AgentAlpha · 面试间← 返回主站

岗位方向 · TRACK

Agent 开发面试题

Agent 应用与平台工程：工具调用、上下文工程、记忆系统、多 Agent 编排、上线与稳定性。

104 道题 · 题目口径为公开面经与岗位 JD 的高频归纳
Q · 实时语音 Agent 的链路是什么？流式 ASR 和 TTS 怎么拼？实时语音链路分级联和端到端两类，流式拼接的核心是服务端 VAD 断句与客户端回声消除配合实现全双工打断，底层首选 WebRTC 避免 TCP 队头阻塞。
Q · 什么是 MCP？它的核心内容是什么？MCP 是 Anthropic 2024 年底推出的开放协议，解决工具接入碎片化：工具按协议实现一次、任何支持 MCP 的客户端都能复用，三层核心是 Host/Client/Server 角色、Tools/Resources/Prompts 能力、JSON-RPC 2.0 通信。
Q · Agent Skill 是什么？它和 prompt、MCP 工具有什么区别？Agent Skill 是把指令、脚本、模板打包成可被自动发现、按需加载的能力包机制，Anthropic 2025 年 10 月推出、12 月开放标准；它不是保存 prompt，MCP 给能力、Skill 教用法。
Q · 大模型应用里 WebSocket 和 SSE 怎么选？各自的局限是什么？流式输出主流用 SSE：单向推送、实现简单、自带断线重连；WebSocket 是全双工长连接，适合双方都要主动发消息的实时协作场景，代价是连接状态要自己管理。
Q · 什么是 Function Calling？它的原理是什么？开发者用 JSON schema 描述工具传给模型，模型判断需要时输出结构化 tool_calls JSON 而非自然语言，宿主代码执行后把结果回填对话，模型再生成答案——模型只决策、代码执行，两轮对话完成一次调用。
Q · CoT 为什么有效？它有什么缺点或局限？模型逐 token 生成没有回头修改的机会，CoT 把中间步骤外置到上下文里当草稿纸，后续生成能利用已写下的推理；代价是 token 和延迟成倍涨，且推理链出错会向下传导。
Q · MCP 由哪几部分组成？三层看：角色层 Host/Client/Server（Host 是宿主应用，Client 是其通信模块，一 Host 连多 Server）；能力层 Tools/Resources/Prompts 三类；协议层 JSON-RPC 2.0 加 stdio 或 Streamable HTTP 传输。
Q · 大模型的工具调用能力是怎么训练出来的？预训练语料里没有结构化调用样本、学不会；靠两个阶段：SFT 喂全场景的工具调用对话学会「怎么调」，RLHF 用偏好信号学会「什么时候不该调」，一句话——SFT 教会怎么调，RLHF 教会什么时候调。
Q · Function Calling 和 MCP 都能做工具调用，什么场景选哪个？判断核心只有一个问题——这个工具会不会在本应用之外被复用：临时接一两个工具用 Function Calling 就够；要跨项目跨团队复用、数量多难管理、或社区已有现成 MCP Server，就上 MCP。
Q · 你觉得 MCP 能成为行业标准吗？趋势上 MCP 有望成为工具发现与集成的行业事实标准，但过程不会一蹴而就。它解决了集成难题且设计解耦，但仍面临治理中立性与版本迭代迁移成本的考验。
Q · 设计一个面向内部员工的问答 Agent，要接工单系统和知识库，怎么做？先明确量级与延迟要求，再按意图路由、工具调用、带引用生成三层架构设计，并重点处理混合路由切分、后端限流排队及工具超时降级等工程约束。
Q · Agent 的评测系统怎么设计？Trace 数据要记录哪些？评测系统按评测集、执行、判定、报告分层设计，优先用确定性指标，主观质量用 LLM 评分。Trace 数据需记录每次调用的输入输出、工具参数、上下文快照和路由决策，用于回放归因和新题挖掘。
Q · Agent 的混合路由和限流怎么设计？混合路由按复杂度切分请求，规则或小模型处理高频简单任务，大模型处理复杂任务，需预留升级通道。限流依据后端工具 QPS 预算设计，采用队列削峰、优先级排队与超限降级策略。
