xmengai.com

Appearance

Agent_Basics 面试专题手册 ​

💡 本章节共收录 2112 道面试真题，建议每天复习 10-20 题。

Q1: 在开发中，你怎么判断任务该用Workflow还是自主决策的Agent？ ​

【核心解析】 任务确定性程度；步骤可预定义性；对灵活性和容错性的需求；工具调用和动态环境交互的复杂度

Q2: 介绍一下你的Agent项目架构 ​

【核心解析】 整体架构设计（如分层、模块划分）；Agent的核心组件（规划、记忆、工具使用）；技术栈选型与理由；数据流与控制流；架构的扩展性与维护性

Q3: 你的Agent项目用的是什么大模型？ ​

【核心解析】 模型选型依据（性能、成本、延迟）；模型版本与特性；是否使用微调或提示工程；模型部署方式；与业务需求的匹配度

Q4: 对模型的推理框架有了解吗？ ​

【核心解析】 主流推理框架（vLLM、TensorRT-LLM、llama.cpp等）；推理优化技术（量化、KV缓存、批处理）；部署环境（本地、云端）；延迟与吞吐量权衡；框架选型理由

Q5: Temperature参数调高和调低，分别会对模型的输出产生什么影响？ ​

【核心解析】 Temperature控制输出概率分布的平滑度；调低（接近0）使模型更确定性，倾向选择高概率词，输出更保守、一致；调高（>1）使分布更平坦，增加低概率词被选中的机会，输出更多样、有创造性，但也可能增加不连贯或幻觉。

Q6: 在Agent开发中，如何通过Prompt实现高效的指代消除和意图识别？ ​

【核心解析】 使用明确的指令要求模型解析代词指代对象；提供上下文示例（few-shot）引导模型进行指代消解；结合对话历史构建完整语义；利用结构化输出（如JSON）强制模型明确意图和实体；对模糊意图进行澄清式反问。

Q7: 提示词工程高阶技巧：什么是思维链（CoT）和思维树（ToT）？ ​

【核心解析】 思维链（Chain-of-Thought）通过逐步推理示例引导模型生成中间推理步骤，提升复杂推理能力；思维树（Tree-of-Thoughts）扩展CoT，允许模型在推理时探索多个分支，评估并回溯，适用于规划、搜索等任务；CoT适合线性推理，ToT适合需要探索和决策的任务；两者均需设计有效的提示模板和停止条件。

Q8: Workflow和Agent的区别是什么？ ​

【核心解析】 Workflow是预定义步骤的静态流程，Agent是动态决策的自主实体；Agent具备环境感知和工具使用能力；Workflow通常无状态，Agent维护上下文记忆；Agent能处理非确定性任务，Workflow适合确定性流程

Q9: 你之前开发过 agent，怎么管理它的 context？ ​

【核心解析】 上下文窗口限制与 token 管理；记忆机制（短期/长期/工作记忆）；上下文压缩与摘要技术；多轮对话的状态管理；向量数据库与外部存储

Q10: 了解过Transformer模型结构吗？ ​

【核心解析】 Transformer由编码器和解码器组成，核心为自注意力机制；自注意力计算Query、Key、Value的缩放点积，捕获序列内依赖；多头注意力通过多个注意力头关注不同表示子空间；位置编码注入序列顺序信息；前馈网络进行非线性变换；残差连接和层归一化促进训练；Transformer在NLP和CV等领域广泛应用。

Q11: 你如何理解主Chat产品的核心价值？它和搜索、Agent、传统工具型产品的边界分别在哪里？ ​

【核心解析】 主Chat产品以对话交互为核心，提供拟人化、多轮上下文理解的自然语言体验；搜索强调信息检索与链接导航，边界在于是否直接生成答案并保持对话连续性；Agent侧重自主任务执行与工具调用，边界在于是否主动规划并操作外部环境；传统工具型产品功能明确、交互固定，边界在于灵活性与泛化能力。

Q12: 请解释 workflow、agent 和 skill 之间的区别。 ​

【核心解析】 workflow 是预定义的步骤序列，通常无自主决策；agent 是能感知环境并自主执行动作以实现目标的实体；skill 是 agent 可调用的具体能力或功能单元；三者关系：agent 可通过 workflow 编排多个 skill 完成复杂任务。

