Agent 面试题目总结（二）

肥钛狼

350人浏览 · 2026-07-08 15:56:43

肥钛狼 · 2026-07-08 15:56:43 发布

Agent 面试题目总结

本文整理了常见的AI Agent面试题目，涵盖Agent基础概念、架构设计、工具调用、记忆系统、多Agent系统、RAG、工程实践等多个方面。适合准备相关岗位面试的开发者。

一、Agent 基础概念篇

1. 什么是Agent？

Agent是一个自主智能体，具有以下特点：

能感知环境并做出决策
能执行行动改变环境状态
能通过反馈学习和改进
拥有独立的决策能力和目标

在LLM时代，Agent = LLM + 记忆 + 工具 + 规划能力

2. Agent 的基本架构由哪些核心组件构成？

Agent系统的五大核心组件：

LLM（大语言模型）：决策中枢，负责理解、推理和决策
记忆系统（Memory）：存储上下文、经历、知识，包括短期和长期记忆
工具系统（Tools）：扩展Agent的能力，包括API、数据库、计算工具等
规划系统（Planning）：分解任务、制定策略、调度执行
反馈循环（Feedback）：检查结果、纠正错误、持续优化

3. Workflow、Agent、Tools 这三个的概念和区别是什么？

维度	Workflow	Agent	Tools
定义	预定义的任务流程	自主决策的智能体	Agent调用的能力单元
灵活性	低，流程固定	高，自适应调整	无，提供能力
决策能力	无	强，LLM驱动	无
适用场景	规则明确的任务	复杂、多变的任务	功能单一的能力扩展
成本	低	高（LLM调用多）	低

4. Agent 为什么需要Loop？

问题解决的渐进性：复杂问题无法一步到位，需要多轮推理
动态适应：根据每步的结果动态调整下一步行动
错误纠正：发现问题后能够重新规划和执行
成本最优：不必预知所有信息，按需获取
可观察性：提供中间推理过程的透明度

Agent Loop的典型流程：

观察环境 → 分析问题 → 选择行动 → 执行行动 → 获得反馈 → 更新状态 → 循环

5. Agent 为什么离不开Context Window？

信息载体：Context包含任务信息、历史记录、工具定义等
推理基础：LLM需要足够的上下文进行推理决策
记忆实现：现代LLM主要通过Context实现记忆
约束条件：有限的Context Window限制了Agent能处理的复杂度
效果关键：Context质量直接影响Agent的决策质量

二、架构设计篇

6. 如何设计一个可扩展的Agent架构？

分层设计原则：

接口层：统一的Agent接口，支持多种输入形式
决策层：LLM推理引擎，可切换不同模型
执行层：工具调用框架，支持动态工具注册
存储层：记忆和知识库的持久化
监控层：日志、追踪、性能监控

关键设计要点：

工具注册表模式，实现工具的热加载
异步执行框架，支持并行工具调用
版本管理，支持Agent能力的平滑升级
可观测性，完整的日志和追踪链路

7. ReAct 框架是什么？相比直接调用工具有什么优势？

ReAct（Reasoning + Acting）框架：

Thought：LLM进行推理思考
Action：执行具体的行动（调用工具）
Observation：观察行动的结果
循环：不断推理、行动、观察，直到完成任务

优势对比：

特性	ReAct	直接调用
可解释性	高，能看到推理过程	低，黑盒调用
错误处理	灵活，能根据观察调整	固定，无适应能力
复杂任务	更强，支持多步推理	受限，单步处理
令牌成本	高，多了思考过程	低，直接执行

核心优势：

透明的推理链，便于调试和优化
更好的容错能力
支持长链条复杂任务
便于humans-in-the-loop的介入

8. 什么是Multi-Agent系统？它相比单Agent有什么优势？

Multi-Agent系统定义：
多个具有不同能力和角色的Agent相互协作，共同完成复杂任务的系统。

常见的协作模式：

串行协作：Agent1输出 → Agent2输入，链式执行
并行协作：多个Agent同时工作，最后汇总结果
层次协作：Master Agent分配任务给Worker Agent
图结构协作：Agent节点组成DAG，灵活调度

优势：

能力互补：每个Agent专注一个领域，组合解决复杂问题
可扩展性：容易添加新的Agent和能力
容错性：一个Agent失败不影响整个系统
效率提升：并行执行减少总耗时
模块化：便于维护和升级单个Agent

