Agent常见面试题目

1. Agent 为什么需要 LoopAgent 需要 Loop因为它不是一次性生成答案而是要在目标、环境反馈和工具结果之间不断迭代。典型流程是 plan/action/observation/update/verify直到任务完成、达到预算、遇到错误或需要人工介入。Loop 的价值是处理不确定性、工具反馈和长任务状态。2. Agent 为什么离不开 Context EngineeringAgent 离不开 Context Engineering因为模型本身只看当前上下文是否能正确行动取决于上下文里放了什么、怎么放、何时更新。它要管理系统规则、用户目标、任务状态、工具结果、长期记忆、检索资料和约束避免信息缺失、过载和污染。3. Memory、Tools、MCP、Skills 分别解决什么问题Memory 解决状态和经验沉淀问题Tools 让模型调用外部能力比如搜索、数据库、代码执行MCP 是标准化协议让模型应用以统一方式接入工具、资源和提示Skills 是可复用的任务能力包通常包含说明、流程、脚本或模板用来让 Agent 在特定领域表现稳定。4. 什么时候应该用 Workflow而不是直接上纯 Agent当流程稳定、规则明确、合规要求高、可预测性重要时应优先用 Workflow当任务开放、路径不确定、需要动态决策和探索时再用 Agent。生产里常见做法是 Workflow 控主流程Agent 处理局部不确定步骤。5. Agent 上生产后怎么控制成本、风险和不确定性成本上要做模型路由、上下文裁剪、缓存、批处理、调用预算和工具限频风险上要做权限控制、沙箱、人工确认、审计日志和输出校验不确定性上要做评测、回归测试、重试、超时、fallback、任务状态管理和可观测性。生产 Agent 的关键不是“更聪明”而是可控、可测、可回滚。6. AI Agent 是什么和普通 Chatbot 有什么区别AI Agent 是以目标为导向、能感知上下文、规划步骤、调用工具并根据反馈持续推进任务的系统。普通 Chatbot 主要围绕对话生成响应即使能调用工具通常也缺少持续的自主循环、任务状态管理和完成度验证。7. Agent LLM Planning Memory Tools 这条公式怎么理解这条公式表达的是LLM 负责理解和决策Planning 负责把目标拆成可执行步骤Memory 负责保存短期状态和长期经验Tools 负责作用于外部世界。但真实生产里还需要 Harness包括权限、调度、验证、监控、错误恢复和预算控制。8. Agent Loop 的完整流程是什么完整 Agent Loop 通常是接收目标构建上下文制定计划选择动作或工具执行动作读取 observation更新状态或记忆验证是否完成未完成则继续循环完成则输出结果失败则降级或请求人工介入。9. Agent 和传统编程、Workflow 的核心区别是什么传统编程是确定性逻辑输入输出和执行路径主要由代码控制Workflow 是预定义流程可能有条件分支但整体路径可控Agent 的执行路径由模型在运行时根据上下文和反馈动态决定。核心区别是决策权从代码部分转移到了模型但这也带来不确定性和治理成本。10. ReAct、Plan-and-Execute、Reflection、Multi-Agent 分别适合什么场景ReAct 适合需要边推理边调用工具的任务如搜索、排错、数据查询Plan-and-Execute 适合长任务先拆计划再逐步执行Reflection 适合需要自检、修正和质量提升的任务但要控制循环成本Multi-Agent 适合角色差异明显、可并行或需要互审的复杂任务但会增加协调成本和不确定性。11. Tools 注册时工具 description 为什么很关键Tool description 直接影响模型是否会选对工具、何时调用、如何传参。好的 description 要说明工具能力、适用场景、不适用场景、参数含义、返回结果和副作用。生产里 description 写不好会导致误调用、漏调用和危险调用。12. 什么时候用纯 Agent什么时候用 Workflow 或 Agentic Workflow纯 Agent 适合开放式、路径不确定、需要探索和判断的任务Workflow 适合稳定、重复、可审计的流程Agentic Workflow 适合主流程确定但局部步骤需要模型决策的场景比如客服工单分流后让 Agent 补充检索和生成回复。