Q13: 你如何看待传统算法与 Agent 应用的区别？ ​

【核心解析】 传统算法通常针对特定问题设计确定性步骤；Agent 强调在开放环境中的自主决策与适应性；Agent 常结合 LLM 进行推理和规划，而传统算法依赖人工规则或模型；Agent 更适合动态、多步、需要工具交互的任务。

Q14: 提升 LLM 推理效率和降低成本的方法有哪些？ ​

【核心解析】 模型优化：量化（Quantization）、剪枝（Pruning）、蒸馏（Distillation）、低秩分解（Low-Rank Factorization）；推理优化：KV缓存优化（PagedAttention、Multi-Query Attention）、算子融合、批处理（Batching）、投机解码（Speculative Decoding）；系统架构：分布式推理、模型并行、流水线并行；服务策略：请求调度、缓存相似请求、动态批处理；硬件加速：使用GPU/TPU、专用推理芯片、混合精度推理

Q15: 线程池的核心构造参数有哪些？ ​

【核心解析】 核心参数：corePoolSize（核心线程数）、maximumPoolSize（最大线程数）、keepAliveTime（空闲线程存活时间）、unit（时间单位）、workQueue（工作队列）；拒绝策略：AbortPolicy（抛异常）、CallerRunsPolicy（调用者执行）、DiscardPolicy（丢弃）、DiscardOldestPolicy（丢弃最旧）；线程工厂：自定义线程命名、守护线程设置；队列类型：SynchronousQueue、LinkedBlockingQueue、ArrayBlockingQueue；参数设置原则：CPU密集型（核心数+1）、IO密集型（2*CPU核心数）

Q16: 一个有队列的线程池，请求不断进来，说说线程池内部的执行逻辑。 ​

【核心解析】 执行流程：提交任务 -> 若核心线程未满则创建核心线程执行；若核心线程已满则任务入队；若队列已满且最大线程数未满则创建非核心线程执行；若最大线程数已满则执行拒绝策略；线程回收：非核心线程在空闲超过keepAliveTime后回收；队列作用：缓冲任务，解耦提交与执行；注意事项：队列无界可能导致OOM，有界队列需合理设置容量和拒绝策略；状态转换：RUNNING、SHUTDOWN、STOP、TIDYING、TERMINATED

Q17: 目前了解到Agent方向最新的东西有什么 ​

【核心解析】 Agent领域的最新进展，如多模态Agent、工具调用增强、长短期记忆融合；当前主流Agent框架（LangChain、AutoGPT等）的演进；Agent在复杂任务规划与执行上的突破；学术界与工业界的前沿趋势

Q18: Agent和模型方面你更倾向于什么 ​

【核心解析】 对Agent架构与模型能力的权衡；倾向于端到端模型还是模块化Agent设计；模型能力（如推理、规划）与工程化（如工具调用、记忆）的侧重；个人技术偏好与项目经验结合

Q19: 常用的提示词工程技巧有哪些？ ​

【核心解析】 角色扮演（设定专家身份）；思维链（Chain-of-Thought）引导逐步推理；少样本提示（Few-shot）提供示例；结构化输出要求（如JSON格式）；分步指令和约束条件明确化；使用“让我们一步一步思考”等触发词；避免歧义，提供正反例。

Q20: 请说明 LangChain 和 LangGraph 的主要区别及适用场景。 ​

【核心解析】 LangChain 面向线性链式工作流；LangGraph 支持有状态、循环、条件分支的图结构；LangGraph 更适合复杂多步骤智能体；状态管理与节点编排差异；实际案例对比

Q21: agent系统架构设计和核心优化 ​

【核心解析】 Agent系统的基本架构（感知、规划、执行、记忆）；模块化设计与解耦；性能优化（延迟、吞吐量）；资源管理与调度；可扩展性与鲁棒性设计

Q22: 自主agent ​

【核心解析】 自主Agent的定义与特征；自主决策与规划能力；目标驱动与任务分解；环境感知与适应；自主Agent的挑战（安全性、可控性）

Q23: 一个完整的 Agent 包含哪几个核心模块？ ​

【核心解析】 感知模块（输入处理）；规划模块（任务分解与决策）；记忆模块（短期/长期记忆）；工具使用模块；执行与反馈循环

Q24: 阐述Agent（智能体）和LLM（大语言模型）的区别，如果让你从零开发Agent，会重点考虑哪些核心要素？ ​

【核心解析】 LLM是纯文本推理引擎，Agent具备感知、规划、工具使用和记忆等能力；核心要素包括：任务规划模块（如ReAct、Plan-and-Execute）、工具集成框架（函数调用、API封装）、记忆系统（短期/长期/工作记忆）、错误处理与自我反思机制、安全护栏

