📋 摘要

1. 什么是 AI Agent？和单次 LLM 调用、Workflow 有什么区别？

📋 回答重点
  • Agent = 以 LLM 为「大脑」的自主系统：规划 + 调用工具 + 记忆，多步自主完成目标
  • 单次调用：一问一答，无工具无状态；Agent 多步循环可自我修正
  • Workflow 是预先编排固定步骤，Agent 是 LLM 动态决定下一步；能固定就用 Workflow 更可靠

扩展知识

  • 四要素：感知/规划/行动/记忆
  • 详细讲解：AI Agent

2. ReAct 范式是什么？Thought/Action/Observation 各是什么？

📋 回答重点
  • ReAct = Reasoning + Acting，推理与行动交替
  • Thought（怎么推理）、Action（调哪个工具+参数）、Observation（工具结果）
  • 循环直到 Final Answer，是多数 Agent 框架的底层范式

扩展知识

  • 让模型能多步求解需外部信息的任务
  • 详细讲解：AI Agent

3. Function Calling / Tool Use 的原理是什么？如何实现？

📋 回答重点
  • 模型只输出结构化调用指令 {name, arguments}，真正执行在宿主程序
  • 步骤：定义工具 JSON Schema → 模型生成指令 → 宿主执行 → 回传结果 → 循环
  • 工具 schema 描述质量决定调用准确率

扩展知识

  • 需处理失败、参数错误、重试
  • 详细讲解：AI Agent

4. Agent 的规划能力如何实现？Plan-and-Execute 和反思有什么区别？

📋 回答重点
  • 方法：Plan-and-Execute（先计划再执行）、ReAct（边想边做）、Reflexion（反思重试）、自我纠正
  • Plan-and-Execute 事前规划；反思（Reflexion）事后复盘
  • 常组合：先规划，失败再反思调整

扩展知识

  • 子目标分解大任务
  • 详细讲解：AI Agent

5. Agent 的记忆如何设计？短期和长期有什么区别？

📋 回答重点
  • 短期记忆 = 上下文窗口（多轮对话），受窗口限制，需截断/摘要/滑动窗口
  • 长期记忆 = 向量库/数据库（跨会话持久），向量记忆/结构化画像/反思记忆
  • 设计点：写入时机、检索策略、遗忘机制

扩展知识

  • 类比 Generative Agents 的 memory stream
  • 详细讲解：AI Agent

6. 多 Agent 协作有哪些模式？常见框架有哪些？

📋 回答重点
  • 模式：顺序流水线、主管-下属（Supervisor）、辩论/投票、分层、群聊
  • 框架：LangGraph（图编排）、AutoGen（多 Agent 对话）、CrewAI（角色团队）、MetaGPT
  • 务实：能单 Agent 就不多 Agent

扩展知识

  • 多 Agent 成本与复杂度更高
  • 详细讲解：AI Agent

7. 什么是 MCP 协议？它解决什么问题？

📋 回答重点
  • MCP = 模型与工具/数据源的标准化协议（AI 的 USB-C）
  • 解决：每模型×每工具定制集成 → M×N 变 M+N，一次开发到处复用
  • 组成：MCP Server（暴露工具）、MCP Client（调用）、JSON-RPC 通信

扩展知识

  • 支持工具/资源/提示三类能力
  • 详细讲解：AI Agent

8. LangChain、LangGraph、AutoGen、CrewAI 有什么区别？

📋 回答重点
  • LangChain：组件库，快速搭 prompt/chain/tool
  • LangGraph：图状态机，精确编排多步/多 Agent，可控强
  • AutoGen：多 Agent 对话协作；CrewAI：角色化团队
  • LlamaIndex 侧重数据/RAG