Q · 上下文工程做过吗？todo list 为什么能让模型更聚焦？做过。todo list 把长任务中间状态外置成显式结构。模型每步先读清单，将“做到哪了”从隐式历史变成显式状态，注意力锚定清单，不被历史稀释。
Q · 查询改写怎么设计？查询改写核心是解决口语提问与知识库书面语的语义鸿沟。具体设计包括指代补全、口语转术语和长问题拆子问题。系统需对比召回率进行评估并设计原句回退机制。
Q · 最简单的 Agent Loop 包含哪些步骤？Message 有哪些类型？最小 Agent Loop 包含组装上下文、调用模型、执行工具并回填、判断终止四步循环，消息类型按 OpenAI 标准分为 system、user、assistant 和 tool 四种。
Q · 多意图识别为什么要做并行？串行处理会累加每个意图的网络往返延迟，并行处理能将总延迟从相加变为取最大值。代价是必须做好并发控制与失败隔离，单个意图超时需单独重试。
Q · Claude Code 的 memory 三层逻辑设计是什么？为什么这么设计？Claude Code 的 memory 分为会话内上下文、项目级 CLAUDE.md 和用户级全局配置三层。分层是为了适应不同的生命周期和共享范围，避免项目内容污染个人偏好。
Q · Cursor 这类工具上下文过长会有性能下降的现象吗？怎么应对？现象真实存在。长上下文会稀释注意力并降低指令遵循能力，成本与延迟也会线性增加。应对策略包括截断历史、下沉稳定内容至系统层以及按需检索代码。
Q · 用 LangGraph 实现多轮对话 Agent，比手写 prompt 流程强在哪？LangGraph 还是自研怎么选？手写流程在处理中断恢复和复杂分支时容易堆砌条件判断，LangGraph 通过图结构和统一状态模型，原生提供持久化、人审挂起和并发控制。选型取决于状态复杂度和对底层调度的控制需求。
Q · 举一个大模型输出不符合指令的真实案例，说说怎么解决的。要求输出 JSON 却夹带解释文本是最常见的指令失效案例。原因通常是指令过长导致约束被稀释，或格式要求与模型习惯冲突。解法包括指令拆分、约束解码，以及格式校验配合错误回传重试。
Q · Python 的 GIL 对 Agent 后端服务有什么影响？GIL 限制了多线程并行执行 CPU 密集任务，但在 Agent 后端中影响有限。Agent 大量时间用于等待模型和工具的 IO 响应，多线程或异步够用。本地向量化等逻辑可用多进程解决。
Q · 上下文工程都做什么？上下文工程主要做四件事：保存高价值信息、隔离多会话与多用户、在Token预算不足时做选择、在超限时做压缩。它决定输入什么，提示词工程决定怎么输入。
Q · 上下文污染是什么？怎么防？上下文污染指无关或错误信息混入上下文并影响模型后续生成。防范方法包括来源过滤、过期标记与淘汰、会话隔离以及定期清理与压缩。
Q · 提示词工程和上下文工程的区别是什么？提示词工程改的是指令写法，属于单点优化；上下文工程管的是模型能看到什么，属于系统层设计。上下文里垃圾太多，提示词写得再好也没用。
Q · langsmith 和 langfuse 怎么选？选型看两点：是否需要私有化部署满足合规要求，以及技术栈是否深度绑定 LangChain。重度使用 LangChain 选 LangSmith，需开源自部署选 Langfuse。
Q · Function Calling、MCP、Skill 三者怎么对比？三者不在同一层。Function Calling 是模型侧的调用表达，MCP 是工具侧的接入协议，Skill 是流程侧的知识打包。三者配合完成模型发请求、工具标准化接入与流程编排。
Q · LangGraph 做多轮 Agent 的优势是什么？LangGraph 的核心优势是原生支持循环和条件分支，开发者无需手写状态机即可实现多轮工具调用与反思。它集中管理状态并支持 Checkpoint 恢复，代价是抽象层级高，调试需适应图执行模型。
Q · Agent 的记忆机制和传统 RAG 什么关系？主流 Agent 真的淘汰 RAG 了吗？主流 Agent 没有淘汰 RAG，两者是分层关系。RAG 解决外部知识的“取”，是记忆的底层检索组件。Agent 记忆系统在此基础上增加了“存”与“忘”的机制。
