007｜Agent 面试高频问题串讲
从基础概念到设计能力、工具调用、记忆、推理、工程落地，把 Agent 面试中最常被问到的问题串一遍。
核心结论：Agent 面试考的是"知不知道全貌、会不会拆分问题、懂不懂工程落地"。回答时要有结构、有例子、有坑点。这篇文章按基础、设计、工具、记忆、推理、幻觉、工程、场景、开放性问题九个层次，把高频问题串一遍。
第一层：基础概念
Q1：什么是 Agent（艾·杰恩特）？
答： Agent 是一个能够感知环境、做决策、执行行动、并根据反馈调整的自主系统。传统软件按固定规则执行，Agent 则可以在不确定的情况下，通过推理和工具调用完成任务。
一句话补充： 聊天机器人只是回答，Agent 会行动。
Q2：Agent 和 LLM（艾·艾勒·艾姆）有什么区别？
答： LLM 是 Agent 的大脑，负责推理和生成。Agent 是完整的系统，包含 LLM、工具、记忆、规划、执行和反馈。LLM 本身不会调用工具、不会记状态，Agent 把这些能力补齐了。
| LLM | Agent |
|---|---|
| 只会生成文本 | 会调用工具、执行行动 |
| 无状态 | 有记忆 |
| 单次推理 | 多步骤规划 |
| 被动回答 | 主动完成任务 |
Q3：Agent 和 RAG（拉格）有什么区别？
答： RAG 是给 LLM 提供外部知识，解决"知识不足"问题。Agent 是在 RAG 基础上，增加规划、工具调用、记忆、执行能力，解决"怎么完成任务"问题。
关系： RAG ⊂ Agent。RAG 是 Agent 可能用到的一个模块。
Q4：Agent 和传统工作流/规则引擎有什么区别？
答： 传统工作流是固定的 if-else，所有分支都预先写好。Agent 是目标驱动，可以动态决定下一步做什么，遇到意外情况也能尝试处理。
| 传统工作流 | Agent |
|---|---|
| 规则固定 | 动态规划 |
| 不能处理未知情况 | 可以推理应对 |
| 可解释性强 | 可解释性弱 |
| 适合确定性任务 | 适合开放性任务 |
第二层：设计能力
Q5：设计一个 Agent 要考虑哪些要素？
答： 我会从六个要素考虑：角色、目标、工具、步骤、约束、输出格式。
- 角色：定义 Agent 是谁
- 目标：定义要完成什么
- 工具：定义能用什么能力
- 步骤：定义执行顺序
- 约束：定义禁止行为
- 输出格式：定义返回结构
Q6：一个复杂的任务，什么时候拆成多个 Agent？
答： 当任务出现以下情况时，我会考虑拆分：不同步骤需要不同的专业知识；步骤可以独立测试和优化；失败需要隔离；结果被多个下游消费；需要独立优化 prompt。
例子： 数据分析任务可以拆成：数据查询 Agent、归因分析 Agent、风控检查 Agent、输出 Agent。
Q7：多 Agent 之间怎么通信？
答： 常见方式有三种：函数调用、共享状态、消息队列。简单系统用共享状态；复杂、分布式系统用消息队列；LangGraph 用的是共享状态 + 图编排。
Q8：多 Agent 调度器做什么？
答： 调度器负责意图识别、路由选择、状态管理、错误处理。它决定用户请求交给哪个 Agent 执行，以及执行失败时怎么办。
第三层：工具调用与执行
Q9：什么是 Function Calling（方克·慎·考·灵）？
答： Function Calling 是 LLM 生成结构化参数，调用外部工具，并把工具返回的结果作为上下文继续推理。它不是 LLM 自己执行代码，而是 LLM 决定"调用什么工具、传什么参数"。
流程：
用户问题 → LLM 判断需要工具 → 生成工具参数 → 调用工具 → 工具返回结果 → LLM 生成最终回答
Q10：Tool Use（图·尤斯）和 Agent 的关系？
答： Tool Use 是 Agent 的核心能力之一。没有工具，Agent 只能空谈。有了工具，Agent 可以查数据库、调 API、读文件、写代码，真正完成任务。
Q11：怎么防止 Agent 调用危险工具？
答： 三层防护：工具层做权限控制，比如只读数据库；Agent 层在 prompt 里加约束；系统层做风控审计和人工复核。
第四层：记忆与 RAG
Q12：Agent 的 Memory（麦·莫·瑞）怎么设计？
答： 分两层。短期记忆保留当前会话上下文，用 Window Memory（温·道 麦·莫·瑞）控制长度。长期记忆存用户画像、关键实体、历史摘要，用向量数据库或结构化数据库。提问时短期直接读，长期按需检索。
Q13：Memory 和 RAG 的区别？
答： Memory 是记住"用户和 Agent 聊过什么"，RAG 是检索"事实知识"。Memory 来自交互历史，RAG 来自知识库。两者互补。
Q14：上下文太长怎么办？
答： 三种方法：用 Window Memory 保留最近 N 轮；用 Summary Memory（萨·莫·瑞 麦·莫·瑞）压缩历史摘要；用 Vector Memory（维克·托 麦·莫·瑞）只检索相关历史。生产中通常组合使用。
第五层：规划与推理
Q15：ReAct（瑞·艾克特）是什么？
答： ReAct = Reasoning + Acting（推理 + 行动）。它让 LLM 交替进行思考（Thought）和行动（Action），通过行动获取信息，再用推理决定下一步。适合需要多步工具调用的任务。
格式：
Thought: 我需要先查销售额
Action: 调用 execute_sql
Observation: 销售额是 1200 万
Thought: 现在需要分析原因
...
