2026 年了“会调 API”早就不够看。大厂面 AI Agent / LLM 应用岗问的是你懂不懂 Agent 是怎么转起来的——规划、记忆、工具、多智能体、评估、安全一个都躲不掉。下面 50 道高频题按 10 个主题分好类每题附答题要点。建议先盖住答案自测答不上来的就是你的补课清单。一、Agent 基础与范式1.什么是 AI Agent和传统 LLM 调用 / workflow 有何本质区别采分点AgentLLM 作大脑 「运行时自主决定下一步动作」的闭环。核心区别是控制流由谁定workflow 是人写死的固定路径Agent 由模型动态决策。2.ReAct 范式的原理Reasoning 和 Acting 如何交替采分点Thought推理→ Action调工具→ Observation观察循环往复边想边做、拿反馈纠偏。能画出这个三步循环即可。3.Agent 的核心组成画一下架构。采分点四大件——规划 记忆 工具 执行循环LLM 居中调度。别漏「记忆」和「循环」。4.什么任务适合 Agent、什么用固定 workflow 更好采分点路径确定、可穷举 → workflow更稳更省开放、需动态决策/试错 → Agent。一句话能写死就别上 Agent。5.Agent 的自主性分级怎么理解采分点从「固定链路 → 模型选分支 → 模型定工具 → 模型自定目标」逐级放权。核心是自主性 ↔ 可控性的权衡。二、规划与推理6.任务分解常见做法讲讲 Plan-and-Execute。采分点先产出完整计划子任务列表再逐个执行对比 ReAct 走一步看一步。优点是全局视野、省 token缺点是计划僵硬。7.CoT / ToT / GoT 的区别与适用场景采分点CoT 单链ToT 树状多路径可回溯剪枝GoT 图结构可合并。复杂度递增适合越来越难的搜索型问题。8.反思Reflexion机制解决什么问题采分点对失败结果自我批评、总结教训再重试缓解「一条道走到黑」。关键反思结果要回灌到下一轮。9.Agent 陷入循环 / 反复失败规划层怎么兜底采分点设最大步数/预算、检测重复动作、失败计数超阈值就换策略或求助人类。给出「停止条件 升级路径」。10.显式规划 vs 隐式规划的取舍采分点显式先出计划可控可审计隐式边走边想更灵活但难调试。长任务倾向显式。三、记忆系统11.短期记忆和长期记忆分别怎么实现采分点短期对话上下文窗口长期外部存储向量库/DB按需检索回上下文。长期记忆本质是「外挂检索」。12.上下文窗口满了历史怎么压缩 / 取舍采分点滚动摘要、只留关键结论、按相关度筛选、分层记忆。主流手段是摘要压缩。13.基于向量库的长期记忆完整链路采分点写入切块embedding存→ 检索query 向量化相似度召回→ 注入上下文 →可选更新/遗忘。链路要完整。14.怎么解决记忆「召回不准 / 过期信息」采分点rerank 提精度、加时间戳/元数据过滤、定期清理、重要性加权。别忘时效性处理。15.多轮对话的状态管理state 存哪、怎么恢复采分点会话级 state 存 DB/缓存用 session_id 关联重启按 id 恢复。核心状态外置 可恢复。四、工具使用 / Function Calling16.Function Calling 原理模型怎么「决定」调哪个工具采分点把工具的 name/描述/参数 schema 给模型模型据用户意图输出结构化调用外部执行后回灌结果。模型只「决定」执行在外部。17.工具定义要写清楚哪些字段描述为什么关键采分点名称、功能描述、参数 schema、返回说明。描述是模型选对工具的唯一依据——描述质量调用准确率。18.工具调用失败 / 参数错误Agent 怎么处理采分点把报错作为 Observation回灌让模型改参重试设重试上限仍失败则降级或求助。错误也要回灌。19.工具很多时怎么做工具选择 / 检索采分点对工具描述做向量检索只把 top-k 相关工具塞进上下文tool RAG或分层路由。别把上百工具全塞进 prompt。20.MCP 是什么、解决什么问题采分点Model Context Protocol统一 Agent 接工具/数据源的标准协议解决「每个集成都要重写一遍」的碎片化。关键词标准化接入。