选修 · Agent 求职面试题

高频考点速览

核心问答(先自己答,再看)

Q1:ReAct 是什么?和直接让模型回答有什么区别? ReAct = Reason(想)+ Act(做)+ Observe(看)的循环:模型先思考、再调用工具、看结果、再思考,直到完成。区别在于它会"先去拿信息再回答",而不是凭记忆一口气编——显著减少幻觉。

Q2:function calling(工具调用)的本质是什么? 模型本身不执行工具,它只输出"要调用哪个工具、传什么参数";真正执行的是外部程序,执行后把结果喂回模型作答。模型负责动脑,程序负责动手。

Q3:RAG 三步是什么?为什么能减少幻觉? 切块 → 检索 → 生成:把资料切块入库,提问时检索最相关的几段,连同问题一起喂给模型,让它据此作答。答案有据可依,所以幻觉少、还能用私有知识。前提:检索回来的内容本身要靠谱——检索质量决定了答案上限,检索错了照样会答错。

Q4:上下文窗口满了 / 对话太长怎么办? 上下文有上限。常见做法:摘要压缩历史、只保留关键信息、对长资料用 RAG 按需检索而不是全塞——即"上下文工程",喂得少而准。补一句加分点:长上下文里中间部分容易被忽略(lost in the middle),不是越长越好,所以要的是"喂对",不是"喂多"。

Q4.5:Plan & Reflection(规划与反思)是什么? 复杂任务里,让智能体先列计划再动手(Plan),做完再自我检查/反思有没有出错(Reflection),发现问题就重做。比"想到哪做到哪"更靠谱,是减少漏步、提升成功率的常用手段(见 a1.4)。

Q4.6:怎么防提示注入 / 别让智能体闯祸? 核心是最小权限 + 人工确认 + 沙箱 + 不轻信外部内容:只给它完成任务必需的权限;危险操作(花钱、删数据)先让人确认;能跑代码/改文件的放沙箱里;对网页、文档里夹带的"忽略以上指令"类内容保持警惕(见 a3.4)。

Q5:MCP 解决了什么?和 function calling 什么关系? MCP 是连接标准:工具实现一次,任何支持 MCP 的 AI 都能即插即用,把 M×N 对接降到 M+N。function calling 是"模型怎么表达要调工具",MCP 是"工具怎么被标准化接入"——两者配合。

Q6:什么时候该上多智能体?代价是什么? 当任务需要不同专长或互相制衡(写+审、分工协作)才值得。代价:更慢、更贵、更难调。单体能稳定搞定就别上多智能体。

Q7:怎么评估一个智能体?开放题怎么办? 量成功率/正确性/成本/延迟/稳定性;搭测试集每次回归。开放题没标准答案,用 LLM-as-judge(让模型按评分标准打分)+ 人工抽检。

你是 AI 智能体岗位的面试官。请就『ReAct / RAG / MCP / 多智能体 / 评估』随机挑一个考我,等我回答后,指出我答得好的地方和欠缺的地方,并给一个满分参考答案。