auto_ai 知识库

Appearance

一句话总结：Agent 面试的底层就三件事——手撕 ReAct 循环、讲清选型与避坑、会做系统设计；把 22 道高频题归成 6 块逐一击破，用"经验值 + 分层方案"回答，就与背八股的人拉开差距。

考点地图（6 块对应高频题） ​

板块核心考点对应问题
概念架构Agent vs LLM、五大模块（感知/记忆/规划/决策执行/反思反馈）什么是 Agent
推理模式手写 ReAct、ReAct vs P&E vs Reflection、任务拆分Q4-Q7
工具调用好工具定义、工具幻觉、并行调用、分层错误Q8-Q9
RAG 与记忆Chunk 策略、上下文压缩、长短期记忆设计Q13-Q14
评估可观测Eval 三层、无 Tracing 排障、Token SpikeQ15-Q16
系统设计手机端架构、失败兜底分级、多 Agent 通信场景设计题

最高频手撕：ReAct 核心循环 ​

  • 格式：Thought → Action → Action Input →（工具结果回注）→ 循环 → Final Answer；或用 Tool Calling 结构化输出
  • max_iterations 的作用：防无限循环与 Token 爆炸——死循环一次对话可消耗数百万 Token
  • 并行 Tool Calling：工具无依赖时 LLM 一次生成多个 tool_call，asyncio.gather 并发执行
  • 错误自纠：工具报错作为新 Observation 回注，让模型分析原因、修正参数重试——白板题常考
python
# 骨架（面试默写级别）
for step in range(max_iterations):
    resp = llm(messages)
    if resp 是 Final Answer: return resp
    result = execute_tool(resp)      # try/except 包住，错误转 Observation
    messages.append(tool_result(result))
return "无法完成，请简化需求"

推理模式选型（讲清比背定义值钱） ​

维度ReActPlan-and-Execute
执行方式边想边做先定完整计划再执行
灵活性高，随时改方向低，计划后不易变
长任务易跑偏/死循环结构清晰
错误恢复天然支持需重规划机制
开销无显式规划成本计划期多耗 Token

选型口诀：订票类多步依赖 → ReAct；周报/多文件重构 → P&E；研究探索/Debug → ReAct。生产常用混合：先 High-Level Plan，每步用 ReAct 细粒度决策，阻塞时允许重规划（Plan-and-Solve + ReAct）。

工具调用避坑（带经验值） ​

  • 工具从 5 个增到 20 个，Tool Calling 准确率约 95% → 75-80%；每级 5-8 个分组可恢复 90%+
  • 多细粒度工具封装成粗粒度工具、内部二次路由
  • 工具错误信息就是新 Observation：错误消息写得能自纠，Agent 才智能
  • 只重试幂等调用（防重复副作用）；写入类操作人工确认 + 审计

死循环与失败兜底 ​

死循环 4 表现：反复同工具换参；工具互调；报错→重试死循环；只推理不行动。

恢复阶梯：Prompt Intervention（提示换方向）→ 上下文截断 → 强制摘要重启 → 降级纯问答 → 转人工。

生产绝对兜底：达最大轮次 / Token 预算上限 → 强制结束并回复"当前无法完成，请尝试简化您的需求"或转人工。

幻觉与缓解 ​

  • 工具幻觉：调用了不存在的工具/参数
  • 行动幻觉：以为调用了工具，实际没执行
  • 缓解六手段：Tool Calling+结构化输出 / 约束解码（JSON Schema/GBNF）/ RAG 提供事实上下文 / Self-Consistency 多路验证 / Confidence Scoring（低分不展示）/ HITL（支付、删除等关键决策人工确认）

RAG 与记忆（常背的一组参数） ​

  • Chunk Size 256-512 tokens、Overlap 10-20%、Top-K 3-5；加一层 Rerank 显著提升质量；代码与自然语言文档用不同 Chunk 策略
  • 上下文窗口满了：Token 预算分配（每轮上限如 20K）+ 强制摘要压缩 + 分层记忆（短期对话 / 长期向量库 / 超长期知识图谱）
  • 高频追问：向量库怎么选型、记忆冗余怎么解决、召回怎么优化

Eval 三层体系与排障 ​

Eval 三层：单元级（工具/单步正确性）→ 轨迹级（整条 reasoning 轨迹质量）→ 端到端（任务成功率 + 成本 + 延迟）。

排障核心认知：Agent 输出不确定，不能像 Debug 代码一样排；没有 Tracing 就是盲人摸象——上线前必须接 LangSmith/LangFuse（最重要的基础设施投资）。

Token Spike 四排查：Tool Loop？工具返回巨量数据？问题超出模型能力？System Prompt / Tool 定义太大？

系统设计套路（场景题答题框架） ​

  • 手机端 Agent 架构：端侧做意图分类 + 简单问答 + 工具路由，云端做复杂推理 + 长文本生成；关键数据（通讯录/短信）不离开设备；DataStore/Room 会话持久化
  • 失败兜底分级：重试（指数退避）→ 降级（备用模型/简化路径）→ 人工接管——答出分级 = 有生产经验
  • 多 Agent 警示：3 个以上协调成本指数上升；一个 Agent + 好 Prompt 能解决的不拆（过度设计）；Agent 通信用结构化协议（定义消息 Schema）+ 超时机制 + 共享上下文（黑板）
  • 安全分层：System Prompt 禁止写操作 → Tool 内部 SQL 解析（拒 DELETE/DROP/TRUNCATE）→ 写操作二次确认 + 审计日志

答题心法 ​

  • 每个方案都要能说出代价（延迟、Token、协调成本）——"代价意识"是拉分点
  • 多引用经验值（95%→75-80%、256-512、Top-K 3-5）证明上过线
  • 系统设计先分层再讲细节：端侧/云端、短期/长期、重试/降级/人工

一句话总结 ​

Agent 面试考的不是记忆，是"循环理解 + 选型直觉 + 生产兜底"：能默写 ReAct 骨架、能报出工具数量与准确率曲线、能把失败兜底分成三级，就超过了大部分候选人。

相关概念 ​

  • [AI-Agent-实战教程](/学习笔记/AI技术/AI Agent/AI-Agent-实战教程) — 手写循环与生产化的完整落地
  • [AI-Agent-工具调用](/学习笔记/AI技术/AI Agent/AI-Agent-工具调用) — 错误分类与重试策略
  • [AI-Agent-工作流编排](/学习笔记/AI技术/AI Agent/AI-Agent-工作流编排) — Workflows vs Agents、设计模式
  • [AI-Agent-评估评测](/学习笔记/AI技术/AI Agent/AI-Agent-评估评测) — Eval 体系细节
  • [AI-Agent-安全](/学习笔记/AI技术/AI Agent/AI-Agent-安全) — 提示注入与分层防御
  • [AI-Agent-记忆系统](/学习笔记/AI技术/AI Agent/AI-Agent-记忆系统) — 长短期记忆设计