扩展知识

  • 复杂可控流程用 LangGraph
  • 详细讲解：AI Agent

9. 如何保证 Agent 的可靠性？如何避免死循环和失控？

📋 回答重点
  • 问题：死循环、跑偏、token 爆炸、错误累积
  • 手段：限步数 + 重复检测 + 超时/token 预算 + 错误重试降级 + 人工确认（关键操作）+ 日志审计 + 权限沙箱

扩展知识

  • Human-in-the-loop 用于支付/删除等
  • 详细讲解：AI Agent

10. 如何评估 Agent 的效果？

📋 回答重点
  • 维度：任务成功率（核心）、轨迹质量、工具调用准确率、鲁棒性、成本
  • 基准：WebArena、GAIA、AgentBench、SWE-bench（软件工程）
  • 方法：LLM-as-judge + 人工 + 分步评估（规划/工具/结果分开打点）

扩展知识

  • 开放任务难自动评估
  • 详细讲解：AI Agent

11. Agent 落地有哪些难点？为什么说 Agent 落地难？

📋 回答重点
  • 难点：幻觉多步累积、工具不可靠、长程任务失败率高、成本延迟高、可控性/安全、评估难
  • 根因：不确定模型 + 不确定环境 + 多步累积误差
  • 现实：生产常退化为受限 Agent / 强约束 Workflow 换可控性

扩展知识

  • 步数越多成功率指数下降
  • 详细讲解：AI Agent

12. Agent 有哪些安全风险？如何防护？

📋 回答重点
  • 风险：提示注入、越权操作、数据泄露、工具滥用
  • 防护：最小权限、人工确认高危操作、数据/指令隔离、沙箱执行、脱敏、审计、注入检测

扩展知识

  • 提示注入是 Agent 特有风险
  • 详细讲解：AI Agent

13. 如何设计工具（tool）的 schema？有哪些要点？

📋 回答重点
  • 工具 schema 用 JSON Schema 描述：name（函数名）、description（做什么/何时用）、parameters（参数 schema）
  • description 要写清「何时用 + 参数含义 + 返回格式」，动词开头、给参数示例
  • 多工具间职责区分开，避免歧义/重叠；schema 是模型看到的唯一接口，质量决定调用准确率

扩展知识

  • 差 vs 好 description 示例：处理数据 vs 把 CSV 按某列聚合求和，返回 JSON
  • 详细讲解：AI Agent

14. parallel function calling 是什么？如何实现？

📋 回答重点
  • 模型在一次响应中返回多个 tool call，宿主并行执行后一次性回传，减少多轮往返
  • 只适合无依赖的调用；有依赖（A 结果喂 B）必须串行
  • 并行后按 tool_call_id 把结果一一对应回传

扩展知识

  • OpenAI 用 parallel_tool_calls 参数开关，Claude 默认支持
  • 详细讲解：AI Agent

15. 工具调用失败如何处理？

📋 回答重点
  • 失败类型：参数错误、工具不存在（幻觉）、运行时异常、返回格式错
  • 错误要结构化回传，让模型看到失败原因才有机会自纠
  • 处理链：回传错误 → 模型自纠重试 → 限次重试（如 3 次）→ 降级/转人工

扩展知识

  • 关键：不要吞掉错误
  • 详细讲解：AI Agent

16. 工具结果如何回传给模型？有哪些方式？

📋 回答重点
  • 用 tool role 回传，带 tool_call_id 与模型发起的调用一一对应
  • 结果通常转 JSON 字符串；大结果需截断/摘要防爆上下文
  • 可附 status（success/error）与耗时元信息；模型拿到后继续生成

扩展知识

  • 失败要带错误状态回传
  • 详细讲解：AI Agent

17. function calling 和 tool use 有什么区别？

📋 回答重点
  • 本质相同：都是模型输出结构化调用指令 {name, arguments}，由宿主执行
  • Function Calling 偏「预定义函数」，Tool Use 泛指任意工具/能力（浏览器、代码、API）
  • 区别在术语与生态（OpenAI 系 vs Anthropic/MCP 系），面试可互换