Q25: 阐述Agent（智能体）和LLM（大语言模型）的区别，如果让你从零开发Agent，会重点考虑哪些核心要素 ​

【核心解析】 Agent是具备自主感知、决策、执行能力的实体，LLM是其核心推理组件；Agent需集成规划、工具使用、记忆等模块；开发Agent需考虑任务规划与分解能力；工具调用与外部环境交互接口；记忆管理与上下文窗口限制；安全性与可靠性机制

Q26: 对整个Agent发展的理解评论 ​

【核心解析】 Agent从单一任务向多步自主决策演进；LLM作为核心推理引擎的突破；工具使用与外部环境交互的增强；多Agent协作与分布式架构；安全、伦理与对齐问题；未来在复杂任务自动化中的潜力

Q27: 项目中 agent 执行一个进程有哪几种方式？ ​

【核心解析】 Agent 执行进程的方式通常包括：同步调用（阻塞等待结果）、异步任务（消息队列或后台任务）、流式执行（SSE 或 WebSocket 逐步返回）、子进程或沙箱执行（安全隔离运行代码或命令）；需根据任务耗时、资源隔离需求和实时性要求选择合适方式。

Q28: 你对Agent范式怎么理解 ​

【核心解析】 Agent的定义与核心组件（感知、规划、执行）；主流范式如ReAct、Plan-and-Execute、Reflection；与传统程序的差异（自主性、推理能力）；LLM在Agent中的角色；Agent的适用场景与局限性

Q29: 模型和 Agent 的区别是什么？ ​

【核心解析】 模型（LLM）是纯文本输入输出的推理引擎，不具备自主行动能力；Agent 是在模型基础上增加了规划、工具调用、记忆等模块，能够感知环境、制定计划并执行动作的自主系统；Agent 强调目标导向和与环境交互，而模型仅提供语言理解和生成。

Q30: Claude Code 的源码结构、Skill 与 Agent 机制是怎样的？如何将普通 Agent 项目升级到 Claude Code 级别？ ​

【核心解析】 Claude Code 的 Skill 模块化设计；Agent 的自主规划与执行流程；从简单 Agent 到复杂 Agent 的架构演进；Spring AI 阿里巴巴渐进式框架的集成思路

Q31: 请整体介绍你的Agent项目，包括模块划分、执行流程、数据量级、遇到的难点以及实现过程中不符合预期的地方。 ​

【核心解析】 Agent项目的整体架构与模块设计；核心执行流程与数据流；项目中的数据量级与规模；开发过程中遇到的主要难点与挑战；实现结果与预期不符的案例分析。

Q32: Agent的Prompt是如何设计的？针对模型幻觉问题做了哪些约束？ ​

【核心解析】 Prompt的设计原则与结构（如角色设定、任务描述、输出格式）；减少幻觉的约束策略（如事实核查指令、引用溯源）；Prompt迭代优化的方法与案例；幻觉问题的评估与监控。

Q33: Transformer中的位置编码有哪些类型？绝对位置编码和相对位置编码的区别是什么？各自的适用场景和效果如何？ ​

【核心解析】 绝对位置编码（如正弦/余弦、可学习）的原理与特点；相对位置编码（如T5、RoPE）的原理与特点；两者在长序列建模、外推能力上的差异；不同PE对模型性能的影响；典型模型（BERT、GPT、LLaMA）中PE的选择

Q34: 在Transformer中，Norm层（如LayerNorm、RMSNorm）通常放在什么位置？有哪些变体？各自有什么优缺点？ ​

【核心解析】 Post-LN与Pre-LN的差异及对训练稳定性的影响；LayerNorm与RMSNorm的计算原理；Norm层位置（如QKV后、FFN后）的常见设计；不同Norm对梯度流动和收敛速度的影响；DeepNorm等改进方案

Q35: Agent系统通常包含哪些核心组件？请介绍相关技术。 ​

【核心解析】 规划（Planning）模块（任务分解、反思）；工具调用（Tool Use）与函数注册；记忆（Memory）与RAG（检索增强生成）；多Agent协作与通信；安全与评估机制