五、RAG 与知识21.RAG 的完整流程怎么和 Agent 结合采分点query → 检索 → 拼上下文 → 生成。Agent 里 RAG 是一个「检索工具」可多轮按需调用Agentic RAG。22.chunking 策略、embedding 选型对效果的影响采分点块太大噪声多、太小丢上下文按语义/结构切更好embedding 决定召回上限要匹配语种/领域。讲清 chunk 大小与重叠的权衡。23.检索 rerank 为什么重要怎么做采分点向量召回粗、精度有限用 cross-encoder 对候选精排提准。核心召回 精排两阶段。24.幻觉成因与缓解手段采分点成因——训练分布外/上下文缺失/过度自信。缓解——RAG 补证据、要求引用出处、降温、允许「不知道就说不知道」。给证据 可溯源。25.Agentic RAG 和传统 RAG 的区别采分点传统 RAG 一次检索一次生成Agentic RAG 让 Agent 自主决定要不要查、查几次、怎么改写 query、够不够。检索被决策化。六、多智能体26.什么时候需要多智能体单 Agent 瓶颈在哪采分点单 Agent 上下文过载、职责太杂、工具太多时拆成分工协作的多 Agent。核心是关注点分离。27.常见多智能体拓扑采分点Supervisor主管派活、群聊协商、流水线顺序传递、层级。能说出 supervisor 模式。28.Agent 间怎么通信、共享上下文采分点消息传递 共享黑板/内存注意只传结论而非全量上下文防上下文爆炸。29.多智能体的成本 / 延迟 / 失控风险怎么控制采分点限制 agent 数量与轮次、设总预算、加终止条件、人类兜底。多 Agent≠越多越好成本会乘数放大。30.LangGraph / AutoGen / CrewAI 设计取向对比采分点LangGraph图/状态机、可控AutoGen对话式协作CrewAI角色/流程编排。说出「图 vs 对话 vs 角色」即可。七、评估与可观测31.怎么评估一个 Agent 好不好有哪些指标采分点任务成功率、步数/成本、工具调用准确率、延迟、人类满意度。不能只看「最终对不对」要看过程效率。32.Agent 的 trace / 日志要记哪些采分点每步 thought、tool 调用参数返回、token/耗时、最终结果串成一条 trace 便于回放定位。全链路可回放。33.端到端评估 vs 分步评估的取舍采分点端到端贴近真实但难定位分步能精确找错但可能与整体脱节。二者结合。34.LLM-as-a-Judge 的做法与坑采分点用强模型按 rubric 打分。坑——位置/长度偏好、自我偏袒、打分不稳需校准 人工抽检。能说出至少一种偏差。35.线上 Agent 效果回归怎么保证采分点固定离线评测集做回归 灰度/A-B 线上指标监控。关键评测集 灰度。八、工程与性能36.Agent 延迟高从哪几层优化采分点减步数/减轮次、并行工具调用、缓存、简单步换小模型、流式输出。能分层给方案。37.token 成本怎么算、怎么压采分点输入输出分别计价多轮累积快。压——上下文裁剪、prompt cache、小模型分流、控轮数。多轮上下文是成本大头。38.并发 / 长任务怎么架构采分点异步 任务队列长任务做检查点/断点续跑状态外置。关键checkpoint 可恢复。39.KV cache、prompt cache 对 Agent 的意义采分点Agent 每轮重复前缀system历史大prompt cache 命中能大幅省时省钱。Agent 前缀高度可复用。40.流式输出 工具调用怎么协调采分点先流式思考检测到工具调用就暂停执行、拿结果再续工具调用处的边界/流控要处理清楚。九、安全与对齐41.Prompt Injection 是什么Agent 场景怎么防采分点外部内容里藏恶意指令劫持 Agent。防——隔离不可信输入、指令与数据分离、输出校验、最小权限。把外部内容当数据而非指令。42.Agent 有工具权限怎么做护栏guardrail采分点最小权限、白名单工具、输入输出过滤、敏感操作二次确认、沙箱执行。核心最小权限 沙箱。43.敏感操作付款 / 删库怎么做人工确认采分点识别高危动作 → 暂停 → human-in-the-loop 审批 → 才执行。