扩展知识

  • 共同内核：结构化指令 + 宿主执行
  • 详细讲解：AI Agent

18. CoT 和 ReAct 有什么区别？

📋 回答重点
  • CoT：只逐步推理（纯「想」），不调外部工具
  • ReAct：Reasoning + Acting，推理与「调工具 + 观察」交替
  • ReAct = CoT + Action/Observation，补足 CoT 无法获取外部信息、易幻觉的短板

扩展知识

  • 适用：CoT 纯推理（数学/逻辑），ReAct 需检索/计算/操作
  • 详细讲解：AI Agent

19. 什么是 ToT（Tree of Thoughts）？

📋 回答重点
  • 把推理建模成树状搜索：每步生成多个候选想法，评估后选择/回溯
  • 过程：分解 → 生成候选 → 评估打分 → BFS/DFS 搜索可回溯
  • vs CoT：CoT 单链一错到底，ToT 可回溯但成本高（多次采样+评估）

扩展知识

  • 适合数学/规划/搜索等可回溯任务，生产中少用
  • 详细讲解：AI Agent

20. 什么是 self-consistency？

📋 回答重点
  • 对同一问题采样多条推理路径，取多数投票作为最终答案
  • 原理：正确答案往往被多数采样命中，投票放大正确信号；常配 CoT
  • 只适合有唯一确定答案的任务；采样次数（5/10/40）与成本线性相关

扩展知识

  • 与 ToT 区别：多链投票 vs 回溯搜索
  • 详细讲解：AI Agent

21. Reflexion 的完整流程是什么？

📋 回答重点
  • 四阶段：Actor 生成轨迹 → Evaluator 评估 → Self-Reflection 用自然语言总结教训 → Memory 存入 episodic memory
  • 反思是语言形式的强化信号，不是梯度更新，把教训写进下一轮提示
  • 在 ReAct 之上多一层事后复盘，多次迭代成功率提升

扩展知识

  • 反思模板：「上次失败因为 X，改进策略：下次 Y」
  • 详细讲解：AI Agent

22. 计划如何修正？plan 修正有哪些策略？

📋 回答重点
  • 初始规划器把任务拆成步骤列表（描述、预期结果、依赖）
  • 每步执行后把「已完成 + 观察 + 原始计划」喂给 replanner，决定继续/修改/终止
  • 计划存结构化对象（含依赖、状态），增量更新而非整体重排

扩展知识

  • LangGraph 中 Planner + Replanner 用两个节点 + 条件边实现
  • 详细讲解：AI Agent

23. 子任务分解中的依赖关系如何处理？

📋 回答重点
  • 用任务树/DAG 表达执行顺序；子任务结构化 {id, desc, deps, status}
  • 依赖三型：顺序依赖（拓扑排序串行）、并行依赖（并行执行）、条件依赖（分支/重规划）
  • 执行前检查前置是否完成，失败只重跑受影响分支

扩展知识

  • 让 LLM 输出带依赖字段的结构化子任务
  • 详细讲解：AI Agent

24. 什么是 self-correction？如何实现？

📋 回答重点
  • 定义：生成 → 批评 → 修正的反馈回路
  • 实现：Self-Refine（自评改进）、外部信号驱动（执行/测试/工具报错，更可靠）、结构化校验
  • 局限：纯自评可能盲视，需外部验证信号才有效

扩展知识

  • 可配合 Reflexion：多轮失败后的反思是更强的 self-correction
  • 详细讲解：AI Agent

25. 短期记忆的窗口如何管理？

📋 回答重点
  • 三手段：滑动窗口（保留最近 N 轮）、摘要（压缩早期）、截断（超限硬截）
  • 组合实践：滑动窗口 + 摘要，超窗口的早期对话先摘要再丢弃
  • 保留「系统提示 + 关键约束 + 最近对话」三段式，防目标漂移