Q36: Agent循环的整体流程是怎样的？ ​

【核心解析】 Agent感知环境、规划、执行、观察反馈的循环过程；LLM在循环中的角色（如推理、决策）；工具调用与记忆更新的集成；循环终止条件的设计

Q37: 如何管理Agent的状态和上下文？ ​

【核心解析】 状态表示（如对话历史、任务进度）；上下文窗口限制与压缩策略；记忆系统（短期/长期记忆）的设计；状态持久化与恢复机制

Q38: 如何看待大模型与Agent的未来发展？ ​

【核心解析】 大模型能力提升对Agent自主性的影响；多模态与具身智能的融合；Agent在垂直领域的落地挑战；安全与伦理问题

Q39: 为什么使用DeepSeek V？Agent项目方案是什么？AI思考是指思考什么？思考依赖大模型本身的推理能力，还是在模型之外搭建了一套机制？ ​

【核心解析】 模型选型依据（性能、成本、开源生态、推理能力）；Agent整体架构设计（规划、执行、反思）；AI思考的含义（推理、规划、自我反思）；模型原生推理能力与外部推理框架（如ReAct、CoT）的结合；思考机制的可解释性与可控性

Q40: 在ReAct框架中，Thought和Action的循环是如何终止的？如果中途解析失败如何处理？ ​

【核心解析】 终止条件包括最大迭代次数、达到最终答案或特殊结束动作；解析失败时的异常处理机制，如重试、回退或返回错误信息；实际实现中需考虑超时、资源限制等边界情况；LangChain等框架中的默认处理与自定义扩展方法。

Q41: 是否有使用Agent开发框架，比如LangChain？ ​

【核心解析】 了解候选人对主流框架的熟悉程度，如LangChain、AutoGen、CrewAI等；考察框架选型理由、使用体验、优缺点；关注是否理解框架底层原理，而非仅调用API

Q42: 对话 LLM 与普通生成模型的核心区别是什么？在多轮交互中如何有效管理对话状态？ ​

【核心解析】 对话 LLM 需维护用户意图、对话状态、约束条件和安全边界，而非仅做 next token prediction；历史信息不等价于有效状态，需根据当前轮次重新解释历史；工程上通常将对话拆分为短期上下文、摘要状态、长期偏好和外部检索证据；核心难点在于上下文一致性、角色一致性、拒答策略、澄清提问和工具调用。

Q43: Python 中元组和列表的区别是什么？函数是对象吗？装饰器的原理是什么？ ​

【核心解析】 元组不可变、列表可变；元组通常用于异构数据，列表用于同构数据；函数是对象，可赋值给变量、作为参数传递或返回；装饰器本质是接受函数作为参数并返回新函数的高阶函数，用于增强函数功能。

Q44: Agent有哪些常见的模式？ ​

【核心解析】 常见的Agent模式包括：ReAct（推理+行动）、Plan-and-Execute（先规划后执行）、Reflection（自我反思改进）、Tool-use（工具调用）、Multi-Agent协作；每种模式适用于不同复杂度的任务；模式的选择影响系统的自主性和可控性。

Q45: 除了工厂模型，还了解哪些模式？ ​

【核心解析】 常见设计模式（如单例、观察者、策略、装饰器）；在Agent开发中的应用（如策略模式用于工具选择，观察者模式用于事件驱动）；架构模式（如MVC、微服务）；Agent特定模式（如ReAct、Plan-and-Execute）

Q46: Token化和Embedding有什么区别？ ​

【核心解析】 Token化是将文本切分为子词/字符；Embedding是将Token映射为稠密向量；Token化是预处理步骤；Embedding是模型参数；两者在NLP流程中的位置不同

Q47: 齐家网AI大模型面试：自我介绍，agent开发语言、环境，是否用过AI编程工具，会使用go吗 ​

【核心解析】 熟悉Python/Go等开发语言；了解Agent开发框架如LangChain；使用过AI编程辅助工具；具备跨语言开发能力

Q48: 请介绍一下你对Agent架构的了解。 ​

【核心解析】 Agent架构通常包含规划、记忆、工具使用等模块；规划模块负责任务分解与决策（如ReAct、Plan-and-Solve）；记忆模块包括短期记忆（上下文）和长期记忆（向量数据库）；工具使用模块允许Agent调用外部API；架构设计需平衡自主性与可控性

Q49: 大模型在推理时通常分哪两个阶段，每个阶段关注点是什么？ ​

【核心解析】 推理分为 prefill 和 decode 两个阶段；prefill 阶段一次性编码输入 prompt，关注吞吐、并行效率和长序列计算开销；decode 阶段逐 token 生成，关注单步延迟、KV Cache 复用和 batch 调度效率；理解两阶段有助于针对性优化推理性能

