Agent / 大模型高频题单

来源：bcefghj/ai-agent-interview-guide（MIT） 完整答案在 6.interviews/参考/ai-agent-interview-guide/docs/。 05-STAR面试稿 和 04-简历模板 可以直接抄，project-go/ 是一个完整的 Go Agent 项目。

一、八股文（9 个模块）

01-基础概念（9）

• 1. 什么是 AI Agent
• 2. Agent vs LLM Chain vs ChatBot
• 3. Agent 的核心组成
• 4. Agent 的工作流程
• 5. Agent 的分类
• 6. Agent 的应用场景
• 7. Agent 的挑战与局限
• 8. 综合面试题库（15+ 题）
• 附：知识点速查表

02-核心框架（9）

• 1. ReAct 框架（重点中的重点）
• 2. Plan-and-Execute 框架
• 3. Reflexion 框架
• 4. LATS（Language Agent Tree Search）
• 5. LangChain Agent 实现
• 6. LangGraph 状态机
• 7. AutoGen / CrewAI 等多 Agent 框架
• 8. 模块综合：15+ 道高频面试题速查
• 附录：对比速记表

03-RAG技术（13）

• 1. RAG 基础
• 2. 文档解析与预处理
• 3. 文档分块策略（Chunking）
• 4. 向量化（Embedding）
• 5. 向量数据库
• 6. 检索策略
• 7. 重排序（Reranking）
• 8. RAG 高级模式
• 9. RAG 评估
• 10. RAG 生产优化
• 11. 综合面试题库（20+ 题）
• 附录：LangChain 向量存储检索（LCEL 示意）
• 小结

04-工具调用（9）

• 1. Function Calling 基础
• 2. Tool Use / Tool Calling
• 3. MCP 协议（Model Context Protocol）
• 4. 工具路由（Tool Routing）
• 5. 工具编排（Tool Orchestration）
• 6. 安全性
• 7. 常见工具实现
• 8. 综合面试题精选（≥15 题）
• 小结

05-记忆系统（10）

• 1. 记忆系统概述
• 2. 短期记忆（Short-term / Working Memory）
• 3. 长期记忆（Long-term Memory）
• 4. 会话摘要与压缩
• 5. 情景记忆与语义记忆
• 6. 记忆检索策略
• 7. 高级记忆框架
• 8. 记忆在生产中的挑战
• 附：更多高频面试题（Q16～Q20）与简短标准答
• 小结

06-多智能体（11）

• 1. 为什么需要多智能体
• 2. 三大协作模式
• 3. 通信机制
• 4. 任务分配策略
• 5. 冲突解决
• 6. 状态管理与同步
• 7. 主流多 Agent 框架
• 8. 多 Agent 在企业中的应用
• 9. 生产挑战
• 附：更多高频面试题（Q16～Q20）与简短标准答
• 本篇小结（背调清单）

07-大模型基础（11）

• 1. Transformer 架构
• 2. 注意力机制详解
• 3. Tokenization
• 4. 大模型推理
• 5. 模型微调
• 6. 对齐技术
• 7. 模型量化
• 8. 推理优化
• 9. 前沿模型与选型
• 10. 综合面试题库（20+ 题）
• 附录：速查公式与术语

08-工程化实践（10）

• 1. 模型路由与容错
• 2. Token 成本控制
• 3. 全链路可观测性
• 4. 安全与权限
• 5. 部署与运维
• 6. 性能优化
• 7. 评估与测试
• 8. 幻觉问题的工程解决方案
• 9. 综合面试题库（15+ 题）
• 小结检查清单（面试前自测）

09-Prompt工程（15）

• 1. Prompt Engineering 基础
• 2. Prompt 设计原则
• 3. Few-shot Learning
• 4. Chain-of-Thought（CoT）思维链
• 5. 自我反思 Prompt
• 6. 结构化输出
• 摘要
• 关键指标
• 风险与建议
• 7. System Prompt 设计
• 8. Prompt 注入与防御
• 9. Prompt 优化技巧
• 10. Agent 中的核心 Prompt 模板
• 11. 综合面试题精选（≥15 题）
• 附录：速查清单（面试前 5 分钟）

二、面试问答集（95 题）

这一节是真实面试口径的问答，比八股更值钱。答案在 docs/06-面试问答集/README.md。

第一类：架构设计类问题（18）

• Q1: 为什么选择 ReAct 模式而不是 Plan-and-Execute？
• Q2: 为什么采用多路检索而不是单一向量检索？
• Q3: Agent 编排器是怎么设计的？为什么这样设计？
• Q4: 多 Agent 协作和单 Agent 有什么区别？你怎么选择？
• Q5: 意图识别模块是怎么实现的？
• Q6: 为什么选择 Milvus 而不是其他向量数据库？
• Q7: 系统的可扩展性是怎么设计的？
• Q8: 如果让你重新设计这个系统，你会怎么改进？
• Q9: 你的系统能支持多少并发？怎么评估的？
• Q10: 为什么要做模型路由？直接用一个模型不行吗？
• Q11: 怎么设计的对话管理和上下文维护？
• Q12: 你的系统支持哪些模型？怎么做模型适配的？
• Q13: 如何处理长文档输入？上下文窗口不够怎么办？
• Q14: 系统的安全架构是怎么设计的？
• Q15: 你怎么看待 MCP（Model Context Protocol）？在你的系统中是怎么使用的？
• Q16: 如何设计 Agent 的错误恢复和重试机制？
• Q17: 你的系统支持多租户吗？怎么实现的？
• Q18: 你怎么看 Agent 架构的未来发展？

