式的 JSON Schema，让模型知道如何调用。

5. 上下文压缩的时机和方法？#

参考回答：

• 时机：当检测到当前上下文长度接近模型上限（如 80% 阈值），或在多轮对话中历史信息开始冗余、对当前任务贡献度下降时触发。
• 方法：
  • 摘要压缩：用模型对历史对话或长文本生成摘要，保留核心信息。
  • 关键信息提取：抽取实体、动作、意图等关键要素，丢弃次要描述。
  • 滑动窗口：只保留最近的 N 轮对话，丢弃较早的上下文。

6. #精华 进行完这个agent优化后有什么可量化的效果？#

参考回答：

• 准确率提升：如任务完成率从 70% 提升到 85%。
• 响应速度加快：平均响应时间从 5s 降低到 3s。
• Token 成本下降：通过上下文压缩和缓存，单次请求平均 Token 消耗减少 30%。
• 用户满意度提升：如 NPS 评分或人工评估得分提高。

1. skill沉淀怎么处理的？#

参考回答：

• 通常会将业务方或开发者编写的 skill 沉淀到结构化存储中（如数据库、向量数据库或配置文件）。
• 沉淀时会包含 skill 的元数据（如名称、描述、触发条件）、核心逻辑（如 Prompt 模板、工具调用 Schema）以及版本信息，以便后续检索、复用和迭代。

2. 对拉取的skill做了缓存，是为了处理什么情况？是怎么考虑何时更新缓存的？#

参考回答：

• 目的：主要是为了提升性能，减少每次请求时重复加载 skill 的延迟；同时降低后端存储或外部服务的压力。
• 更新策略：通常采用 TTL（Time To Live）+ 主动失效机制。例如，设置缓存过期时间（如1小时），或者在 skill 被编辑/更新时，通过消息队列或钩子函数主动清除对应缓存，确保下次拉取的是最新版本。

3. 如果业务方有人写了过长的skill会导致什么问题？#

参考回答：

• 上下文溢出：过长的 skill 容易撑爆大模型的上下文窗口，导致关键指令被截断，模型理解偏差。
• 性能下降：Prompt 过长会增加模型推理时间，提高 Token 消耗成本。
• 噪音干扰：冗余内容可能干扰模型注意力，降低任务执行的准确性和稳定性。

7. 怎么处理内置和业务自定义skill的冲突问题？#

参考回答：

• 命名空间隔离：内置 skill 和业务 skill 使用不同的命名前缀或目录结构，避免同名冲突。
• 优先级机制：定义明确的优先级规则（如内置 skill 优先级高于业务 skill，或反之），在匹配时按优先级选择。
• 冲突检测告警：在 skill 注册或更新时，自动检测是否存在同名或功能重叠的 skill，提示人工审核。

8. 为什么要使用multi-agent架构？#

参考回答：

• 职责分离：不同 agent 专注不同任务（如查询、分析、执行），代码结构更清晰，易于维护。
• 能力扩展：可独立扩展某个子 agent 的能力（如增加工具、优化 Prompt），不影响整体系统。
• 协作效率：主 agent 负责任务分解和调度，子 agent 并行或串行执行，提升复杂任务的完成效率。

9. 主agent与子agent如何通信？能否访问对方的memory？#

参考回答：

• 通信方式：通常通过消息队列（如 Redis、RabbitMQ）或 HTTP/RPC 接口进行异步或同步通信。主 agent 将任务指令发送给子 agent，子 agent 完成后返回结果。
• Memory 访问：一般不直接访问对方的 memory。每个 agent 的 memory 是其内部状态（如对话历史、中间结果），通过通信传递所需数据，保持模块解耦。如需共享状态，可通过共享存储（如数据库）或上下文对象传递。

10. 这个DAG工作流有没有使用什么已有的AI框架还是自己实现的？#

参考回答：

• 选择自己实现，因为现有框架（如 LangChain、AutoGen）虽然封装完善，但往往存在过度抽象、黑盒化、扩展性差、性能损耗等问题。自己实现可以更精细地控制每个节点的执行逻辑、错误处理和状态管理，更好地贴合业务需求，也便于后续优化和调试。

AI Coding环节：实现一个todo辅助agent#

参考思路：

• 功能：添加任务、删除任务、标记完成、查看列表、设置提醒。
• 技术点：使用 Python + Flask/FastAPI 提供 API，或命令行交互；用 SQLite/JSON 存储任务；可接入大模型实现自然语言解析（如“提醒我明天开会” → 解析为任务+时间）。
• 代码结构：主类 TodoAgent，包含 add_task、remove_task、list_tasks、complete_task 等方法，支持命令行或 HTTP 调用。

反问：进去以后的业务内容方向#

参考回答（作为候选人提问）：

• “请问团队目前在 AI Agent 应用方面主要聚焦哪些业务场景？是偏向内部提效工具，还是面向外部用户的商业化产品？”
• “未来半年内，团队在 Agent 架构、多模态能力或工程化落地方面有哪些重点规划？我可以提前做哪些准备？”

注：以上回答基于行业常见实践整理，实际面试中请根据个人项目经验调整。