Agent相关面试

Agent高频面试题1. 一分钟讲清楚 Agent 的定义Agent 是以大模型为推理大脑具备感知、思考、规划、工具调用、记忆、执行迭代能力的智能体。不再是简单问答而是能自主拆解复杂任务、自主选择工具、自主多轮推理、记忆上下文、闭环完成目标可以2. 你如何处理 Agent 的幻觉问题RAG 事实约束所有回答优先引用检索知识库限定只能基于给定知识作答Prompt 强约束无依据就说不知道禁止编造必须标注引用来源混合检索 重排提升召回精准度减少无关信息误导长时记忆校验历史记忆和当前回答做一致性校验结果溯源引用输出附带文档来源、段落位置可追溯反馈迭代用户正负反馈回流修正知识库 微调模型。联动知识库、数据库、接口、代码工具替代人完成复杂流程化任务。3. 项目中 Agent 的「状态」如何管理用LangGraph 状态机 自定义全局 State管理把用户问题、对话历史、子任务列表、工具返回结果、当前执行节点、检索上下文、错误信息全部存入 State每走完一个节点更新状态传给下一个节点通过状态做分支路由、循环判断、任务中断恢复会话级状态存内存长期状态落地数据库 记忆流支持重启续任务。4. 如何平衡 Agent 自主性与可控性自主性交给大模型做任务拆解、工具选择、多跳推理可控性限定可用工具白名单设置最大工具调用轮数防止死循环高危操作加人工确认节点业务流程用 LangGraph固定流程分支关键节点不允许模型乱跳输出做规则校验、敏感词拦截、格式强约束。核心简单推理交给模型关键流程、高危动作、业务边界交给框架规则控制。5. 介绍你最复杂的一个 Agent 项目标准口述模板我做过基于 LangGraph 的企业知识库 RAG 多工具 Agent。支持PDF/Word 本地知识库问答、Text-to-SQL 数据库查询、联网搜索、代码解析、自定义业务工具架构上分层记忆层短时 长时记忆流、检索层混合检索 Reranker、规划层任务拆解、工具层自定义工具注册、状态管理层LangGraph State解决了多跳推理、模糊问句改写、多文件上下文超限、Agent 幻觉、任务循环等问题上线后替代人工查文档、查数据库、流程咨询大幅降低人工转接率。6. 如何回答「RAG 的效果如何评估」分三层评估检索层精确率、召回率、F1、Top-K 命中率、大海捞针命中测试生成层答案准确率、完整性、逻辑性、幻觉率、引用合规率业务层任务完成率、人工干预率、用户正负反馈率、响应耗时、重复提问率。7. 为什么用 LangGraph天然支持状态管理、节点编排、分支路由、循环迭代适配 Agent 多轮任务可视化流程业务逻辑可编排、可固化不依赖模型瞎决策支持断点续跑、人工介入节点可控性强生态完善无缝对接 RAG、工具、记忆、向量库适合复杂多跳 Agent比纯 Prompt 链式调用更稳定、可维护、可工程化。8. 如何处理 Text-to-SQL库表元数据注入把表名、字段、注释、业务含义喂给 LLMPrompt 工程约束限定只能查、禁止删改增、语法规范、字段严格匹配问句改写把自然语言转标准查询意图SQL 校验规则语法检查、敏感表拦截、limit 限制执行失败重试报错后自动修正 SQL 再执行结果自然语言封装把查询数据转成易懂业务回答。9. 如何搭建 RAG Agent 做本地 PDF 知识库问答文档解析PDF 解析提取纯文本过滤页眉页脚文档分块层级分块 固定滑动分块带重叠Embedding 向量化用 BGE-M3/m3e 生成向量向量库入库存入 Milvus/Faiss建索引用户 Query 处理上下文补全 问句改写混合检索向量 BM25 多路召回Reranker 重排精选 Top3 最相关片段Prompt 组装知识库上下文 问题 约束指令LLM 生成回答引用原文、减少幻觉。10. 如何定义一个自定义工具继承框架工具基类定义工具名称、描述、入参参数 JSON Schema编写工具核心执行逻辑接口调用 / 数据处理 / 脚本能力加入参数校验、异常捕获、返回格式化注册到 Agent 工具列表给 LLM 描述清楚适用场景可配置权限、超时、重试策略高危工具加人工审核。11. 处理多文件如何解决上下文长度限制合理分块控制单 Chunk 大小适配 LLM 窗口检索精选先粗召回再 Reranker 重排只留最相关少量片段摘要压缩长文档先 LLM 摘要再纳入上下文分层检索先检索相关文件再只对该文件精细召回滑动窗口拼接按相关性分批灌入避免一次性超长上下文裁剪策略优先保留高相关片段截断低价值内容。场景最佳方案少量文件快速看分块 摘要代码项目多文件目录树 按需加载大量文件50RAG 检索超长单文件分层上下文大型项目分析多智能体