Agent面试题目总结（一）

肥钛狼

355人浏览 · 2026-07-08 15:57:14

肥钛狼 · 2026-07-08 15:57:14 发布

Agent面试题目总结

一、基础概念类

Q1: 什么是AI Agent？

定义: AI Agent是一个由大语言模型（LLM）驱动的自主系统，具备感知、推理和行动的能力。

核心特征:

自主性：无需人工干预，可自主完成任务
反应性：能感知环境变化并做出响应
目标驱动性：朝着预设目标执行动作
适应性：可学习和改进行为

与普通LLM的区别:

普通LLM：输入prompt -> 生成输出
Agent：感知 -> 推理 -> 工具调用 -> 观察反馈 -> 迭代

Q2: Agent的基本架构由哪些核心组件构成？

四大核心组件:

大语言模型（LLM）
- 作为Agent的"大脑"
- 负责推理、决策和生成动作
- 常用模型：GPT-4、Claude、Llama等
规划模块（Planning）
- 任务分解：将复杂任务拆解为子任务
- 方案制定：制定执行策略
- 常见框架：Goal-oriented、Hierarchical Planning
记忆系统（Memory）
- 短期记忆：当前对话、任务状态
- 长期记忆：历史交互、学习经验
- 上下文窗口：快速访问的工作记忆
工具调用模块（Tools）
- 调用外部API
- 执行计算操作
- 与环境交互
- 数据库查询等

Q3: Workflow、Agent、Tools三者的概念和区别

概念	定义	特点	应用场景
Workflow	预定义的流程，步骤固定	确定性、低复杂度	自动化重复任务
Agent	自主决策执行，可动态规划	自适应、高灵活性	复杂、不确定任务
Tools	具体执行工具，被调用的能力	原子化、可复用	单一功能模块

关系:

Workflow = 固定流程 + Tools
Agent = LLM + 动态规划 + 工具调用 + 记忆

Q4: 了解哪些其他的Agent设计范式？

ReAct框架（Reason + Act）
- 思考（Thought）-> 行动（Action）-> 观察（Observation）
- 最广泛使用的Agent框架
Plan-and-Execute框架
- 先制定完整计划
- 再逐步执行计划
Tree of Thought（思维树）
- 探索多个推理路径
- 选择最优方案
Chain of Thought（思维链）
- 逐步推理过程
- 提高推理准确性
Hierarchical Agent
- 分层代理架构
- 支持任务分解

二、架构设计类

Q5: ReAct框架是什么？和CoT的区别？

ReAct框架核心循环:

思考当前情况和下一步行动 -> 执行具体行动（调用工具/API） -> 观察行动结果 -> 循环直到任务完成

ReAct vs CoT对比:

维度	CoT（思维链）	ReAct（推理+行动）
方式	纯推理	推理+执行行动
与外界互动	无	有（调用工具）
适用场景	纯思考问题	需要执行动作
准确性	依赖LLM推理	结合真实反馈
复杂度	较低	较高

Q6: 设计一个支持多工具调用的ReAct Agent，核心循环是什么？

完整的ReAct循环流程:

初始化Agent状态
循环执行：
- 生成Thought（思考）
- 生成Action（行动）
- 执行工具调用或返回结果
- 观察反馈
- 检查停止条件
返回最终结果

核心设计要点:

工具路由：动态选择合适的工具
上下文管理：维护完整的对话历史
停止条件：判断何时结束循环
错误处理：工具调用失败的恢复机制

三、工具调用类

Q7: Function Calling是什么？LLM如何学会调用外部工具？

Function Calling定义:

LLM识别何时需要调用工具
自动生成工具调用的参数
将工具返回结果整合到回答中

LLM学会工具调用的过程:

预训练阶段
- 在大规模文本数据中学习工具调用模式
- 学习API调用的语法和逻辑
指令微调（Instruction Tuning）
- 使用高质量的工具调用示例进行微调
- 提高模型识别工具调用的准确性
强化学习反馈（RLHF）
- 通过反馈信号学习最优的工具调用策略
- 学习在什么情况下调用什么工具

Function Calling实现格式:

包含工具名称、描述和参数定义
参数需要明确指定类型和必需性
支持工具的自动发现和调用

Q8: 工具调用中有哪些常见的安全风险？

三大核心安全风险:

提示注入（Prompt Injection）
- 风险：恶意用户注入指令，绕过Agent的控制
- 防护：
  - 输入验证和清理
  - 工具输出沙箱化处理
  - 使用模板防止指令注入
权限过大（Privilege Escalation）
- 风险：Agent拥有过多系统权限
- 防护：
  - 最小权限原则
  - 细粒度的权限控制
  - 操作审计日志
数据泄露（Data Leakage）
- 风险：敏感数据暴露给LLM或日志
- 防护：
  - 数据脱敏和加密
  - 访问控制
  - 安全的数据传输