Q50: Go 语言中 context 的取消传播和值传递机制是怎样的？ ​

【核心解析】 父context取消会传播到所有子context；值传递用于在调用链中传递元数据，如HTTP请求中的tracer；消息重试可结合NACK机制或死信队列。

Q51: Transformer 中 Attention 的本质是什么？为什么它适合 Agent 场景？ ​

【核心解析】 Attention本质是动态加权信息选择，根据query分配不同token的影响力；优势是处理长距离依赖和内容寻址；Agent场景需从长历史、工具返回和外部知识中挑选有用信息；落地时需注意噪声干扰。

Q52: 在多轮对话 Agent 中，Attention 的局限性体现在哪些方面？ ​

【核心解析】 上下文长度有限，长历史需裁剪；纯Attention只能在已有上下文选信息，无法天然解决外部检索、长期记忆和状态恢复；适合信息融合，不适合单独承担任务记忆和运行时控制。

Q53: 推理模式有一个开关，知道是怎么生效的吗 ​

【核心解析】 推理模式开关通常指模型是否启用思维链（Chain-of-Thought）或慢思考机制；实现方式：通过系统提示或特殊Token控制模型生成详细推理步骤；开关生效原理：在推理时动态调整解码策略（如温度、Top-p）或注入特定前缀；可能涉及模型内部的路由机制（如MoE中的专家选择）；对推理质量和延迟的影响

Q54: 你做的 Agent 系统采用的是什么框架？ ​

【核心解析】 常见 Agent 框架（如 LangChain、AutoGPT、MetaGPT 等）的设计理念与适用场景；框架选型的考量因素（如任务复杂度、工具集成、多 Agent 协作需求）；自研框架与开源框架的权衡；框架的核心组件（规划、记忆、工具调用）的实现方式

Q55: LangGraph 和 LangChain 的区别是什么？ ​

【核心解析】 LangGraph 基于状态机模型，对循环和分支支持更好，适合复杂 Agent 流程；LangChain 是链式调用框架，适合线性流程；LangGraph 提供更好的可控性和可观测性，如状态显示、便于 trace 和调参；LangGraph 显式管理状态，支持条件路由和循环；在需要动态决策和循环的场景下 LangGraph 更优。

Q56: agent原理是什么？skills和mcp的区别是什么？ ​

【核心解析】 Agent的感知、规划、执行与反馈循环；LLM作为核心推理引擎的角色；Skills通常指预定义的功能模块或工具；MCP（Model Context Protocol）是模型与外部工具/数据源交互的标准化协议；Skills与MCP在集成方式、灵活性和标准化程度上的差异

Q57: 挑了一个agent项目问的，是多agent还是单agent ​

【核心解析】 区分单Agent与多Agent系统的架构差异；单Agent系统的核心组件与工作流程；多Agent系统中Agent间的通信与协调机制；项目中选择单/多Agent的考量因素

Q58: Agent怎么搭建的 ​

【核心解析】 Agent框架选型（如LangChain、AutoGPT等）；核心组件设计（规划、记忆、工具使用）；LLM的集成与提示工程；环境交互与任务执行循环

Q59: 请介绍你在项目中是如何搭建 Agent 和实现 RAG 的，包括数据获取、处理、缓存机制、上下文和记忆管理。 ​

【核心解析】 Agent 架构设计（如 ReAct 模式）；RAG 的 chunking 策略；数据获取与处理流程；缓存机制（如 Redis 缓存穿透应对）；上下文和记忆管理方案；生产级高并发场景的考量

Q60: 你怎么理解上下文窗口，哪个部分最占用token？ ​

【核心解析】 上下文窗口不是单纯能塞多少文本，而是决定哪些信息值得保留在模型视野中；最占token的通常不是用户当前问题，而是多轮对话历史、工具返回结果、系统提示、长文档切片和中间状态摘要；工具返回和历史摘要往往比用户输入更长，容易挤爆窗口；上下文管理的关键是决定哪些信息必须保留、哪些可压缩成状态、哪些可延后检索，而非机械截断

Q61: 美团Agent开发一面中，纯八股文考察了哪些内容？ ​

【核心解析】 Agent基础概念：Agent的定义、核心组件（感知、规划、执行）；LLM在Agent中的角色：作为推理引擎，处理自然语言指令，生成计划或调用工具；工具调用机制：Function Calling的原理，如何定义工具接口，参数提取与结果解析；记忆与上下文管理：短期记忆（对话历史）、长期记忆（向量数据库）、工作记忆；多Agent协作：通信协议、任务分配、冲突解决