不可逆操作必须人工点头HITL 卡点。44.越权、数据泄露常见路径与防护采分点过宽的工具权限、上下文串号、日志泄敏。防——权限隔离、租户隔离、脱敏。别忘多租户隔离。45.怎么防止 Agent 被诱导执行恶意指令采分点系统提示加固、拒绝策略、动作校验层、异常行为监控 熔断。执行前再加一道校验。十、场景设计与开放题46.设计一个「自动订机票」的 Agent怎么拆采分点意图理解 → 查航班工具→ 比价筛选 → 确认HITL→ 下单 → 通知。付款前必须人工确认把高危步骤单独卡人工。47.让 Agent 操作浏览器 / 电脑computer use难点在哪采分点界面理解截图/DOM、动作精度、页面变化鲁棒性、误操作风险、速度慢。核心感知 容错。48.Coding Agent如 Claude Code的核心 loop 怎么设计采分点读需求 → 检索/读代码 → 改动 → 跑测试/编译 → 看结果 → 修循环到验证通过。以运行反馈闭环而非一次生成。49.如何让 Agent 在超长任务里不「跑偏 / 失忆」采分点显式计划 阶段性摘要 外置记忆 定期对齐目标 检查点。核心摘要压缩 目标复述。50.谈谈你对 Agent 未来 1–2 年演进的判断开放。采分点无标准答案。可答长任务可靠性更强、标准化MCP、多模态/computer use 落地、成本下降、评估与安全体系成熟。有观点 有依据别空喊。写在最后这 50 题串起来就是一张 Agent 知识地图——规划怎么想、记忆怎么存、工具怎么调、多 Agent 怎么协作、效果怎么评、安全怎么守。假如你从2026年开始学大模型按这个步骤走准能稳步进阶。接下来告诉你一条最快的邪修路线3个月即可成为模型大师薪资直接起飞。阶段1:大模型基础阶段2:RAG应用开发工程阶段3:大模型Agent应用架构阶段4:大模型微调与私有化部署配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】
2026大厂面试必看：50道AI Agent高频题，从“调API”到“懂原理”的核心进阶！
2026 年了“会调 API”早就不够看。大厂面 AI Agent / LLM 应用岗问的是你懂不懂 Agent 是怎么转起来的——规划、记忆、工具、多智能体、评估、安全一个都躲不掉。下面 50 道高频题按 10 个主题分好类每题附答题要点。建议先盖住答案自测答不上来的就是你的补课清单。一、Agent 基础与范式1.什么是 AI Agent和传统 LLM 调用 / workflow 有何本质区别采分点AgentLLM 作大脑 「运行时自主决定下一步动作」的闭环。核心区别是控制流由谁定workflow 是人写死的固定路径Agent 由模型动态决策。2.ReAct 范式的原理Reasoning 和 Acting 如何交替采分点Thought推理→ Action调工具→ Observation观察循环往复边想边做、拿反馈纠偏。能画出这个三步循环即可。3.Agent 的核心组成画一下架构。采分点四大件——规划 记忆 工具 执行循环LLM 居中调度。别漏「记忆」和「循环」。4.什么任务适合 Agent、什么用固定 workflow 更好采分点路径确定、可穷举 → workflow更稳更省开放、需动态决策/试错 → Agent。一句话能写死就别上 Agent。5.Agent 的自主性分级怎么理解采分点从「固定链路 → 模型选分支 → 模型定工具 → 模型自定目标」逐级放权。核心是自主性 ↔ 可控性的权衡。二、规划与推理6.任务分解常见做法讲讲 Plan-and-Execute。采分点先产出完整计划子任务列表再逐个执行对比 ReAct 走一步看一步。优点是全局视野、省 token缺点是计划僵硬。7.CoT / ToT / GoT 的区别与适用场景采分点CoT 单链ToT 树状多路径可回溯剪枝GoT 图结构可合并。复杂度递增适合越来越难的搜索型问题。8.反思Reflexion机制解决什么问题采分点对失败结果自我批评、总结教训再重试缓解「一条道走到黑」。关键反思结果要回灌到下一轮。