四、记忆系统类

Q9: Agent的记忆系统如何设计？

两层记忆架构:

短期记忆（In-Context Memory）
- 速度最快的工作记忆
- 存储内容：
  - 当前对话历史
  - 任务状态和进度
  - 加载的技能列表
  - 工具调用历史
  - 检索到的相关信息
- 受限于Token窗口大小
长期记忆（Long-Term Memory）
- 存储在外部数据库
- 存储内容：
  - 历史对话记录
  - 学习到的知识
  - 用户偏好
  - 任务模板
- 通过检索提升到短期记忆

记忆管理的关键策略:

当短期记忆溢出时进行压缩
优先压缩低优先级信息
定期清理过期信息
支持语义检索和相似度计算

Q10: 记忆系统中如何处理信息压缩和遗忘机制？

信息压缩策略:

摘要压缩
- 使用LLM总结长对话
- 保留关键信息，删除冗余内容
- 减少Token占用
分层索引
- 按重要性标记信息
- 优先压缩低优先级信息
- 保留高价值内容
时间衰减
- 旧信息优先被压缩
- 新信息保留更长时间
- 实现自然的遗忘过程

遗忘机制设计:

根据信息重要性和时间进行评分
低分信息优先被压缩或删除
支持手动标记重要信息
周期性的自动清理

五、多Agent系统类

Q11: Multi-Agent有哪些常见架构模式？

1. 并行模式

多个Agent并行处理不同任务
适合任务可拆解，互不依赖
优点：高效率
缺点：难以协作

2. 串联模式

Agent依次处理，前一个输出是后一个输入
适合流程化的工作流
优点：清晰、可控
缺点：一个失败影响整体

3. 层级模式

一个管理Agent协调多个工作Agent
适合复杂任务分工
优点：灵活、可扩展
缺点：管理复杂

4. 网状模式

Agent之间可任意通信
适合高度协作的场景
优点：高度灵活
缺点：难以控制，可能陷入死循环

Q12: Multi-Agent系统中，Agent之间如何通信和协调？

通信机制:

消息队列
- Agent通过消息队列交换信息
- 支持异步通信
- 实现：RabbitMQ、Redis等
共享状态
- 所有Agent共享全局状态
- 实时同步
- 注意并发问题
中介模式
- 通过中央协调者转发消息
- 便于监控和控制

协调策略:

Manager Agent负责任务分解和分配
工作Agent执行具体任务并反馈进度
支持Agent间的知识共享
实现冲突解决机制

六、RAG（检索增强生成）类

Q13: 什么是RAG？在Agent中的应用？

RAG定义:

Retrieval Augmented Generation（检索增强生成）
在生成回答前，从知识库检索相关文档
使用检索结果增强LLM的生成

RAG核心流程:

用户查询 -> 从知识库检索Top-K文档 -> 基于检索结果生成回答 -> 最终答案

在Agent中的应用:

知识库检索
- Agent在执行任务前检索相关知识
- 提高回答的准确性和可靠性
上下文增强
- 为Agent提供具体的执行背景
- 减少LLM的幻觉问题
动态文档加载
- 根据任务动态加载相关文档
- 实现知识的及时更新

Q14: RAG生产落地中有哪些痛点？

常见痛点:

检索质量问题
- 问题：文档分块不当导致检索效果差
- 解决：优化分块策略、使用语义分块
向量检索的性能
- 问题：大规模知识库检索速度慢
- 解决：使用量化、缓存、索引优化
Chunking策略
- 问题：难以找到最优的分块方法
- 解决：多级分块、语义感知分块
Rerank的必要性
- 问题：向量检索的相关性排序不准
- 解决：使用交叉编码器进行Rerank
幻觉问题
- 问题：LLM生成不在检索文档中的信息
- 解决：
  - 强制引用源文献
  - 使用Retrieval Chain of Thought
  - 增加"我不知道"的培训
知识更新延迟
- 问题：新文档更新不及时
- 解决：
  - 实时索引更新
  - 增量更新机制
  - 缓存失效策略

七、工程实践类

Q15: 如何处理Agent中的死循环问题？

死循环三层防御:

第一层：迭代次数限制

设置最大迭代次数（如10次）
超过限制时强制停止并返回当前结果

第二层：状态检测

记录每一步的Agent状态
如果重复出现相同状态则停止
可使用哈希或向量相似度判断

第三层：超时控制

为Agent执行设置总体超时时间
超时时立即中止并返回当前进度
避免资源被长期占用

Q16: 如何实现Agent的流式输出？

SSE（Server-Sent Events）流式输出:

后端处理
- Agent逐步生成思考过程
- 每个步骤的结果实时推送给前端
- 支持流式生成最终回答
前端接收
- 建立SSE连接
- 接收数据流并实时渲染
- 支持中断连接

