AI Agent 面试高频考点与系统设计思路

2026 Agent 岗面试基本绕不开这几板斧：先讲清"Agent 到底是什么、和 chat 差在哪"，再拆范式（ReAct / Function Calling / LangGraph / MCP），最后是拉开差距的 Agent 系统设计手撕题——本文把每层的高频问法 + 答题骨架给你列出来。

由 中科院博士 · 资深算法工程师 整理 ｜ AI Agent 实战班配套 ｜ 更新于 2026-09

一、Agent 基础：到底是什么

Agent 和普通 LLM 应用的本质区别？必答

普通 LLM 应用是"一段输入→一段输出"，模型不对外部世界负责。Agent 是"感知(读状态)→决策(规划下一步)→行动(调用工具/改状态)→再感知"的闭环：模型反复输出工具调用并消费工具返回，直到完成任务。核心增量是 工具调用 + 循环执行 + 状态管理，而不是模型本身。

LLM 在 Agent 里扮演什么角色？Agent 一定需要很强的模型吗？必答

模型是"决策大脑"：负责意图理解、规划、生成工具参数、解读结果。任务难度决定模型下限——写一句文案小模型够用，但多步推理、长任务纠错、复杂工具参数合成需要大模型。工程上常"大模型做规划和判断 + 小模型/规则做高频重复步骤"来控成本。

二、范式与工具调用

ReAct 是什么？为什么"思考-行动-观察"循环有用？必答

ReAct（Reasoning + Acting）让模型交替输出 Thought / Action / Observation：Thought 决定要查什么、Action 调用工具、Observation 看返回，形成可纠错的轨迹。相比"一步到底"，它把推理和工具使用揉进同一轨迹，遇到错误能从 Observation 里修正下一步，行为可解释、易追责。

Function Calling / Tool Calling 和 ReAct 的关系？必答

Tool Calling 是把工具以 JSON Schema 形式注册给模型、模型返回结构化调用（工具名+参数）的接口能力；ReAct 是"用不用工具、怎么循环"的宏观范式。两者配合：Tool Calling 提供稳定参数格式，ReAct 决定调用节奏。要答出的坑是工具参数幻觉——模型可能编造参数，需要 schema 约束 + 枚举校验 + 调用结果回填。

LangGraph / 图式编排解决了什么？MCP 协议解决什么？进阶

LangGraph 把 Agent 建模成状态机/图：节点=某一步(LLM/工具/人工审批)，边=条件转移，适合需要"人工确认、循环上限、分支恢复"的生产流程，比纯自由循环可控。MCP 是把"工具怎么暴露给模型"标准化（类似 USB-C 接口：一次接入处处可用），解决工具生态碎片化——服务方提供 MCP server，Agent 客户端直接发现并调用。

三、记忆、状态与长任务

Agent 的"记忆"分哪几层？分别存在哪？进阶

三层：① 上下文/工作记忆——当前轮对话与中间结果，放 prompt 窗口；② 会话记忆——多轮历史，可做摘要压缩防超窗；③ 长期记忆——跨会话的用户画像/任务档案，常用向量库存并检索。面试要点是讲清"什么该进窗口、什么该落库、什么时候检索"，以及防止记忆污染（过期/矛盾信息进上下文）。

长任务（几十步）最容易在哪些环节崩？怎么兜底？进阶

最容易：上下文无限膨胀（中间产物堆满窗口）、错误累积（一步错后面全错）、循环卡死（反复做同一件事）、外部依赖失败（接口超时/格式变）。兜底手段：中间结果落盘+只带摘要进窗口、每步设最大尝试次数与超时、检测"动作不再改变状态"就中断、失败降级（重试→简化→人工接管）。

四、多 Agent 与规划

什么时候需要多 Agent，而不是一个 Agent + 一堆工具？进阶

单一 Agent 任务过长会上下文爆炸、prompt 互相干扰。拆多 Agent 的价值是隔离上下文与职责：规划者拆解任务、执行者各干一段、评审者挑错，各自窗口干净、可独立评测。代价是编排复杂度和成本上升。判断标准：单 Agent 的上下文里是否混入了太多本不需要"互相看见"的信息——是，才拆。

多 Agent 怎么协作？怎么防止失控？进阶

常见拓扑：管道式（A→B→C）、规划-执行式（planner 出计划、executor 执行、critic 验收回炉）、层级式（主 Agent 带子 Agent）。护栏：全局限流与循环上限、每步输出过 schema 校验、敏感操作必须人工确认、成本/次数预算控制。"让 Agent 自己自由对话"在生产里几乎是灾难，可控 > 炫技。

五、Agent 系统设计题（手撕向）

"设计一个客服 Agent"——你从哪几层答？加分

按"输入→理解→检索→行动→回复→护栏"铺：① 知识/意图：先 RAG 查 FAQ 与订单库，意图路由决定走自助还是转人工；② 工具：查订单/改地址/退款申请等，用 Tool Calling + 参数校验 + 幂等；③ 记忆：会话摘要 + 用户档案（会员等级/历史订单）；④ 护栏：涉及金钱/隐私的操作一律先给结论再人工确认，退款走审批；⑤ 评测：意图命中率、工具成功率、转人工率、满意度，配 bad case 回流。

"代码 Agent 会写出不可靠的代码"怎么防？加分

代码类 Agent 的核心是把"生成"和"验证"分开：生成后必须在沙箱里跑测试/静态检查，失败信息回喂让模型修（self-repair 循环，设最大次数）；约束改动范围（只改指定函数）、不允许逃逸沙箱执行任意命令；用"测试通过率 + 人类 review 抽样"做评测，而不是肉眼觉得代码像样。

Agent 上线怎么评测？和普通 RAG/chat 评测有何不同？加分

Agent 是多步交互，单轮指标不够。要评：任务成功率（端到端有没有完成目标）、工具调用正确率与参数错误率、平均步数与成本、循环失控率、以及过程可控性（有没有触发护栏/需要人工介入的次数）。轨迹级评测常"先自动打分（LLM-as-Judge + 规则校验）再人工抽样确认"，本站在线即有 Agent 评测岗学习材料可体验这套口径。

常见问题 FAQ

这套考点适合面试什么岗位？

面向 AI 应用工程师 / Agent 工程师 / 大模型应用岗。偏算法岗则在此基础上叠加模型侧知识（见「大模型算法岗面试高频考点清单」）。

没有 Agent 生产经验，面试怎么补？

按本文自查概念，再挑一个真实任务（如自动写文案/查资料汇总）用 LangGraph 或裸 Tool Calling 搭一遍，跑通"工具→循环→护栏→评测"，面试用你自己的实现和踩坑讲，比背名词有说服力。

有免费的 Agent / 大模型资料和在线体验吗？

关注小红书「兔老板工作室」，私信「资料」免费领真题 PDF；在线可体验「AI 短剧工坊」（多步 Agent 流水线）与「Agent 评测岗学习材料」（轨迹评测）。

我是留学生、没在国内公司实习过，Agent 面试怎么补？

没有国内实习不影响：Agent 岗面试更看重你自己跑通的项目。挑一个真实任务（自动写文案/资料汇总/评测脚本），用 LangGraph 或裸 Tool Calling 搭完整链路并量化效果，面试就把这条链路讲成「从 0 到 1 做过」的硬项目；能用中英双语讲更稳。需要系统带练的可微信远程约课。