Q · Working、Episodic、Semantic、Procedural 四类记忆怎么划分？这四类记忆沿用认知科学分类并映射到 Agent 工程。Working 对应当前上下文窗口，Episodic 记录经历的会话与事件，Semantic 沉淀事实与知识，Procedural 固化做法与流程。
Q · 什么信息应该写入长期记忆？怎么避免把幻觉永久保存？长期记忆只写入跨会话可复用、状态稳定且来源确凿的信息。系统需校验来源、隔离事实与推断并打低置信标记，定期用新交互校验旧记忆。
Q · 长期记忆的排序怎么设计？相关性、重要性、时效性、置信度怎么综合？长期记忆排序采用先召回后重排架构。重排阶段综合相关性、重要性、时效性和置信度四因子加权。权重按业务调整。时效性衰减半衰期按信息类型区分，偏好类衰减慢，状态类衰减快。
Q · 用户画像变了，记忆冲突怎么检测？覆盖、合并还是遗忘？检测记忆冲突看新旧信息是否同主题且属性矛盾。处理策略分覆盖、合并、遗忘三类。遵循时间新者优先且保留审计痕迹原则，用户显式纠正永远最高优先。
Q · 超长任务的上下文压缩，怎么保留目标、约束、工具结果和未决事项？压缩不能无差别摘要，必须采取分层保护策略。目标与约束永不压缩，工具结果按结论加来源摘要且原始数据外置存储，未决事项列成显式清单，先结构化抽取再压缩。
Q · 工具返回几十万 Token 的日志，怎么处理？绝不能直接塞入上下文，必须分层处理。即时层保留错误码与关键行，摘要层用小模型或规则提取结论，原始层外置存储并留引用句柄供 Agent 按需回放。工具端最好直接支持过滤。
Q · 多租户 Agent 的长期记忆怎么做隔离、加密和可删除？多租户长期记忆需在租户与用户维度做存储分区，检索时从会话身份强制注入过滤条件。敏感字段采用应用层加密并按租户管理密钥。删除操作必须级联清理向量库、缓存与备份条目。
Q · 怎么评测 Memory 对任务成功率的真实增益？评测记忆增益必须做对照实验与消融实验，对比带记忆与不带记忆在任务成功率、交互轮次和纠正次数上的差异，不能只看检索相似度。
Q · 摘要多轮迭代后语义漂移，怎么发现和纠正？摘要多轮迭代本质是有损压缩。发现漂移需定期对照原文抽查事实保真度，或做一致性校验寻找出处。纠正是定期回到原文重新生成，并将关键事实锚定原文，避免其参与链式迭代。
Q · Planner 生成的计划不可执行时，Executor 怎么反馈和触发 Replan？Executor 通过结构化反馈失败步骤、失败类型和已完成结果，让 Planner 增量修改计划。缺参数就地补齐，步骤依赖断裂才触发 Replan，超限直接降级转人工。
Q · Agent 的停止条件怎么设计？怎么避免死循环和无限反思？Agent 停止条件分正常完成、预算耗尽和异常终止三类。避免死循环需检测重复状态与动作，限制连续无进展步数，并为反思机制设置计次上限。停止后应交付已完成部分与未完成清单。
Q · 任务失败、工具失败、模型失败、权限失败怎么区分？恢复策略各是什么？区分这四类失败的核心是按层级归因。权限失败需申请或换路径，工具失败走重试降级，模型失败要重生成或换模型，任务失败需人介入或重规划。
Q · 怎么让 Agent 在开放任务中先澄清需求，而不是直接执行高风险操作？核心是动作分级与槽位检查。将写操作、对外发送、花钱等设为高风险并强制确认，关键字段缺失时生成澄清问题，不可逆且信息不足时必须提问。
Q · 怎么设计可回放的 Agent 状态，让线上 Bad Case 完整复现？设计可回放状态需要记录完整输入（含版本号）、每步中间产物与随机性来源。回放采用确定性重放，按序喂入记录流，并通过快照或Mock解决外部工具随时间变化的问题。
Q · Function Calling、MCP、REST API 和本地 CLI 的职责边界是什么？这四者分属不同层级。REST API 是通用网络接口，CLI 是本地进程入口，Function Calling 是模型表达调用的数据格式，MCP 是 AI 客户端接入工具的协议标准。一次调用可贯穿四层。
Q · 工具调用的超时、重试、幂等、补偿和熔断怎么实现？工具调用的稳定性需分层实现。超时按工具分级，重试仅限查询类幂等操作，幂等靠请求去重键实现。非幂等失败走反向补偿或人工对账，连续失败触发熔断并降级使用缓存。