9.Agent 陷入循环 / 反复失败规划层怎么兜底采分点设最大步数/预算、检测重复动作、失败计数超阈值就换策略或求助人类。给出「停止条件 升级路径」。10.显式规划 vs 隐式规划的取舍采分点显式先出计划可控可审计隐式边走边想更灵活但难调试。长任务倾向显式。三、记忆系统11.短期记忆和长期记忆分别怎么实现采分点短期对话上下文窗口长期外部存储向量库/DB按需检索回上下文。长期记忆本质是「外挂检索」。12.上下文窗口满了历史怎么压缩 / 取舍采分点滚动摘要、只留关键结论、按相关度筛选、分层记忆。主流手段是摘要压缩。13.基于向量库的长期记忆完整链路采分点写入切块embedding存→ 检索query 向量化相似度召回→ 注入上下文 →可选更新/遗忘。链路要完整。14.怎么解决记忆「召回不准 / 过期信息」采分点rerank 提精度、加时间戳/元数据过滤、定期清理、重要性加权。别忘时效性处理。15.多轮对话的状态管理state 存哪、怎么恢复采分点会话级 state 存 DB/缓存用 session_id 关联重启按 id 恢复。核心状态外置 可恢复。四、工具使用 / Function Calling16.Function Calling 原理模型怎么「决定」调哪个工具采分点把工具的 name/描述/参数 schema 给模型模型据用户意图输出结构化调用外部执行后回灌结果。模型只「决定」执行在外部。17.工具定义要写清楚哪些字段描述为什么关键采分点名称、功能描述、参数 schema、返回说明。描述是模型选对工具的唯一依据——描述质量调用准确率。18.工具调用失败 / 参数错误Agent 怎么处理采分点把报错作为 Observation回灌让模型改参重试设重试上限仍失败则降级或求助。错误也要回灌。19.工具很多时怎么做工具选择 / 检索采分点对工具描述做向量检索只把 top-k 相关工具塞进上下文tool RAG或分层路由。别把上百工具全塞进 prompt。20.MCP 是什么、解决什么问题采分点Model Context Protocol统一 Agent 接工具/数据源的标准协议解决「每个集成都要重写一遍」的碎片化。关键词标准化接入。五、RAG 与知识21.RAG 的完整流程怎么和 Agent 结合采分点query → 检索 → 拼上下文 → 生成。Agent 里 RAG 是一个「检索工具」可多轮按需调用Agentic RAG。22.chunking 策略、embedding 选型对效果的影响采分点块太大噪声多、太小丢上下文按语义/结构切更好embedding 决定召回上限要匹配语种/领域。讲清 chunk 大小与重叠的权衡。23.检索 rerank 为什么重要怎么做采分点向量召回粗、精度有限用 cross-encoder 对候选精排提准。核心召回 精排两阶段。24.幻觉成因与缓解手段采分点成因——训练分布外/上下文缺失/过度自信。缓解——RAG 补证据、要求引用出处、降温、允许「不知道就说不知道」。给证据 可溯源。25.Agentic RAG 和传统 RAG 的区别采分点传统 RAG 一次检索一次生成Agentic RAG 让 Agent 自主决定要不要查、查几次、怎么改写 query、够不够。检索被决策化。六、多智能体26.什么时候需要多智能体单 Agent 瓶颈在哪采分点单 Agent 上下文过载、职责太杂、工具太多时拆成分工协作的多 Agent。核心是关注点分离。27.常见多智能体拓扑采分点Supervisor主管派活、群聊协商、流水线顺序传递、层级。能说出 supervisor 模式。28.Agent 间怎么通信、共享上下文采分点消息传递 共享黑板/内存注意只传结论而非全量上下文防上下文爆炸。29.多智能体的成本 / 延迟 / 失控风险怎么控制采分点限制 agent 数量与轮次、设总预算、加终止条件、人类兜底。多 Agent≠越多越好成本会乘数放大。30.LangGraph / AutoGen / CrewAI 设计取向对比采分点LangGraph图/状态机、可控AutoGen对话式协作CrewAI角色/流程编排。说出「图 vs 对话 vs 角色」即可。七、评估与可观测31.