9. 如何实现Agent之间的通信和协调？

核心方案：

消息队列模式：使用MQ（如Redis、RabbitMQ）进行异步通信
共享状态：通过共享数据库或缓存协调Agent状态
事件驱动：Agent通过事件触发其他Agent的行动
Master-Worker：中央协调器管理Agent间的通信
发布-订阅：Agent订阅感兴趣的话题，接收相关消息

最佳实践：

明确的通信协议和数据格式（JSON Schema）
超时和重试机制，提高可靠性
完整的审计日志，便于问题排查
优雅的容错和降级策略

三、工具调用篇

10. 什么是Function Calling？工作原理是什么？

Function Calling定义：
模型根据用户输入和可用函数定义，智能地选择调用哪个函数及其参数，返回结构化的JSON。

工作流程：

定义阶段：开发者定义可用的函数及其参数（OpenAPI规范）
提示阶段：函数定义注入到LLM的system prompt中
生成阶段：LLM根据用户需求生成函数调用
执行阶段：应用程序拦截并执行函数调用
反馈阶段：将执行结果反馈给LLM继续推理

关键特点：

模型输出结构化的函数调用（JSON格式）
不是模型真实执行函数，而是生成调用描述
支持多个函数的顺序或并行调用
是实现Agent工具调用的核心机制

11. Function Calling 和 ReAct 有什么区别？

维度	Function Calling	ReAct
核心机制	模型输出结构化的函数调用	推理→行动→观察的循环
推理过程	隐式，模型内部完成	显式，可观察的思考过程
灵活性	相对固定，函数集合确定	更灵活，推理过程动态调整
适用场景	明确的工具调用任务	复杂的推理和多步任务
成本效率	高，直接执行	相对较高，多了思考成本
可解释性	低，看不到推理过程	高，推理链完全可见

融合方案：
在ReAct框架中使用Function Calling，即：

Thought：LLM推理选择调用哪个函数
Action：Function Calling生成结构化的函数调用
Observation：执行函数并获取结果
循环：继续思考-行动-观察

12. 如何保证Agent工具调用的可靠性？

三层可靠性保证：

1. 模型层：

使用更强大的模型（如GPT-4），减少参数错误
使用少样本学习（Few-shot）提示模型正确调用
实施参数验证和类型检查

2. 执行层：

Retry机制：调用失败时重试，指数退避策略
参数验证：在执行前验证参数的合法性
超时控制：设置调用超时防止永久阻塞
限流保护：防止API被滥用

3. 反馈层：

错误处理：捕获异常并反馈给LLM，让其重新调整
结果验证：检查返回结果的合理性
回滚机制：失败时能够恢复到之前状态
人工介入：关键操作前加入人工审核

最佳实践：

尝试执行 → 验证输入 → 执行工具 → 捕获异常 → 
反馈给LLM → LLM重新规划 → 重试或降级

13. 如何处理工具调用中的参数错误？

常见错误类型：

参数类型错误（期望int，模型给了string）
参数值超出范围（数字超出定义域）
必需参数缺失
参数格式错误（JSON格式不对）

处理策略：

主动防御：

使用Schema验证确保参数格式正确
在prompt中提供明确的参数范围和示例
使用Few-shot学习提高模型的准确性

被动修复：

提供清晰的错误信息反馈给LLM
让LLM根据错误信息调整参数
实施智能纠正（如自动类型转换）

容错降级：

参数错误时降低精度（如近似最近的有效值）
使用默认值替代缺失参数
提示用户确认关键参数

14. MCP（Model Context Protocol）是什么？为什么它重要？

MCP定义：
Model Context Protocol是由Anthropic开发的开放标准，用于规范化Agent与工具之间的交互方式。

核心价值：

标准化：统一的工具集成标准，减少重复开发
安全性：明确的权限和授权机制
互操作性：不同框架的Agent可以调用相同的工具
易维护：工具更新不需要修改Agent代码
生态建设：促进工具市场的发展

主要特性：

声明式的工具描述
结构化的请求-响应模式
丰富的错误处理机制
支持实时数据流和订阅

应用场景：

企业内工具的标准化集成
AI应用市场中的工具发布
跨框架的Agent互操作性

四、记忆系统篇

15. Agent的记忆系统包括哪些类型？

记忆的分类：

短期记忆（Short-term Memory）：
- 当前会话的Context
- 存储位置：LLM的Context Window
- 特点：快速访问，容量有限
- 作用：支持当前推理决策
长期记忆（Long-term Memory）：
- 向量数据库中的知识
- 数据库中的用户历史信息
- 知识图谱中的结构化知识
- 特点：容量大，检索相对慢
- 作用：提供持久化的知识支持
工作记忆（Working Memory）：
- 任务执行中的中间状态
- 已完成的步骤和结果
- 待执行的计划
- 作用：支持多步骤任务的连贯执行
情节记忆（Episodic Memory）：
- 过去交互的完整记录
- 包括输入、输出、行动等
- 用于学习和改进
- 作用：持续优化Agent能力

