1.1 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。与普通 LLM 应用的核心区别：

1.2 Agent 四大核心组件（面试高频）#

1
┌─────────────────────────────────────┐
2
│              Agent                    │
3
│  ┌──────┐  ┌──────┐  ┌──────┐  ┌──┐ │
4
│  │规划   │  │记忆   │  │工具   │  │执行│ │
5
│  │Planning│ │Memory │  │Tools │  │Act│ │
6
│  └──────┘  └──────┘  └──────┘  └──┘ │
7
└─────────────────────────────────────┘

1. Planning（规划）：任务分解、反思、ReAct、CoT
2. Memory（记忆）：短期记忆（上下文窗口）、长期记忆（向量库）、工作记忆（执行状态）
3. Tools（工具）：Function Calling、MCP、自定义工具
4. Action（执行）：执行操作并观察结果

💡 面试回答模板：先讲这四要素，再结合你的项目具体展开。

1.3 Agent vs 大模型的本质区别#

• 大模型：静态参数推理，无记忆无工具
• Agent：感知 → 规划 → 工具调用 → 执行 → 反馈 闭环
• Agent 具备：自主性、反应性、目标导向、与环境的交互能力

2.1 层次关系（面试必讲）#

1
组织架构层  →  Multi-Agent
2
流程控制层  →  Plan-and-Execute / ReAct
3
推理框架层  →  ReAct
4
基础能力层  →  Tool Use / Function Calling

👉 一个 Agent 可以同时用 ReAct + Function Calling，整个系统又是 Multi-Agent 架构。

2.2 各范式详解#

2.3 技术选型优先级（面试加分回答）#

1. 看任务复杂度：简单 → Tool Use；多步推理 → ReAct；步骤多/结构化高 → Plan-and-Execute；角色天然分离 → Multi-Agent
2. 看延迟敏感度：实时交互优先 Tool Use 或最简 ReAct
3. 看可观测性需求：ReAct 的循环是天然审计追踪

3.1 RAG 完整链路#

1
文档 → 分块(Chunking) → Embedding向量化 → 向量数据库存储
2
用户提问 → Embedding查询 → 检索Top-K → Rerank重排序
3
→ 注入Prompt上下文 → LLM生成回答

3.2 面试常考细节#

4.1 什么是 MCP#

MCP（Model Context Protocol）是 Anthropic 推出的模型上下文协议，用于标准化 LLM 与外部工具/数据源的交互方式。

4.2 MCP 工作方式#

1
LLM ←→ MCP Client ←→ MCP Server ←→ 外部工具/数据源
2
                  ↑              ↑
3
              JSON-RPC      Tool Schema 注册

4.3 MCP vs Function Calling#

4.4 MCP vs Skill（面试高频）#

4.5 其他工具协议#

• A2A（Agent-to-Agent）：Google 提出的 Agent 间通信协议
• SSE（Server-Sent Events）：服务端推送，常用于流式输出
• WebSocket：全双工通信，用于实时交互

5.1 三层记忆结构（面试必答）#

5.2 记忆设计核心问题#

1. 写入时机：不是所有信息都值得存 → 需要重要性打分+去重
2. 检索方式：相关性和时效性要兼顾 → 时间衰减权重
3. 遗忘策略：记忆库越来越大 → 检索精度下降 → 需要定期整理

5.3 长期记忆的生成与检索#

1
触发条件（任务完成/用户明确指示/重要信息出现）
2
  → 调用 LLM 对当前会话做摘要/结构化提取
3
  → 向量化存储到记忆库
4
  → 下次需要时通过语义检索召回
5
  → 动态注入上下文

💡 面试追问点：agent.md vs memory.md vs skills.md 的职责区分？

• agent.md：定义 Agent 的行为规则、系统 prompt
• memory.md：存储跨会话的长期记忆
• skills.md：注册可复用的能力模块

6.1 常见 Prompt 技术#

6.2 结构化 Prompt 设计原则#

1
系统角色指令（你是谁、要做什么）
2
  ↓
3
核心约束（不能做什么、必须遵循什么）
4
  ↓
5
工具/技能描述（可用能力注册）
6
  ↓
7
上下文信息（记忆/RAG检索结果）
8
  ↓
9
用户输入（当前轮）
10
  ↓
11
输出格式要求