怎么评估一个 Agent 好不好有哪些指标采分点任务成功率、步数/成本、工具调用准确率、延迟、人类满意度。不能只看「最终对不对」要看过程效率。32.Agent 的 trace / 日志要记哪些采分点每步 thought、tool 调用参数返回、token/耗时、最终结果串成一条 trace 便于回放定位。全链路可回放。33.端到端评估 vs 分步评估的取舍采分点端到端贴近真实但难定位分步能精确找错但可能与整体脱节。二者结合。34.LLM-as-a-Judge 的做法与坑采分点用强模型按 rubric 打分。坑——位置/长度偏好、自我偏袒、打分不稳需校准 人工抽检。能说出至少一种偏差。35.线上 Agent 效果回归怎么保证采分点固定离线评测集做回归 灰度/A-B 线上指标监控。关键评测集 灰度。八、工程与性能36.Agent 延迟高从哪几层优化采分点减步数/减轮次、并行工具调用、缓存、简单步换小模型、流式输出。能分层给方案。37.token 成本怎么算、怎么压采分点输入输出分别计价多轮累积快。压——上下文裁剪、prompt cache、小模型分流、控轮数。多轮上下文是成本大头。38.并发 / 长任务怎么架构采分点异步 任务队列长任务做检查点/断点续跑状态外置。关键checkpoint 可恢复。39.KV cache、prompt cache 对 Agent 的意义采分点Agent 每轮重复前缀system历史大prompt cache 命中能大幅省时省钱。Agent 前缀高度可复用。40.流式输出 工具调用怎么协调采分点先流式思考检测到工具调用就暂停执行、拿结果再续工具调用处的边界/流控要处理清楚。九、安全与对齐41.Prompt Injection 是什么Agent 场景怎么防采分点外部内容里藏恶意指令劫持 Agent。防——隔离不可信输入、指令与数据分离、输出校验、最小权限。把外部内容当数据而非指令。42.Agent 有工具权限怎么做护栏guardrail采分点最小权限、白名单工具、输入输出过滤、敏感操作二次确认、沙箱执行。核心最小权限 沙箱。43.敏感操作付款 / 删库怎么做人工确认采分点识别高危动作 → 暂停 → human-in-the-loop 审批 → 才执行。不可逆操作必须人工点头HITL 卡点。44.越权、数据泄露常见路径与防护采分点过宽的工具权限、上下文串号、日志泄敏。防——权限隔离、租户隔离、脱敏。别忘多租户隔离。45.怎么防止 Agent 被诱导执行恶意指令采分点系统提示加固、拒绝策略、动作校验层、异常行为监控 熔断。执行前再加一道校验。十、场景设计与开放题46.设计一个「自动订机票」的 Agent怎么拆采分点意图理解 → 查航班工具→ 比价筛选 → 确认HITL→ 下单 → 通知。付款前必须人工确认把高危步骤单独卡人工。47.让 Agent 操作浏览器 / 电脑computer use难点在哪采分点界面理解截图/DOM、动作精度、页面变化鲁棒性、误操作风险、速度慢。核心感知 容错。48.Coding Agent如 Claude Code的核心 loop 怎么设计采分点读需求 → 检索/读代码 → 改动 → 跑测试/编译 → 看结果 → 修循环到验证通过。以运行反馈闭环而非一次生成。49.如何让 Agent 在超长任务里不「跑偏 / 失忆」采分点显式计划 阶段性摘要 外置记忆 定期对齐目标 检查点。核心摘要压缩 目标复述。50.谈谈你对 Agent 未来 1–2 年演进的判断开放。采分点无标准答案。可答长任务可靠性更强、标准化MCP、多模态/computer use 落地、成本下降、评估与安全体系成熟。有观点 有依据别空喊。写在最后这 50 题串起来就是一张 Agent 知识地图——规划怎么想、记忆怎么存、工具怎么调、多 Agent 怎么协作、效果怎么评、安全怎么守。假如你从2026年开始学大模型按这个步骤走准能稳步进阶。接下来告诉你一条最快的邪修路线3个月即可成为模型大师薪资直接起飞。阶段1:大模型基础阶段2:RAG应用开发工程阶段3:大模型Agent应用架构阶段4:大模型微调与私有化部署配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】