Q62: 问 agent 项目的架构 ​

【核心解析】 Agent 架构通常包括感知、规划、执行、记忆等模块；需说明各模块职责与交互方式；可结合具体项目阐述技术选型（如 LLM 基座、工具调用协议、记忆存储方案）；强调架构的可扩展性、容错性和状态管理；体现对 Agent 整体设计模式的理解。

Q63: 介绍你Agent的三个模块 ​

【核心解析】 Agent架构设计；模块划分与职责；模块间交互与协作

Q64: 请介绍一下你做的Agent项目，包括它实现了什么功能以及具体是如何实现的？ ​

【核心解析】 Agent的核心功能与业务逻辑；技术架构与实现细节；使用的关键技术与框架；遇到的挑战与解决方案

Q65: 你用的 Qwen3-4B，能系统性讲讲这参数量 4B 是什么含义吗？怎么估计出来的？ ​

【核心解析】 4B 指 40 亿参数，包括嵌入层、Transformer 层和输出层的权重矩阵；嵌入层参数量 = 词表大小 × 隐藏维度；每层 Transformer 包含自注意力（QKV 投影和输出投影）和 FFN（两个线性层）；总参数量 = 嵌入层 + 层数 × 每层参数 + 输出层（若共享权重则不计）；估计时需考虑注意力头数、头维度、FFN 中间维度等超参数。

Q66: KV-cache 占用的显存和哪几个因素有关？ ​

【核心解析】 批次大小（batch size）和序列长度（sequence length）；层数（num_layers）和注意力头数（num_heads）；每头维度（head_dim）和数据类型（如 FP16 占 2 字节）；总显存 ≈ 2 × batch × seq_len × num_layers × num_heads × head_dim × 字节数；与隐藏维度无关，仅与注意力头配置相关。

Q67: Causal mask 如何支持 single user multi-item 推理优化？ ​

【核心解析】 Causal mask 确保每个 token 只能看到之前的 token，维持自回归生成；在 multi-item 推理中，可将多个 item 拼接为一个序列，用 causal mask 隔离 item 间影响；避免 item 间信息泄露，同时利用批处理提高 GPU 利用率；需设计特殊分隔 token 和位置编码；减少重复编码开销，提升推理吞吐。

Q68: 开发你的 Agent 的时候，用的是什么流程？ ​

【核心解析】 需求分析与场景定义；选择 Agent 框架或自研架构；设计工具调用与记忆机制；实现规划与执行循环；迭代测试与评估优化

Q69: 开发你的项目 Agent 的时候，有没有借鉴目前各个产品的思路？ ​

【核心解析】 参考主流 Agent 产品如 AutoGPT、LangChain Agent 的设计模式；借鉴工具调用标准化思路；学习多 Agent 协作与记忆管理方案；结合业务场景进行定制化改进

Q70: 模型和 Agent 的区别是什么？ ​

【核心解析】 模型是纯语言理解与生成能力；Agent 在模型基础上增加规划、工具使用、记忆和行动能力；Agent 能自主分解任务、调用外部工具、与环境交互；模型是被动响应，Agent 是主动执行

Q71: 了解过哪些Agent开发框架 ​

【核心解析】 主流框架如LangChain、AutoGPT、MetaGPT、CrewAI等；框架提供的核心能力（规划、工具调用、记忆）；各框架的优缺点和适用场景；框架的扩展性和自定义能力；实际项目中的选型考虑

Q72: OpenClaw 这类设计与传统 Agent 实现最大的区别是什么？ ​

【核心解析】 传统 Agent 多为 Prompt + Tool Call + while loop 的轻量封装；OpenClaw 强调运行时，显式建模计划、状态、工具、观察、回放和恢复；核心区别在于是否有完整的执行语义，包括失败补偿、中断恢复、上下文裁剪和动作可重放性

Q73: 上下文工程解决的核心问题是什么？它和 token 限制的关系是怎样的？ ​

【核心解析】 核心问题是“给模型什么才最有用”，而非单纯塞不下；上下文窗口内多种信息竞争注意力；上下文工程是在有限窗口内选择最小但充分的信息集，本质是信息选择和状态投影问题

