面试间
15 道真实面试场上的 Agent 题。每道题都允许翻书——题干来自面试官原话，解法附论文原文。
面试官问：LLM 和 Agent 到底有什么本质区别？
说说 LLM 和 Agent 的核心区别？为什么现在大家都在从 LLM 迈向 Agent？
面试官问：为什么 ReAct 是现代 Agent 的底层逻辑？单靠 CoT 根本不够？
在面试大模型工程岗、Agent 岗时，经常有同学被问懵： “你能解释一下 ReAct 框架吗？为什么现在主流 Agent 都采用 ReAct？
面试官问：为什么 Agent 的 Function Call 一直不稳？
为什么 Function Calling 不稳定？
面试官问：Agent 的 Function Call 准确率怎么提升？
真实项目里，一个 Agent 系统的可靠性，70% 卡在工具调用的对错上。 你想让模型更聪明，首先得让它“别犯低级错误”。
面试官问：Function Call 的训练数据怎么构建？
因为 真实落地的 Agent 系统，一定绕不开训练数据： 如果没有自己的数据集，就只能依赖模型的“自然能力”， 但自然能力只在 demo
面试官问：为什么要给 Agent 加“动态函数路由”？
在真实 Agent 开发里，调用工具不稳、选错函数、参数瞎填，是最常见、也最折磨工程师的问题。
面试官问：为什么 CoT + Plan-Execute 能显著提升 Agent 的 Function Call 稳定性？
最近在做 Agent 系统的同学，非常容易遇到一个现实问题： 模型会调用工具，但常常“用不对”。
面试官问：RAG 的首字响应速度应该怎么优化？
如果只会回答“并发调用”“缓存 embedding”“加 GPU”，这种答法只会让面试官觉得： “看过几篇文章，但没做过真系统。
面试官问：动态 RAG 的数据质量怎么评估？
昨天更新“动态增量 RAG 如何保证召回准度”那篇文章之后，有学员在群里又问了一个延伸问题：
面试官问：动态 RAG 的缓存体系怎么设计？
在前几篇动态 RAG 的文章里，我讲过一个非常关键的事实： 动态 RAG 最大的成本，不是模型，是 I/O 和检索链路。
面试官问：为什么 RAG 越用越慢？如何反向调优？
如果你长期维护过一个真正上线的 RAG 系统，就一定遇到过一个非常真实的问题： 系统上线越久，回答速度越慢 。
面试官问：单 Agent 已经不够用了？为什么现在都在做 Multi-Agent？
为什么需要独立的 Planner Agent？
面试官问：为什么企业宁愿自建 Agent 系统，也不直接用 ChatGPT？
今天就以训练营里面原创项目库中的 银行行业咨询 Agent（拓业智询） 为例，讲清楚企业为什么一定要做
面试官问：为什么很多人做不出企业级 Agent？核心问题是哪几个？
甚至我们团队在接一些甲方企业项目（尤其是银行、保险、能源行业那种复杂链路）时，也看过不少“看起来像 Agent，实际能做事的部分几乎为 0 ”的方案。
高中生也能看懂：Agent Memory ——为何超越 RAG ？
在构建 AI Agent 时，初学者常犯的一个致命错误，就是试图用 RAG 来代替 Memory。