第二类：技术实现类问题（18）

• Q1: 向量数据库是怎么选型的？分块策略是什么？
• Q2: ReAct 的 Prompt 是怎么设计的？
• Q3: 熔断器是怎么实现的？三个状态是什么？
• Q4: 记忆系统的短期和长期记忆是怎么配合的？
• Q5: 文档解析支持哪些格式？怎么处理表格和图片？
• Q6: 重排序是怎么做的？用的什么模型？
• Q7: Function Calling 和 MCP 有什么区别？你怎么选的？
• Q8: 会话摘要压缩的阈值是多少？怎么确定的？
• Q9: RRF 融合排序的公式是什么？权重怎么调？
• Q10: 嵌入模型用的什么？维度多少？怎么选的？
• Q11: Guardrails（护栏）是怎么实现的？
• Q12: 怎么实现的 Streaming 流式输出？
• Q13: 怎么做的日志和链路追踪？
• Q14: 怎么做的异步并行处理？
• Q15: 知识图谱是怎么构建和使用的？
• Q16: 怎么做的 A/B 测试和 Prompt 版本管理？
• Q17: Token 计数和费用统计是怎么实现的？
• Q18: 怎么做的数据预处理和数据清洗？

第三类：性能优化类问题（12）

• Q1: Token 成本是怎么控制的？
• Q2: 延迟优化做了哪些措施？
• Q3: 缓存策略是什么？命中率多少？
• Q4: 流式输出是怎么实现的？
• Q5: 异步处理在哪些地方使用了？
• Q6: 数据库查询是怎么优化的？
• Q7: 模型推理速度是怎么优化的？
• Q8: 前端渲染性能怎么优化？
• Q9: 冷启动问题是怎么解决的？
• Q10: 网络传输是怎么优化的？
• Q11: Embedding 计算是怎么优化的？
• Q12: 怎么做的资源监控和自动扩缩容？

第四类：故障处理类问题（12）

• Q1: Agent 死循环怎么检测和防止的？
• Q2: 模型幻觉怎么控制的？
• Q3: 模型超时怎么处理？
• Q4: 检索结果不准确怎么办？
• Q5: 工具调用失败怎么处理？
• Q6: 多 Agent 之间通信失败怎么处理？
• Q7: 知识库数据不一致怎么处理？
• Q8: 高并发下的限流降级策略是什么？
• Q9: 数据丢失和恢复策略是什么？
• Q10: 模型输出格式异常怎么处理？
• Q11: 敏感信息泄露怎么防止？
• Q12: 系统容量规划是怎么做的？

第五类：工程质量类问题（12）

• Q1: 怎么做的测试？覆盖率多少？
• Q2: 怎么做的监控和告警？
• Q3: 怎么部署的？CI/CD 是什么流程？
• Q4: 日志系统怎么设计的？
• Q5: 安全性怎么保证的？（Prompt 注入等）
• Q6: 代码质量是怎么保证的？
• Q7: 文档是怎么维护的？
• Q8: 怎么做的版本管理和发布管理？
• Q9: 怎么做技术债务管理？
• Q10: 如何做的性能基准测试？
• Q11: 怎么做的配置管理？
• Q12: 团队协作和知识共享是怎么做的？

第六类：业务理解类问题（8）

• Q1: 你的系统解决了什么业务问题？
• Q2: 用户反馈怎么样？怎么收集和处理的？
• Q3: 你觉得 AI Agent 在企业中的价值是什么？
• Q4: 和竞品相比你们的优势是什么？
• Q5: 下一步的技术规划是什么？
• Q6: 你在项目中的角色是什么？最大的贡献是什么？
• Q7: 项目中遇到的最大挑战是什么？怎么解决的？
• Q8: 这个项目的 ROI 是怎么计算的？

第七类：基础知识追问（12）

• Q1: Transformer 的 Self-Attention 怎么计算？
• Q2: LoRA 的原理是什么？为什么低秩有效？
• Q3: RAG 和微调怎么选？各自优劣？
• Q4: KV Cache 是什么？为什么需要？
• Q5: RLHF 和 DPO 的区别？
• Q6: Embedding 模型是怎么训练的？对比学习怎么做的？
• Q7: 向量数据库的索引原理是什么？HNSW 怎么工作的？
• Q8: Prompt Engineering 有哪些关键技巧？
• Q9: 大模型的 Context Window 限制怎么突破？
• Q10: LLM 的解码策略有哪些？Temperature 和 Top-p 怎么影响输出？
• Q11: 什么是 Agent 的工具学习（Tool Learning）？
• Q12: 什么是 Mixture of Experts（MoE）？为什么重要？

附录：面试技巧（3）

• 回答 STAR 法则要点
• 常见追问应对
• 核心竞争力总结