Q16：CoT（西·欧·梯）和 ReAct 有什么区别？
答： CoT（Chain of Thought，链式思考）只在模型内部做推理，不调用外部工具。ReAct 是推理 + 行动，会调用工具获取信息。
| CoT | ReAct |
|---|---|
| 只做推理 | 推理 + 行动 |
| 适合纯推理题 | 需要外部信息的任务 |
| 不调用工具 | 调用工具 |
Q17：ToT（梯·欧·梯）是什么？
答： ToT = Tree of Thought（思维树）。它让 LLM 在多个可能的思考路径中探索，评估每个路径，选择最优方案。适合需要多步决策、有多种方案可选的任务。
Q18：Plan-and-Execute（普兰·安德·艾克·斯盖·特）是什么？
答： Plan-and-Execute 是两阶段：先做计划，再执行。计划阶段把大任务拆成子任务，执行阶段逐个完成。优点是流程清晰，缺点是计划赶不上变化时调整慢。
第六层：幻觉与兜底
Q19：Agent 怎么解决幻觉问题？
答： 四层防护：输入层做意图识别和拒绝；工具层做校验和权限控制；Agent 层做自我检查；系统层做独立风控。核心原则是不确定就拒绝，高风险必须人工复核。
Q20：Agent 出错了怎么办？
答： 重试、降级、人工兜底。比如 SQL 生成失败，重试 3 次；仍然失败，返回"无法查询"；涉及高风险操作，转人工。所有失败都要记录审计日志。
第七层：工程与落地
Q21：Agent 系统怎么评估？
答： 分层评估：单元测试测单个 Agent 输出；集成测试测多 Agent 流程；回归测试保证改动不破坏历史用例；在线评估用用户反馈。指标包括任务成功率、工具调用准确率、用户满意度、延迟。
Q22：Agent 上线后怎么监控？
答： 监控三个层面：执行层面看任务成功率、工具调用次数、响应延迟；质量层面看幻觉率、用户满意度；成本层面看 token 消耗、模型调用次数。
Q23：Agent 项目怎么组织代码？
答： 按职责分层：agent 层定义每个 Agent 的 prompt 和工具；tools 层封装工具；orchestrator（奥·克·斯特·瑞·特）层负责调度；memory 层负责记忆；state 层定义共享状态；eval（伊·瓦尔）层做测试评估。
Q24：Agent 部署要考虑什么？
答： 模型调用延迟、并发能力、失败重试、状态持久化、成本、安全、可观测性。异步任务可以用消息队列，同步任务用 API。
第八层：进阶与场景
Q25：LangGraph（兰格·格拉夫）和 CrewAI（克鲁·艾）怎么选？
答： LangGraph 适合流程复杂、需要精细控制的生产系统；CrewAI 适合快速做 demo、角色扮演类项目。企业级 Agent 推荐 LangGraph。
Q26：Agent 的自主性怎么分级？
答： 从低到高：辅助建议型、人类确认型、低风险自动型、高风险告警型、完全自主型。企业场景建议从低风险自动型开始，高风险操作保留人类确认。
Q27：Agent 适合什么场景，不适合什么？
答： 适合：流程不固定、需要推理、需要调用外部工具、有明确目标但路径不确定的任务。不适合：完全确定性、可解释性要求极高、出错代价不可承受的任务。
第九层：开放性问题
Q28：如果让你设计一个电商客服 Agent，你会怎么做？
答题框架：
- 入口：对话 + 工单系统
- Agent 拆分：意图识别 Agent、订单查询 Agent、售后处理 Agent、推荐 Agent、风控 Agent
- 工具：订单 API、物流 API、知识库、退换货系统
- 记忆：用户订单历史、常见问题、用户偏好
- 风控：涉及退款、个人信息时人工确认
- 评估：解决率、用户满意度、平均处理时长
Q29：Agent 项目最大的风险是什么？
答题框架：
- 幻觉导致错误决策
- 工具调用权限失控
- 上下文管理不当
- 成本不可控
- 难以调试和评估
- 过度依赖 LLM，缺乏兜底
第十层：总结面试答题套路
推荐结构：总分总
- 一句话定义
- 讲核心差异/关键设计
- 举一个例子
- 补充注意事项/坑
示例：Memory 怎么设计？
- 定义：Agent Memory 分短期和长期。
- 核心设计：短期用 Window Memory 控制上下文，长期用 Vector DB 或结构化数据库存用户画像。
- 例子：电商客服要记住用户 VIP 等级、历史订单、最近咨询。
- 注意事项：注意隐私隔离、记忆冲突、上下文长度。
一句话总结
Agent 面试考的是：你知不知道 Agent 的全貌，会不会拆分问题，懂不懂工程落地。回答时要有结构、有例子、有坑点。
下一步可以读
- 008｜Agent 项目工程化：代码组织、测试、部署（待更新）
- 009｜LangGraph 和 RAG 结合实战（待更新）