13. Multi-Agent 协作的主要问题是什么为什么生产里不能盲目上多 AgentMulti-Agent 的主要问题是通信成本高、状态一致性难、责任边界不清、错误会级联、评测困难、token 成本上升。生产里不能盲目上多 Agent因为很多任务单 Agent 加工具和好的 workflow 就能解决多 Agent 只有在角色分工、并行收益或互审收益明确时才值得用。14. Agent 的短期记忆和长期记忆有什么区别短期记忆通常是当前任务或会话中的上下文状态比如当前目标、计划、工具结果和中间结论长期记忆是跨会话保存的用户偏好、项目知识、历史决策或经验。短期记忆强调即时有效长期记忆强调可检索、可更新、可过期和可信度。15. Agent 记忆系统要解决哪些核心问题Agent 记忆系统要解决写什么、何时写、怎么检索、如何压缩、如何过期、如何处理冲突、如何防止污染上下文、如何区分事实和推测、如何做权限和审计。好的记忆不是保存聊天记录而是把对未来任务有用的信息结构化沉淀。16. 向量记忆和 Markdown 记忆分别适合什么场景向量记忆适合语义检索比如从大量历史对话、文档、案例中找相关信息优点是召回灵活缺点是可解释性和精确性较弱。Markdown 记忆适合结构化、可读、需要人工维护的知识比如项目规范、用户偏好、决策记录。生产里常常两者结合向量负责召回Markdown 负责沉淀稳定事实。17. Auto Memory 是什么它为什么不能无限自动写入Auto Memory 是系统自动判断哪些信息值得写入长期记忆。它不能无限自动写入因为会带来噪声、隐私风险、上下文污染和错误固化。生产里要有写入策略、置信度、去重、过期机制重要记忆最好支持人工确认或审计。18. 团队共享记忆为什么适合走 Git 和 Code Review团队共享记忆适合走 Git 和 Code Review因为它本质上是团队知识资产不应该由模型随意修改。Git 能提供版本历史、责任追踪、回滚能力Code Review 能防止错误知识、过期规则和个人偏见污染团队上下文。19. 记忆压缩、记忆过期、记忆冲突应该怎么处理记忆压缩要保留目标、约束、关键决策和可复用结论去掉过程噪声记忆过期要根据时间、业务变化或使用频率淘汰旧信息记忆冲突要保留来源、时间和优先级必要时向用户确认。关键是不要把记忆当成永远正确的事实库。20. 如何避免长期记忆污染上下文避免长期记忆污染上下文需要做检索过滤、相关性排序、置信度标注、作用域隔离和上下文预算控制。不是所有记忆都应该进入 prompt只有和当前任务强相关、可信、未过期的信息才应该进入。21. 面试里怎么讲“有记忆”不是简单保存聊天记录面试里可以说“有记忆不是保存聊天记录而是把对未来任务有价值的信息提炼成可检索、可更新、可治理的状态。”它包括写入策略、检索策略、冲突处理、过期机制和权限控制。聊天记录是原材料记忆系统是工程化后的知识层。22. Prompt Engineering 和 Context Engineering 有什么区别Prompt Engineering 主要关注如何写好单次输入让模型更好地完成当前任务Context Engineering 关注整个运行时上下文如何构建、更新和治理。Agent 场景里问题往往不是 prompt 写得不够漂亮而是工具结果、记忆、状态和规则有没有被正确放进上下文。23. Prompt 四要素 Role、Task、Context、Format 分别解决什么问题Role 定义模型的身份和行为边界Task 定义要完成的目标Context 提供背景、约束、数据和状态Format 约束输出结构方便人读或程序解析。四者合起来减少歧义提高稳定性和可评测性。24. Few-Shot、CoT、任务分解、结构化输出分别适合什么场景Few-Shot 适合输出风格或分类边界难以口头描述的任务CoT 或显式推理适合复杂推理和多步判断但生产里常用隐藏推理或结构化中间结果任务分解适合长任务和复杂任务结构化输出适合后续要被程序消费、校验或入库的场景。25. Prompt 注入攻击是什么常见防护方式有哪些Prompt 注入攻击是外部输入试图覆盖系统指令、泄露机密或诱导模型执行危险操作。防护方式包括指令分层、把外部内容标记为不可信、工具权限最小化、敏感操作人工确认、输出校验、沙箱执行和审计日志。26. 为什么 Agent 场景下只优化 Prompt 不够Agent 场景下只优化 Prompt 不够因为 Agent 的表现还取决于工具设计、上下文管理、记忆质量、循环控制、权限、安全、评测和错误恢复。