1 什么是 AI Agent？和普通大模型应用的区别？

最直白定义

AI Agent = 能自主思考、自主规划、自主执行、自主纠错的“AI 智能体”
它不是一问一答，而是有目标、有记忆、有步骤、会复盘。

---

普通大模型应用（你平时用的）

• 一问一答
• 没有记忆
• 不会规划步骤
• 不会主动调用工具
• 不会反思错误
  = 被动问答机器人

---

AI Agent（面试高分版）

• 有目标（Goal）
• 有记忆（Memory/状态管理）
• 会自主规划（Planning）
• 会调用工具（Tool Use）
• 会反思/纠错（Reflection）
• 会多步骤闭环完成任务
  = 自主闭环智能体

---

一句话区别

普通大模型：你问啥它答啥。
AI Agent：你给个目标，它自己干完一整件事。

---

2 LangChain 和 LangGraph 核心区别？Agent 状态管理怎么做？

最直白一句话

LangChain = 做流程；
LangGraph = 做状态、做循环、做多跳Agent。

---

LangChain

• 链式调用
• 线性流程
• 适合简单任务
• 不擅长循环、不擅长状态持久化

LangGraph（2025–2026 最火Agent框架）

• 基于图（State Graph）
• 状态管理（State Management）
• 支持循环、回跳、反思、多智能体协作
• 适合复杂推理、多步骤规划、工具调用闭环

---

Agent 状态管理怎么实现？（面试标准答案）

1. State 状态：存储记忆、工具结果、历史对话、中间结果
2. Node 节点：每个节点做一件事（思考/查资料/调工具/反思）
3. Edge 边：控制跳转（下一步干什么）
4. Memory 记忆：短期记忆 + 长期记忆
5. Loop 循环：直到完成目标才退出

---

3 如何解决 Agent 幻觉、工具调用错误、规划混乱？

① 幻觉（最常见）

• 加事实校验（Reflection）
• 加RAG 检索，必须基于检索内容回答
• 加约束提示词：“不知道就说不知道，不许编”
• 加自我复盘：回答完自己检查一遍

② 工具调用错误

• 工具描述必须极精简、极准确
• 入参校验、出参格式强约束
• 加工具选择器（ToolSelector）
• 加失败重试机制
• 加结果校验：结果不对就重跑

③ 规划混乱

• 用LangGraph 状态规划
• 分步骤：目标 → 拆解 → 执行 → 校验 → 复盘
• 加反思节点（Reflection）
• 复杂任务用多Agent分工

---

4 如何将 Agent 与 Java 后端对接？流式响应怎么实现？

① Java 对接 Agent（最标准方案）

1. Agent 用 Python/LangGraph 做
2. 暴露 HTTP / gRPC 接口
3. Java 后端调用接口
4. 传入：用户问题 + 历史 + 状态
5. 返回：最终结果 + 过程日志

架构：
Java 后端 → Agent 服务 → LLM → 工具/ RAG → 返回 Java

---

② 流式响应（SSE / Server-Sent-Events）

Java 实现最标准方案：SSE 流式输出

• 前端建立 SSE 连接
• Java 转发给 Agent
• Agent 每一步思考实时返回
• 前端逐字展示

关键词：
SSE、流式输出、逐Token返回、状态同步

---

5 RAG 在 Agent 中的作用？如何优化检索效果？

① RAG 在 Agent 中的作用（最直白）

RAG = Agent 的“外部知识库”
解决：

• 幻觉
• 知识过时
• 专业领域不精准
• 无企业私有数据

一句话：
Agent 负责思考与执行，RAG 负责给它“正确资料”。

---

② 如何优化检索效果？（面试高分 8 条）

1. 分段更细（100–300字最佳）
2. 加元数据（Metadata）
3. 混合检索：关键词 + 向量 + 标题匹配
4. 重排序（Reranker）
5. 检索后过滤（低相似度直接丢掉）
6. 多轮检索优化
7. 向量模型微调
8. 构建私有知识图谱

---

SKILL：就是把Langchain和workflow这种由程序控制的流程走向变成由智能体自行控制，同时他有一些提前写好的说明文档，和直接运行的脚本，灵活可控。