流式输出的好处:

改善用户体验，实时看到进度
减少内存占用
支持长任务的持续反馈
便于调试Agent执行过程

Q17: Agent系统的监控和日志应该如何设计？

多层次监控:

业务层监控
- Agent是否成功完成任务
- 任务完成时间
- 用户满意度
Agent层监控
- 规划是否合理
- 工具调用次数和成功率
- 记忆使用情况
LLM层监控
- API调用成功率
- 平均延迟
- Token使用量
工具层监控
- 工具调用成功率
- 工具响应时间
- 错误类型统计

日志设计关键点:

记录每个环节的输入输出
包含时间戳和性能指标
支持分级日志（DEBUG、INFO、WARNING、ERROR）
脱敏敏感信息
便于后续分析和优化

八、系统设计题

Q18: 设计一个多Agent协作的客户服务系统

系统架构:

用户查询 -> Request Router Agent（分类用户问题）

分为两个流程：

常见问题流程：FAQ Answer Agent（回答常见问题）
问题解决流程：Issue Resolution Agent -> Knowledge Base Agent（知识库检索）-> Action Executor Agent（执行操作）

最后：Response Formatter（格式化回答）-> 用户回复

关键设计点:

问题路由
- 使用分类模型识别问题类型
- 根据问题类型路由到不同Agent
Agent协作
- 串联模式：FAQ -> 知识库 -> 操作执行
- 共享上下文和历史记录
并发处理
- 支持多个用户并行处理
- 使用消息队列解耦
失败恢复
- 一个Agent失败时尝试备选方案
- 记录失败原因供后续分析

Q19: 设计一个RAG系统，支持大规模文档库

系统架构:

文档上传/导入 -> 文档预处理（清洗、分块）

分为两个平行处理：

向量化处理：Embedding -> 向量数据库
元数据提取：标题、作者等

合并后进入Retrieval Pipeline：

Dense Retrieval（向量相似度）
BM25 Retrieval（关键词匹配）
Reranking（交叉编码器）

最后：LLM生成回答 + 源文献引用 -> 最终回答

关键实现点:

文档处理
- 支持多种格式：PDF、Word、Markdown等
- 智能分块：维持语义完整性
多路召回
- 密集向量检索：语义相似
- 稀疏检索（BM25）：关键词匹配
- 混合检索：结合两者优势
Rerank优化
- 使用交叉编码器重新排序
- 提高Top-K的准确性
大规模支持
- 分布式向量数据库
- 缓存热点数据
- 异步索引更新

Q20: 设计一个支持工具调用的Agent框架，需要支持安全、可靠、高效

框架核心设计:

权限管理
- 验证用户身份和权限
- 工具级别的权限控制
- 操作审计日志
安全检查
- 第一层：工具权限检查
- 第二层：参数验证
- 第三层：提示注入检测
安全执行
- 工具超时控制
- 参数脱敏
- 返回结果安全过滤
错误恢复
- 工具失败时的备选方案
- 自动重试机制
- 降级策略
监控追踪
- 完整的执行日志
- 性能指标记录
- 异常告警

九、前沿技术方向

Q21: OpenClaw协议是什么？

OpenClaw背景:

OpenAI发布的模型上下文协议
提供Agent与外部工具的标准接口
统一工具调用规范

核心特性:

标准化工具定义
- 统一的工具描述格式
- 自动工具发现
安全隔离
- 沙箱执行环境
- 权限细粒度控制
配对认证
- 客户端-服务器配对
- 防止未授权访问

OpenClaw三大安全机制:

配对认证：确保Agent和工具的真实身份
沙箱隔离：限制工具的执行权限和资源访问
数据加密：保护通信过程中的数据安全

十、应对技巧

面试答题通用策略

结构化回答
- 先给出定义/概念
- 再解释原理/机制
- 最后讨论应用/优缺点
用例子说明
- 用代码示例展示理解
- 用实际场景说明应用
横向对比
- 与相似概念对比
- 阐明差异和优势
深度挖掘
- 主动讨论细节和边界情况
- 展示对问题的深入思考
诚实回答不确定
- 不清楚的地方坦白说
- 提出合理的推测
- 表示愿意进一步探讨

补充：高频考点速览

考点	重点内容	难度
ReAct框架	Thought-Action-Observation循环	⭐⭐⭐
Function Calling	工具识别和参数生成	⭐⭐⭐
记忆系统	短期/长期记忆设计	⭐⭐⭐⭐
Multi-Agent	架构模式和协调	⭐⭐⭐⭐
RAG系统	检索、排序、融合	⭐⭐⭐⭐
安全防护	提示注入、权限控制	⭐⭐⭐⭐⭐
系统设计	完整架构设计	⭐⭐⭐⭐⭐
流式输出	SSE、WebSocket实现	⭐⭐⭐