扩展知识

  • 可调参数：窗口大小（10~20 轮）、摘要触发阈值（如超 8k token）
  • 详细讲解：AI Agent

26. 长期记忆的写入、检索和遗忘如何设计？

📋 回答重点
  • 写入：事件驱动（重要决策/偏好/教训）+ 定期蒸馏，避免全量噪声
  • 检索：相关性 + 时效 + 重要性打分取 top-k（recency/importance/relevance）
  • 遗忘：TTL 过期、容量上限淘汰、巩固/衰减

扩展知识

  • 引用 Generative Agents 三权重
  • 详细讲解：AI Agent

27. episodic memory 和 semantic memory 有什么区别？

📋 回答重点
  • Episodic = 具体事件/经历（时间地点），如「昨天用户让我改过 X」
  • Semantic = 抽象事实/概念，如「用户偏好 JSON 输出」
  • 映射 Agent：episodic=轨迹/教训，semantic=画像/规则，两层协同

扩展知识

  • 记忆系统常是两层：原始事件流 → 蒸馏成语义记忆
  • 详细讲解：AI Agent

28. 什么是记忆蒸馏？

📋 回答重点
  • 用 LLM 把冗长原始对话提炼成结构化、可复用的长期记忆，丢弃噪声
  • 抽取：关键事实、用户偏好、结论、待办 → 结构化 {entity, attribute, value, confidence}
  • 好处：省 token（不再整段重放）、可检索复用、形成稳定画像

扩展知识

  • 时机：会话结束、定期批处理、事件触发
  • 详细讲解：AI Agent

29. Agent 记忆和 RAG 有什么区别？

📋 回答重点
  • 数据来源不同：RAG 是外部静态文档，Agent 记忆是自身经历/用户交互
  • 更新方式不同：RAG 外部写入，Agent 自动写入/蒸馏
  • 底层技术相通（embedding + 向量库 + 检索），可称「给 Agent 自己用的 RAG」

扩展知识

  • 检索对象从文档变成「记忆条目」
  • 详细讲解：AI Agent

30. supervisor 模式是如何工作的？

📋 回答重点
  • 中央 supervisor agent 把任务分发给多个 worker，汇总结果（主管-下属）
  • 控制流：supervisor 判断 → 调 worker → 收结果 → 再判断 → 直到汇总
  • LangGraph：supervisor 节点 + worker 节点 + 条件边路由

扩展知识

  • 缺点：supervisor 成单点瓶颈，多一层调度开销
  • 详细讲解：AI Agent

31. hierarchical（分层）多 Agent 如何设计？

📋 回答重点
  • 规划层拆子任务调度，执行层完成并回报，可多层嵌套（树状分权）
  • vs supervisor：supervisor 是单层特例，hierarchical 是可多层嵌套的树状结构
  • 适用复杂任务

扩展知识

  • 规划层下面可再有子规划层
  • 详细讲解：AI Agent

32. 多 Agent 之间的通信协议有哪些？

📋 回答重点
  • 通信本质是结构化消息 {sender, receiver, type, content, metadata}
  • 协议：黑板（共享状态）、直接对话（point-to-point）、消息队列、A2A（Agent2Agent 互操作）、MCP（偏 agent↔工具）
  • 选型：少 agent 强协作用共享状态/直接对话，跨系统用 A2A，接工具用 MCP

扩展知识

  • 区分 agent↔agent（A2A）与 agent↔工具（MCP）
  • 详细讲解：AI Agent

33. 什么是 debate（辩论）型多 Agent？reflection 型呢？

📋 回答重点
  • Debate：多 agent 各自生成答案，互相批判辩论，裁判（judge）汇总，多视角降幻觉
  • Reflection 型：agent 对自己的输出反思改进（单人版 self-reflection，多人版互相挑错）
  • 优点降低单一模型偏见/幻觉，代价成本数倍、延迟高