Prompt 只是入口真正决定生产稳定性的是整个 harness。27. Context Engineering 要解决哪些问题Context Engineering 要解决哪些信息进入上下文、以什么结构进入、何时更新、如何压缩、如何处理冲突、如何控制 token 预算、如何隔离不可信内容以及如何保证模型在长任务中不丢目标和约束。28. 静态规则、动态信息、工具结果、记忆应该如何进入上下文静态规则应放在高优先级系统或开发者上下文动态信息应按当前任务实时注入工具结果应结构化保存并附带来源和时间记忆应经过检索、过滤和排序后再进入上下文。原则是高优先级规则稳定放置低优先级信息按需注入。29. 长任务上下文溢出时Compaction、结构化笔记、Sub-agent 分别怎么用Compaction 用于把长历史压缩成目标、状态、决策和未完成事项结构化笔记用于持续维护任务状态避免靠完整聊天历史续命Sub-agent 适合把独立子任务拆出去执行只把结果摘要带回主上下文。三者都是为了降低上下文压力和任务漂移。30. MCP 解决什么问题为什么常被类比成 AI 领域的 USB-CMCP 解决的是模型应用和外部工具、资源、提示之间的标准化连接问题。它被类比成 AI 领域的 USB-C是因为不同客户端可以用统一协议连接不同服务不需要每个工具都单独适配一套私有接口。31. MCP Client、MCP Server、Host 分别是什么Host 是承载用户交互和模型运行的应用比如 IDE 或聊天应用MCP Client 通常在 Host 内部负责和 MCP Server 通信MCP Server 暴露工具、资源或提示连接真实的数据源和外部系统。32. MCP 的 Tools、Resources、Prompts 分别解决什么问题MCP Tools 让模型执行动作比如查数据库、调用 API、改文件Resources 提供可读取的上下文比如文件、文档、表结构Prompts 提供可复用的提示模板或工作流入口。Tools 偏行动Resources 偏信息Prompts 偏任务模板。33. MCP 和 Function Calling 有什么区别Function Calling 是模型厂商侧的工具调用机制重点是让模型按 schema 调函数MCP 是更高一层的连接协议定义客户端和服务器如何发现、调用工具、读取资源和使用提示。可以理解为 Function Calling 解决“怎么调用函数”MCP 解决“怎么标准化接入一组外部能力”。34. 生产级 MCP Server 要做哪些安全治理生产级 MCP Server 要做鉴权、权限最小化、输入校验、输出脱敏、审计日志、速率限制、资源隔离、危险操作确认和错误处理。还要明确工具副作用避免模型通过工具越权访问或破坏数据。35. Agent Skills 是什么它和 Prompt、MCP、Function Calling 的边界是什么Agent Skills 是封装某类任务能力的包通常包含说明、流程、脚本、模板和领域知识。Prompt 是一次性指令Function Calling 是调用具体函数MCP 是连接外部能力的协议Skill 更像“可复用的任务操作手册和工具包”。36. Skills 为什么要延迟加载Skills 要延迟加载因为技能太多时全部塞进上下文会浪费 token、增加干扰还会让模型误用不相关技能。延迟加载可以先根据任务路由只加载相关技能的说明和资源提高准确性和上下文效率。37. Skill 路由怎么做为什么它和 RAG 相似但目标不同Skill 路由是根据用户任务选择应该加载哪个 Skill。它和 RAG 相似都需要检索和匹配但 RAG 的目标是找知识内容Skill 路由的目标是找执行能力和操作流程。一个回答“知道什么”一个回答“该怎么做”。38. 写一个 SKILL.md 最容易踩哪些坑写 SKILL.md 常见坑包括适用边界不清、步骤太泛、缺少反例、工具使用条件不明确、把大量无关知识塞进去、没有验证流程、没有说明失败处理。好的 SKILL.md 应该让模型知道什么时候用、怎么用、何时停、如何验收。39. Harness Engineering 是什么它和 Prompt Engineering、Context Engineering 有什么关系Harness Engineering 是围绕模型构建运行框架的工程包括上下文装配、工具调用、状态管理、安全权限、评测、监控和恢复。