16. 如何实现Agent的动态记忆管理？

核心挑战：

Context Window有限，不能存储所有记忆
需要在保留相关信息和去除冗余之间找到平衡
记忆的新鲜度和准确性难以维护

解决方案：

检索机制：
- 使用向量相似度检索相关记忆
- 实施BM25等稀疏检索补充
- 支持多路检索和重排序
遗忘策略：
- 时间衰减：旧的记忆权重降低
- 重要性评分：低重要性记忆逐步删除
- 压缩合并：将多条记忆合并为摘要
更新机制：
- 新交互实时更新记忆
- 检测记忆冲突并解决
- 周期性的清理和优化
分层存储：
- 热数据（最近和最常用）存在缓存
- 温数据（较常用）存在向量DB
- 冷数据（不常用）存在归档库

17. 传统RAG和Agent记忆系统的区别是什么？

维度	传统RAG	Agent记忆
性质	静态检索	动态交互
数据更新	改知识库，不训练	持续学习和更新
查询方式	相似度检索	语义理解和推理
推理能力	被动生成	主动规划和决策
可靠性	看知识库质量	看推理链质量
成本	低，单次检索	高，多轮推理

Agentic RAG的新方向：

Agent主动评估何时需要检索
支持多轮检索和验证
能够处理知识缺失的情况
持续学习和更新知识

18. 如何设计高效的上下文压缩机制？

压缩的必要性：

LLM的成本与Token数量成正比
Context Window有限，不是所有历史都能保留
相关信息需要优先级

压缩策略：

摘要压缩：
- 对话历史压缩为关键信息摘要
- 保留决策点和转折点
- 舍弃冗余的对话内容
检索压缩：
- 只保留最相关的文档片段
- 使用稀疏和密集检索的组合
- 动态调整检索深度
向量压缩：
- 使用更小的embedding model
- 量化向量（int8而非float32）
- 聚类合并相似的向量
智能删除：
- 识别和删除无关信息
- 合并重复信息
- 保留最高优先级信息

效果评估：

压缩率 vs 准确率的平衡
延迟和成本的改善
Agent决策质量的保持

五、规划与推理篇

19. Agent如何进行任务规划和分解？

规划方法：

链式思考（Chain of Thought）：
- 让Agent逐步思考问题
- 生成中间推理步骤
- 最后得出答案
树状思考（Tree of Thought）：
- 在每个思考点探索多个可能
- 评估不同路径的可行性
- 选择最优路径继续
图状规划（Graph Planning）：
- 将任务分解为多个子任务
- 构建任务依赖关系图
- 根据依赖关系调度执行
分层规划：
- 高层规划：确定大的步骤
- 低层规划：细化每个步骤的实现
- 自下而上的反馈和调整

最佳实践：

在prompt中提供清晰的规划模板
鼓励Agent生成多个备选方案
提供外部验证和反馈
记录规划过程便于改进

20. 什么是CoT、ToT、GraphRAG等推理方法？各有什么优缺点？

推理方法对比：

Chain of Thought（CoT）：

原理：一步步推理，逐步得出答案
优点：简单易实现，效果不错
缺点：容易陷入局部最优，缺乏回溯

Tree of Thought（ToT）：

原理：每步都探索多个可能，构建思考树
优点：能发现最优路径，容错性强
缺点：计算成本高，需要多轮LLM调用

Graph Reasoning：

原理：用图结构表示推理过程
优点：灵活，支持复杂的逻辑关系
缺点：构图复杂，需要专业知识

自适应推理：

简单问题用CoT
复杂问题用ToT或Graph
动态选择推理策略

六、RAG与知识整合篇

21. RAG（检索增强生成）在Agent中的应用是什么？

RAG的核心价值：

实时知识：检索最新的信息，而非依赖训练数据
可追溯性：生成的答案可以追溯到源文档
成本降低：相比微调，RAG不需要重新训练
模块化：知识库和生成模型可独立更新

在Agent中的应用：

知识工具：将RAG作为Agent的一个工具
- Agent决定何时检索
- Agent评估检索结果的相关性
- 支持多轮检索和验证
增强决策：
- 在做决策前检索相关背景信息
- 用最新数据验证假设
- 提高决策的准确性
错误纠正：
- 当Agent不确定时主动检索
- 当输出不满足要求时补充检索
- 形成反馈循环