6.3 优化 Prompt 的常见手段#

• 所有 Prompt 修改要版本化管理
• 关键指令放前面（模型更关注开头和结尾）
• 用分隔符明确区分不同信息块
• 显式注入约束减少模型”猜”的概率

7.1 完整链路#

1
工具注册（定义 Schema） → 候选筛选（工具多时） → 模型决策
2
→ 参数校验 → 执行隔离 → 结果处理 → 注入上下文

⚠️ 很多初学者只关注”模型怎么输出 function call”，忽略了前后两端的工程细节。

7.2 工具设计原则#

1. 工具粒度：太大（模型难以理解） vs 太小（增加调用次数）
2. Schema 设计：description 对完成率影响很大
3. 工具装载：不要一次性加载所有工具，按需选择
4. 并发处理：独立工具可并行调用

7.3 工具 Schema 示例#

1
{
2
  "name": "search_document",
3
  "description": "搜索知识库中的文档，返回相关片段",
4
  "parameters": {
5
    "type": "object",
6
    "properties": {
7
      "query": {"type": "string", "description": "搜索关键词"},
8
      "top_k": {"type": "integer", "description": "返回结果数量"}
9
    },
10
    "required": ["query"]
11
  }
12
}

8.1 为什么用 Multi-Agent（面试话术）#

• 职责分离：不同 Agent 专注不同任务，代码结构清晰
• 能力扩展：独立扩展子 Agent，不影响整体
• 上下文精简：每个 Agent 只需关注自己的上下文窗口
• 协作效率：主 Agent 分解调度，子 Agent 并行执行

8.2 三种通信模式#

8.3 主Agent与子Agent通信#

• 通信方式：消息队列（Redis/RabbitMQ）、HTTP/RPC、共享存储
• Memory 访问：一般不直接访问对方记忆，通过消息传递数据

9.1 幻觉产生原因#

• 模型训练数据的偏差和不完整
• 上下文约束不足，模型自由发挥
• 检索到的信息相关性不足或错误

9.2 多层幻觉防御策略#

1
第一层：Prompt 约束
2
  → 要求模型引用来源、设置 temperature=0、指令约束
3

4
第二层：工具/函数调用
5
  → 用精确计算替代模型猜测（如计算器、查询数据库）
6

7
第三层：RAG 召回
8
  → 提供参考文档，减少依赖模型内部知识
9

10
第四层：后处理验证
11
  → 对输出做静态检查、格式校验、事实核查
12

13
第五层：微调对齐
14
  → 特定场景下用微调纠正模型行为

10.1 上下文压缩#

触发时机：

• 当前上下文长度接近模型上限（如 80%）
• 多轮对话中历史信息冗余

压缩方法：

10.2 上下文结构组织#

优先级策略（从高到低）：

1
1. 系统规则 / 约束
2
2. 当前轮用户明确输入
3
3. 外部工具返回结果 / 知识库证据
4
4. 用户历史偏好（soft hint，不可覆盖当前事实）

10.3 会话压缩面试参考#

阿里淘天面试官追问：会话压缩怎么做的？

参考回答：当上下文窗口接近限制时，触发摘要压缩。先用模型对当前上下文生成摘要，保留系统指令、关键决策、已收集的重要信息，丢弃中间重复的推理过程和低价值日志。摘要完成后替换原始上下文，节省 token 空间。同时记录摘要的历史版本，必要时可回溯。

11.1 异常处理三层策略#

11.2 鲁棒性设计要点#

1
输入校验 → 意图识别 → 敏感词过滤 → 上下文截断 → 错误兜底
2
                          ↓
3
                  二次校验与格式解析

关键原则：

• 先校验用户输入，再决定是否调用模型
• 对关键输出做二次校验
• 不要为了”好看”，是为了系统不会因为一次异常直接崩掉

11.3 性能优化（面试要能展开）#

11.4 Token 消耗优化#

• 上下文压缩（摘要替换原始历史）
• 缓存（常用技能、知识不重复加载）
• 批处理（合并小请求）
• 模型选择（简单任务用轻量模型）

11.5 可审计 Agent 设计#

审计目标：能追责、能定因、能复现

需记录的信息：

• 用户输入
• 系统 prompt 版本
• 工具候选集 + 最终选择
• 调用参数 + 工具返回结果
• 状态变迁
• 模型输出 + 最终结果
• 扩展：模型版本、知识库版本、trace_id

12.1 四层评测体系（面试杀手锏）#

12.2 Agent 评估维度#

12.3 评估方式#

• 离线评估：benchmark 跑回归测试
• 在线评估：真实用户留存、反馈、复用率
• LLM-as-Judge：用 GPT-4 或其他模型评分

13.1 项目介绍的”四步公式”#

1
业务痛点 → 初版方案 → 踩坑迭代 → 量化收益

错误示范：“我用了一套多 Agent 的系统，用了 RAG、Prompt 优化……” 正确示范：“我在 XX 场景下遇到了 XX 问题（业务场景），一开始尝试了 XX 方案（初版），但发现了 XX 问题（踩坑），于是改成了 XX，最终 XX 指标提升了 XX%（收益）。“