Prompt Engineering 是指令层Context Engineering 是上下文层Harness Engineering 是把模型真正放进生产系统的执行层。40. 为什么说 Agent Model Harness说 Agent Model Harness是因为模型只提供理解和生成能力真正让它能稳定完成任务的是外部 harness循环、工具、记忆、权限、验证器、调度器和状态管理。没有 harness模型只是会说有了 harness才可能可靠地做事。41. Harness 的六层架构分别解决什么问题Harness 六层可以概括为输入层处理用户目标和权限上下文层组织规则、状态和记忆规划层拆解任务执行层调用工具和工作流验证层检查结果和安全观测层记录日志、指标和反馈。不同团队叫法不同但核心都是让 Agent 可控、可测、可恢复。42. 模型能力升级后Harness 里的某些机制为什么需要重新验证模型能力升级后harness 机制需要重新验证因为模型的工具选择、遵循指令方式、输出格式、风险偏好和推理能力都可能变化。旧的 prompt、评测阈值、重试策略和安全假设不一定还成立。模型升级不是无痛替换要做回归评测。43. 上下文污染、代码熵积累、工具调用可靠性分别怎么治理上下文污染要靠来源隔离、相关性过滤、权限分层和上下文预算代码熵积累要靠小步修改、测试、代码审查和定期重构工具调用可靠性要靠 schema、输入校验、重试、超时、幂等设计和明确错误返回。44. Agent 工程里为什么需要评测器、验证器和任务状态管理Agent 工程需要评测器来判断效果是否稳定需要验证器检查输出和动作是否合规需要任务状态管理保证长任务不断线、不重复、不丢进度。没有这些Agent 的表现只能靠感觉无法生产化。45. 一线团队做 Agent 工程化时共同遇到的难点是什么一线团队共同难点通常是效果不稳定、上下文容易失控、工具调用失败、评测困难、成本不可控、权限风险高、长任务状态难维护以及 demo 到生产之间差距很大。真正难的不是让 Agent 跑起来而是让它长期可靠运行。46. 为什么 AI 系统需要工作流AI 系统需要工作流因为很多业务流程要求稳定、可审计、可回滚和可控成本。纯 Agent 太自由适合处理不确定性Workflow 可以把确定性部分固定下来只在需要判断的地方引入模型。47. Workflow、Graph、Loop 三者是什么关系Workflow 是整体业务流程Graph 是表达流程节点和边的一种结构Loop 是图或流程中的循环执行机制。可以理解为 Workflow 定义要做什么Graph 定义节点如何连接Loop 让系统能基于反馈反复推进。48. Graph Loop 和 Agent Loop 有什么区别Graph Loop 通常是在预定义图结构中循环节点、边和状态转移比较明确Agent Loop 是模型在运行时决定下一步行动更动态也更不确定。Graph Loop 更可控Agent Loop 更灵活。49. Loop 如何防止死循环Loop 防止死循环要靠最大轮次、时间预算、token 预算、状态变化检测、重复动作检测、失败计数、收敛条件和人工中断。每轮都应该判断是否有新信息和是否接近目标否则就该停止或降级。50. State 的更新策略怎么选Replace、Append、Reducer 分别适合什么字段Replace 适合单值状态比如当前阶段、最终答案、最新状态Append 适合日志、消息历史、工具调用记录Reducer 适合需要合并的字段比如累计证据、投票结果、部分产物或并行任务结果。选择策略要看字段语义而不是统一追加。51. 条件边和动态路由有什么区别条件边通常是预定义规则根据状态判断走哪条边动态路由通常由模型或路由器在运行时决定下一步去哪里。条件边更稳定可测动态路由更灵活但也更需要评测和约束。52. 工作流中断后怎么恢复工作流中断后恢复需要持久化 state、当前节点、输入输出、工具调用记录和幂等标识。恢复时从最近安全 checkpoint 继续避免重复执行有副作用的操作。关键是状态可序列化、步骤可重试、副作用可追踪。53. 工作流有哪些特有的安全风险工作流特有风险包括状态泄露、错误分支、重复执行副作用操作、权限跨节点扩散、人工审批绕过、节点间数据污染和恢复时状态不一致。治理方式是权限隔离、幂等设计、checkpoint、审计日志、人工确认和关键节点校验。