扩展知识

  • 联系 self-consistency 的多人版
  • 详细讲解：AI Agent

34. 什么是 swarm（群集）多 Agent？

📋 回答重点
  • 大量轻量、无状态 agent 通过 handoff（交接） 动态协作，无固定编排图
  • 特点：无状态（靠上下文传递）、handoff 交接、简单易测
  • 类比「客服转接」；OpenAI Swarm 偏教学，生产复杂流程用 LangGraph

扩展知识

  • vs supervisor：去中心化 vs 中央分发
  • 详细讲解：AI Agent

35. agent loop 如何实现？

📋 回答重点
  • 循环：调 LLM → 判断有无 tool_calls → 有则执行并回传 → 把助手消息（含 tool_calls）也 append → 再循环
  • 终止条件：无 tool_call、达到 max_steps、模型输出 Final Answer
  • messages 列表就是 loop 的「状态」，逐步累积

扩展知识

  • 框架（LangGraph）抽象成节点 + 边 + 条件循环
  • 详细讲解：AI Agent

36. Agent 的 streaming（流式）如何实现？

📋 回答重点
  • 两层：LLM token 流（逐 token 显示）+ 工具调用流（JSON 参数增量解析）
  • 事件流设计：on_llm_start → on_token → on_tool_start → on_tool_end → on_final
  • 好处：用户实时看到进度，降低等待感知

扩展知识

  • 增量解析要容错不完整 JSON；工具调用中途可能失败
  • 详细讲解：AI Agent

37. human-in-the-loop 有哪些模式？

📋 回答重点
  • 审批（approval）：关键操作前等人工批准再执行（支付/删除）
  • 暂停（pause/interrupt）：检查点暂停等输入后继续
  • 接管（takeover）：人工接管控制权（Agent 卡死/危险）

扩展知识

  • LangGraph interrupt/resume 实现；高危操作必经人
  • 详细讲解：AI Agent

38. Agent 的可观测性（tracing）如何做？

📋 回答重点
  • 记录：每步输入/输出、工具调用与结果、token、延迟、成本、模型版本
  • 结构：trace（一次任务）+ span（子步骤），父子关联成调用树
  • 工具：LangSmith、Langfuse、Phoenix、OpenTelemetry

扩展知识

  • 用途：调试回放、评估、成本分析、回归测试
  • 详细讲解：AI Agent

39. 沙箱和权限如何设计？

📋 回答重点
  • 沙箱：容器（Docker）/VM/gVisor 隔离，限网络/文件、资源配额、超时
  • 权限：白名单工具、参数校验、最小权限、高危拦截（人工确认）
  • 每个工具声明所需权限，运行时判定，全程审计

扩展知识

  • 沙箱限网络/文件，工具限能力
  • 详细讲解：AI Agent

40. Agent 的 state 如何持久化？

📋 回答重点
  • state = 会话消息、中间结果、计划状态、记忆指针
  • 方案：Postgres/Redis/对象存储 + checkpointer 快照序列化
  • 只存可序列化数据；用 thread_id 标识会话，恢复时取最新 state

扩展知识

  • 好处：崩溃恢复、跨会话续跑、人工介入、时间旅行
  • 详细讲解：AI Agent

41. checkpoint 和恢复如何实现？

📋 回答重点
  • 每个节点/步骤执行后保存 state 快照（含输入输出消息）
  • 失败/暂停时从最近 checkpoint 恢复：重放、时间旅行、人工介入
  • LangGraph：checkpointer + thread_id + interrupt/resume

扩展知识

  • 从 checkpoint 重跑避免从头执行
  • 详细讲解：AI Agent

42. 死循环检测如何实现？

📋 回答重点
  • 手段：max_iterations 限步、重复 Action 哈希检测、无进展检测、token 增长监控
  • 处理：终止后提示「换策略或给最终答案」或降级/转人工
  • 结合超时 + token 预算兜底