RAG的挑战：

检索质量影响生成质量
如何处理检索到矛盾信息
如何评估检索结果的可靠性

七、工程实践篇

22. 如何监控和评估Agent的性能？

评估指标：

准确性：
- 任务完成准确率
- 工具调用的准确率
- 最终答案的准确度
效率：
- 完成任务的步骤数（越少越好）
- 平均延迟（毫秒）
- Token消耗（成本）
可靠性：
- 失败率
- 重试次数
- 错误恢复率
用户体验：
- 用户满意度评分
- 人工评估结果
- 用户反馈处理率

监控系统：

实时的性能指标仪表板
异常告警和自动扩容
完整的执行链路追踪
定期的离线评估

23. Agent系统的安全性如何保证？

安全威胁：

提示注入（Prompt Injection）：恶意用户篡改prompt
工具滥用：Agent被诱导调用有害工具
数据泄露：敏感信息泄露到日志或结果中
资源耗尽：恶意用户导致高成本

防护措施：

输入验证：
- 检测和过滤可疑的输入模式
- 限制输入长度
- 检测注入攻击特征
权限控制：
- 细粒度的工具权限管理
- 用户级别的功能限制
- 关键操作需要人工审核
数据保护：
- 敏感数据脱敏处理
- 加密存储和传输
- 访问日志和审计追踪
资源限制：
- 用户级别的配额限制
- 单次调用的Token限制
- 速率限制防止滥用
监控检测：
- 异常行为检测
- 实时告警系统
- 定期的安全审计

24. 如何调试和优化Agent的行为？

调试方法：

执行链路追踪：
- 记录每一步的输入、输出和决策
- 可视化Agent的思考过程
- 支持断点和单步调试
日志分析：
- 完整的调用日志
- 失败案例的根因分析
- 趋势分析和对比
测试驱动：
- 建立单元测试和集成测试
- 使用固定的测试集评估效果
- A/B测试验证改进

优化策略：

Prompt优化：
- 编写更清晰的指令
- 提供更好的Few-shot示例
- 使用特定的推理模板
工具优化：
- 提高工具的准确性
- 简化工具的接口
- 优化工具的响应速度
流程优化：
- 减少不必要的步骤
- 并行化可并行的操作
- 缓存常用查询的结果
成本优化：
- 使用更小的模型进行简单任务
- 压缩Context
- 采用智能路由策略

八、系统设计篇

25. 设计一个能处理高并发的Agent系统

架构设计：

负载均衡器
    ↓
[API Gateway] → 请求队列
    ↓
[Agent Pool] (多个Agent实例)
    ├→ [LLM连接池] (复用API连接)
    ├→ [工具执行器] (异步执行)
    ├→ [缓存层] (Redis)
    └→ [记忆存储] (Vector DB + SQL)

关键设计点：

连接复用：
- LLM API连接池，减少连接开销
- 数据库连接池
- HTTP连接复用
异步处理：
- 工具调用异步执行
- 长时间任务使用消息队列
- 支持websocket的流式推送
缓存策略：
- prompt缓存（OpenAI新特性）
- embedding缓存
- 结果缓存（用户查询的常见问题）
限流熔断：
- 令牌桶算法限流
- 基于成本的限流（不同模型权重不同）
- 熔断器模式防止雪崩
水平扩展：
- 无状态设计便于扩展
- 使用消息队列解耦
- 分布式记忆存储

26. 如何实现Agent的版本管理和灰度发布？

版本管理策略：

Agent配置版本化：
- System prompt版本
- 工具集合版本
- 参数配置版本
- 支持快速回滚
灰度发布流程：
- 小流量测试（1%用户）
- 监控关键指标
- 逐步扩大流量（5% → 25% → 50% → 100%）
- 任何指标下降立即回滚
效果评估：
- 自动化指标对比
- 离线评估集合
- 人工审核机制
快速回滚：
- 支持一键回滚
- 自动检测异常并回滚
- 保留完整的版本历史

27. 常见的Agent框架有哪些？如何选择？

流行框架对比：

框架	语言	特点	适用场景
LangChain	Python	功能全面，学习资源多	中小型项目
LlamaIndex	Python	专注RAG，与向量库集成好	RAG应用
AutoGPT	Python	自主性强，可扩展	复杂任务
AgentGPT	TypeScript	Web友好，可视化	Web应用
FastGPT	TypeScript	轻量级，API友好	API集成