Q74: 一个成熟的上下文窗口通常应包含哪些内容？如何根据任务阶段动态调整？ ​

【核心解析】 包含系统角色与边界约束、当前用户请求、任务状态摘要、最近对话、必要长期记忆、工具返回、格式与安全约束、高价值示例；执行型任务侧重工具结果和参数槽位，创作型任务侧重风格约束和用户偏好，恢复型任务侧重 checkpoint 和未完成动作；窗口设计需与状态机联动

Q75: 在压缩上下文时，为什么很多场景下优先压缩模型输出而不是用户输入？ ​

【核心解析】 模型输出通常更冗长、重复性高，包含礼貌话术和低密度内容；用户输入虽短但承载目标、约束、纠错和偏好，压缩易丢失关键条件；优先压缩冗余密度更高的部分，但若用户输入有长段复制文档也需结构化抽取

Q76: 如果连续多轮对话中只压缩过一次模型输出，剩余轮次如何拼接才能减少失真？ ​

【核心解析】 不能简单将摘要插入剩余内容；需考虑信息连贯性和上下文一致性；可能涉及结构化拼接或动态权重调整

Q77: 你认为未来Agent自进化的形式是怎样的？目前的难点在哪里？ ​

【核心解析】 自进化的可能形式，如基于反馈的自我改进、自动提示词优化、模型微调；当前难点包括缺乏可靠评估信号、灾难性遗忘、探索与利用平衡、安全约束；自进化可能带来的风险与挑战

Q78: 谈谈你对Agent的理解，包括其核心概念和关键组件。 ​

【核心解析】 Agent的定义与自主性；感知、规划、执行、记忆等核心模块；与传统程序的本质区别；典型应用场景；当前技术局限与前沿方向

Q79: 未来 Agent 的发展趋势是什么？ ​

【核心解析】 多模态与具身智能融合；自主性与协作能力增强；安全对齐与可解释性；行业垂直场景深化；工具使用与环境交互标准化

Q80: 介绍一下ReAct范式和Plan-and-Execute范式，并说明什么情况下用ReAct，什么情况下用Plan-and-Execute ​

【核心解析】 ReAct范式将推理与行动交替进行，适合需要动态调整、环境反馈不确定的任务；Plan-and-Execute范式先规划再执行，适合步骤明确、可预先分解的任务；ReAct灵活性高但可能效率低，Plan-and-Execute效率高但缺乏适应性；选择依据包括任务确定性、环境动态性和对效率的要求；实际应用中可结合两者优势进行混合设计

Q81: 讲一讲你对 agent 的理解，从发展路线、早期架构到现在的 harness engineering。 ​

【核心解析】 Agent 从符号推理到强化学习再到 LLM-based 的演进；Harness engineering 强调工程化、可观测与可控性；典型架构如 ReAct、Plan-and-Execute 的演变；LLM 作为核心推理引擎带来的范式变化；当前生产环境中 agent 的可靠性挑战。

Q82: 对 agent 的理解与评论。 ​

【核心解析】 Agent 的自主性与目标驱动；LLM 作为核心推理引擎的优势与局限；工具使用、规划与记忆的协同；当前 agent 的可靠性、安全性与评估挑战。

Q83: 谈谈你对 Agent 的理解，从早期范式到当前范式，以及你对各个组件的理解。 ​

【核心解析】 Agent 的定义与核心概念（感知、规划、执行）；从规则型到基于 LLM 的自主 Agent 的演进；Agent 的关键组件（记忆、规划、工具使用）及其交互方式；当前主流范式（如 ReAct、Plan-and-Execute）的特点与优势。

Q84: 请详细介绍一下你实现的 Agent 内部架构和具体实现细节。 ​

【核心解析】 Agent 的核心组件：规划、记忆、工具使用；具体实现中的模型调用流程、提示词设计、上下文管理；如何处理多轮对话和状态维护；工具调用接口的定义和解析；可能涉及的推理循环（ReAct 等）。

Q85: Agent的核心组件有哪些？ ​

【核心解析】 LLM大脑；规划模块；工具使用；记忆系统；行动执行

Q86: Agent的局限性是什么？ ​

【核心解析】 幻觉问题；长期记忆与上下文窗口限制；工具调用的可靠性；复杂推理的准确性；安全与伦理风险

Q87: 有没有做过Agent相关的项目？是否了解一些新型的Agent架构，比如OpenCloud等？ ​

【核心解析】 Agent的基本概念（感知、规划、执行）；传统Agent架构（如ReAct、Plan-and-Execute）；新型Agent架构的特点（如模块化、云原生、多Agent协作）；OpenCloud等架构的设计理念与优势