扩展知识

  • 重复检测：用 deque 缓存最近 tool_call 的 (name, args) 哈希
  • 详细讲解：AI Agent

43. token 预算如何管理？

📋 回答重点
  • 三重预算：总 token 上限、单步上限、工具结果长度上限
  • 控制：摘要/压缩、prompt caching、截断、模型分层、限制步数
  • 超限即压缩或终止，实时告警/降级

扩展知识

  • prompt caching 省输入成本
  • 详细讲解：AI Agent

44. 轨迹评估（trajectory evaluation）是什么？

📋 回答重点
  • 不只评最终答案，还评中间执行轨迹是否合理、高效
  • 维度：正确性、步骤合理性、工具选择、效率（步数/token/延迟）、鲁棒性
  • 方法：参考轨迹比对、LLM-as-judge、过程奖励 PRM（vs 结果奖励 ORM）

扩展知识

  • PRM 给每一步打奖励，而非只给最终结果
  • 详细讲解：AI Agent

45. prompt injection 如何攻防？

📋 回答重点
  • 攻击：直接注入、间接注入（藏网页/文档/邮件/工具返回）、越狱
  • 防御：指令/数据隔离、输入过滤、最小权限、人工确认、输出过滤/沙箱、防御性系统提示
  • 本质：LLM 无法天然区分指令与数据，间接注入最难防，需纵深防御

扩展知识

  • 外部内容一律当数据，不当指令
  • 详细讲解：AI Agent

46. 工具越权的最小权限如何设计？

📋 回答重点
  • 越权：水平越权（访问他人数据）、垂直越权（低权限调高权限工具）
  • 最小权限：角色权限、工具级 ACL、参数校验、按需授权（临时提权人工批）、审计
  • 关键：身份从会话注入，不让模型自己传身份参数

扩展知识

  • 数据库工具只给只读 + 白名单表，写操作单独确认
  • 详细讲解：AI Agent

47. Agent 的成本如何控制？

📋 回答重点
  • 成本构成：输入 token（长上下文重放）、输出 token（多轮推理）、工具调用费、多 Agent 叠加
  • 控制：模型分层、上下文压缩、限制步数、并行合并、批处理
  • 用「成功率/成本」做性价比评估，设单任务成本上限

扩展知识

  • 规划用大模型、执行/抽取用小模型
  • 详细讲解：AI Agent

48. coding agent（SWE-agent/Devin）是如何工作的？

📋 回答重点
  • 让 LLM 在真实仓库自主定位、修改、测试代码，完成 issue 修复
  • SWE-agent 的 ACI：给模型精简易用的命令与文件查看器，比原始 shell 易掌握
  • 靠真实执行反馈闭环：改码 → 跑测试 → 看报错 → 继续改；Devin 加长期规划与独立部署

扩展知识

  • SWE-bench 从真实 GitHub issue 评测能否生成可过测试的 patch
  • 详细讲解：AI Agent

49. browser agent（WebArena）是什么？

📋 回答重点
  • LLM 通过操作浏览器（点击/输入/导航）完成真实网页任务
  • 实现：Playwright/Selenium 控制，观察用 DOM/截图（+A11y 树），动作是点击输入滚动导航
  • WebArena 是真实网站（电商/论坛/GitLab/地图/CMS）基准，评测任务完成率

扩展知识

  • 难点：页面状态大、动作空间大、动态内容、登录/验证码
  • 详细讲解：AI Agent

50. Agent 和 Workflow 的边界如何划分？

📋 回答重点
  • Workflow：流程固定可预测、步骤可枚举 → 预编排（更可靠可控省成本）
  • Agent：任务开放、需动态决策（未知路径/探索）→ 用 Agent
  • 实践（Anthropic）：能用 workflow 就不用 Agent，常用混合架构，给 Agent 明确任务+清晰工具+结构化输出换可靠性

扩展知识

  • 主干用 workflow，少数节点是 Agent
  • 详细讲解：AI Agent