13.2 面试官最怕的 5 个追问（校招生专供）#

1. “这个设计你是怎么考虑的？有没有考虑过其他方案？” → 展示技术选型思考，说清楚为什么选 A 不选 B

2. “遇到过什么问题？怎么解决的？” → 展示真实踩坑经验，这是区分”做过”和”看过”的关键

3. “如果 XX 情况发生，系统会怎么样？” → 展示对边界情况的思考

4. “有量化的效果吗？” → 必须有指标，不能用”感觉”回答

5. “为什么这么设计？Trade-off 是什么？” → 展示架构权衡能力

13.3 项目包装要点#

• 不要说自己项目是”网上找的”，可以说”参考了 xx 开源方案，结合实际业务做了 xx 改进”
• 每个功能点都要能说出”为什么”，不只是”做了什么”
• 准备 1-2 个深度模块展开讲，其他一笔带过
• 准备完整的叙事：场景 → 问题 → 方案 → 迭代 → 收益

13.4 Skill 机制面试回答#

问题：skill 是怎么运作的？ 当用户提问触发条件时，系统从 skill 库匹配最合适的 skill，将其内容（自然语言描述 + JSON Schema）注入 Prompt 上下文，交由大模型处理。

问题：内置 skill 和业务自定义 skill 冲突了怎么办？

• 命名空间隔离（不同前缀/目录）
• 优先级机制（按规则选择）
• 冲突检测告警

问题：太长或不当的 skill 会导致什么？

• 上下文溢出，关键指令被截断
• 性能下降，Token 消耗增加
• 噪音干扰，降低执行准确性

14.1 必刷算法#

• 高频题：合并两个有序数组、字符串相加、单例模式
• 每日必做：LeetCode Hot 100 + 剑指 Offer
• Tips：刷过的题面试时假装思考一下再写

14.2 Java 高频八股#

14.3 Python 相关#

• 多进程、多线程、协程的区别
• Python vs JS 的区别

14.4 网络基础#

• HTTP 1.0 / 2.0 / 3.0 区别
• 前后端分离概念
• SSE / WebSocket

14.5 LLM / 算法基础（非训练岗也要知道）#

• Transformer 流程
• 注意力机制
• 位置编码
• 过拟合 / 梯度消失
• 模型并行 / 数据并行

字节跳动（一面）#

阿里淘天（一面）#

腾讯（一面→二面）#

• 一面：概念型题（什么是 Agent、RAG、Prompt Engineering）
• 二面：系统设计题（Planner 设计、上下文优先级、异常处理、可审计 Agent）
• 二面和一面最大区别：一面问”会不会”，二面问”为什么不这么做、不这么做会出什么问题”

滴滴 AI 全栈（一面）#

• MCP 深度题（运作方式、协议对比、并发处理）
• AI coding tools 了解程度
• MCP vs Skill 区别
• 前端基础+后端基础都会问
• 智能体三要素

❌ 常见翻车现场#

1. 项目被问倒

• 项目是网上找的 → 被面试官看轻
• 项目挑战答不上来 → 面试官觉得你没做过
• 没有量化指标 → 话术再好也白搭

2. 八股只会背

• 背了线程池参数 → 追问”怎么设计一个” → 露馅
• 背了 RAG 流程 → 追问”chunking 怎么选” → 卡住

3. 忽略工程细节

• 会说”流式输出” → 说不清缓存、超时、降级
• 会说”做了评测” → 说不清评测维度

✅ 制胜关键点#

1. 实习经历是最大加分项 → 你现在就在做 AI 应用+Agent，珍惜每个遇到的真实问题
2. 每天实习时记录踩坑细节 → 面试时这就是你的”真实感”
3. 项目表达用”先讲场景，再讲方案”
4. 准备一个”原理→配置→常见问题→排查方法”四件套
5. 每个设计决策都要能说出 trade-off

👑 最终面试官想看到的#

企业现在更看重的，不是你会不会调 API，而是：

• 出了问题你能不能定位
• 系统异常你能不能兜住
• 方案落地后你能不能让它稳定跑起来

💪 退出挑战杯省下的时间和心力，现在全部可以投入到秋招准备中。 方向正是你感兴趣的 AI Agent，这就是你说的”想做的有意义的事”。 加油！