Q88: 你认为这些新型的Agent架构，相比传统的workflow或者Agent系统，有哪些优势？ ​

【核心解析】 灵活性与可扩展性；对复杂任务的处理能力；资源管理与调度效率；与现有系统的集成能力；容错与自愈机制

Q89: 你这个 Agent 是问答型、决策型，还是执行型？ ​

【核心解析】 区分问答型（信息检索与生成）、决策型（基于推理选择动作）和执行型（直接操作环境）Agent 的核心差异；根据业务场景说明 Agent 类型的选择依据；阐述不同类型 Agent 在架构设计上的关键模块（如决策型需规划模块，执行型需工具调用与安全机制）。

Q90: 你觉得大模型产生幻觉的原因是什么？ ​

【核心解析】 训练数据噪声与偏差，模型学习到错误关联；概率生成机制，模型倾向于生成高概率但不一定正确的序列；缺乏实时事实校验，无法访问外部知识库；上下文误导，不相关的上下文干扰模型判断；过度泛化，模型在知识边界外强行生成内容

Q91: LangGraph 与 LangChain 的区别和差异是什么？分别适用于哪些使用场景？ ​

【核心解析】 LangChain 的链式调用与线性流程；LangGraph 的图结构与循环控制；对复杂 Agent 工作流的支持程度；典型场景对比（如简单 RAG vs 多步 Agent）

Q92: 你最近关注了哪些前沿的Agent项目或技术？请举例说明其底层逻辑。 ​

【核心解析】 跟踪AI Agent领域的最新进展（如OpenClaw等）；能够分析前沿Agent的架构设计；理解其核心创新点与解决的问题；具备批判性思考，能指出潜在不足。

Q93: 什么是Agent？它最重要的组成部分有哪些？ ​

【核心解析】 Agent是能够感知环境并采取行动以实现目标的自主实体；核心组成部分包括感知模块、规划模块、记忆模块、工具使用模块和执行模块；自主性（Agency）是其关键特征；LLM-based Agent通常以大语言模型为大脑进行推理和决策；Agent需具备与环境交互并适应变化的能力

Q94: Agent的自主性（Agency）是如何实现的？ ​

【核心解析】 通过规划（Planning）模块将复杂任务分解为子任务；利用工具（Tools）调用外部API或服务；基于记忆（Memory）存储和检索历史信息；结合反思（Reflection）机制自我修正；LLM的推理能力支撑动态决策

Q95: 主模型选型、子Agent类型和上下文内容如何考虑？ ​

【核心解析】 主模型需根据任务复杂度、延迟和成本选择（如GPT-4、Claude等）；子Agent类型包括工具调用Agent、规划Agent、记忆Agent等；上下文需包含任务描述、历史交互、工具定义和记忆信息；需平衡上下文长度与模型性能；动态管理上下文避免过载

Q96: Agent的运行流程是怎样的？RAG库在Agent中如何作为技能（skill）使用？ ​

【核心解析】 Agent典型流程：感知-规划-执行-反馈循环；RAG作为工具/技能被Agent调用，用于检索外部知识；Agent根据任务分解决定何时触发RAG检索；检索结果作为上下文增强生成；需设计RAG的输入输出接口与Agent框架集成。

Q97: 请介绍一个你参与或主导的 Agent 项目，包括其架构、核心模块以及你负责的部分。 ​

【核心解析】 项目背景与目标；Agent 架构设计（如感知、规划、执行、记忆等模块）；技术选型与关键实现细节；个人职责与贡献；项目成果与反思

Q98: 你了解过哪些其他 Agent 框架，比如 AgentScope、LangChain？ ​

【核心解析】 AgentScope 的设计理念与特点；LangChain 的核心抽象与链式调用；不同框架在工具调用、记忆管理上的差异；框架选型的考量因素

Q99: 你了解Claude Agent SDK吗？请介绍其主要功能和特点。 ​

【核心解析】 Claude Agent SDK是Anthropic提供的开发工具包，用于构建基于Claude的智能体；支持工具使用、多步推理和任务执行；特点包括安全护栏、流式响应和上下文管理；可集成外部API和数据库；简化Agent开发流程，提供预置组件。

Q100: Agent的局限性 ​

【核心解析】 当前Agent在推理、规划、工具使用上的不足；幻觉与错误累积问题；安全与伦理风险；多模态与复杂环境的适应性；可解释性与可控性的挑战