Q · 多个工具都能回答同一问题时，怎么训练或评测模型的工具选择？训练侧要构造多条正例，不惩罚合理选择，只惩罚成本高或结果错的劣质路径。评测侧需固定题集统计工具选择分布、成功率与成本，观察模型是按场景选择还是习惯性单用。
Q · 单 Agent、Supervisor-Worker、层级式、去中心化多 Agent 怎么选型？选型按任务耦合度与规模决定。默认从单 Agent 起步。Supervisor-Worker 适合可并行拆分的子任务。层级式适合控制大规模组织的通信复杂度。去中心化适合无中心决策场景，但调试成本高。
Q · 多 Agent 之间传自然语言还是结构化状态？怎么控制信息损失？按信息类型分层。关键状态用结构化数据保证无损与可校验，叙事性上下文用自然语言保持灵活。通过传递契约化控制信息损失。
Q · 多个 Agent 结论冲突时，怎么仲裁而不靠简单多数投票？仲裁多个 Agent 冲突应先看冲突类型。事实冲突查证据，方法冲突看约束，偏好冲突交由用户决策。机制上采用历史可信度加权或超阈值升级。
Q · 多 Agent 并行调同一个数据库，事务、锁、幂等和资源竞争怎么处理？这是分布式系统老问题穿上Agent外衣。事务用Saga模式带补偿，锁用带过期的资源级租约，幂等靠操作带去重键，资源竞争通过按Agent分组的连接池配额解决。
Q · 一次 Agent 任务怎么控制 Token、模型、检索和工具的总成本？核心是先计量后控制，把预算挂在任务维度。系统按环节拆解记账，通过分级路由、上下文压缩和缓存降低消耗，最后用任务级预算熔断精确止血。
Q · 任务成功率、步骤正确率、工具成功率和答案质量怎么做分层归因？采用自下而上的归因排查路径，依次测试工具调用层、规划层、生成层和端到端层，确保精准定位到底坏在哪一层。
Q · 怎么把非结构化对话转成可更新的用户偏好、业务状态和任务档案？用抽取、分类、更新三步处理对话：按 schema 保守抽取实体和属性，分库存放偏好、状态与任务，再和旧记录比对，按冲突规则覆盖或合并。
Q · 记忆库规模持续增长，怎么防污染、陈旧信息和检索噪声？用准入控制、定期治理和检索过滤管理记忆库，并持续监控规模曲线、命中率和错误记忆被引用的频率。
Q · 跨会话任务怎么恢复执行状态，同时避免重放已完成的副作用？用状态快照保存目标计划、已完成步骤及结果、未决事项；恢复前按唯一操作 ID 查证副作用，已生效就跳过，未生效再执行。
Q · 多 Agent 共享记忆怎么做版本控制和并发写冲突？共享记忆采用单写入通道控制并发，条目级版本号校验写入，冲突按时间或业务规则合并，读多写少的条目配缓存并在写入时失效。
Q · 客服、营销、商家运营、研发助手分别适合 ReAct、工作流还是状态机？按任务确定性选范式：客服多用带检索的工作流，营销用 ReAct，商家运营用状态机，研发助手用带规划的 ReAct；确定性高的任务不要引入 Agent。
Q · 工具执行结果和计划假设冲突时，Agent 怎么修正后续步骤？Agent 先判断冲突属于参数级、目标级还是全局级，再选择就地重试、局部重规划或终止任务，并由 Executor 结构化上报冲突。
Q · 怎么设计 Human-in-the-loop，让高风险操作必须审批且可恢复？把支付、对外发送、删除等高风险动作放入审批队列，Agent 暂停等待但不阻塞其他任务，并按动作是否可撤销安排确认顺序和补偿动作。
Q · 需求模糊时，Agent 什么时候该追问，什么时候按默认值继续？需求模糊先看可逆性和成本：低风险任务按用户历史与业务配置取默认值继续，并展示假设；高风险不可逆任务先问清关键缺失项。
Q · Agent 部分成功怎么处理：保留有效结果、回滚副作用并继续剩余任务？先按步骤依赖图判断失败影响，保留已完成结果。可补偿的副作用执行补偿并记日志，无依赖的后续任务继续执行，不可补偿且未执行的任务暂停确认。
Q · Skill、Tool、Workflow 和 Agent 的边界是什么？企业能力怎么封装？Tool 是单个操作，Workflow 是固定编排，Skill 是任务知识与流程包，Agent 是自主决策循环；企业把能力沉到 Tool 与 Workflow，把经验沉到 Skill，只在必要处引入 Agent。
Q · 多 Agent 的消息协议应包含哪些字段？怎么保证可追踪可重放？消息协议要记录消息身份、通信双方、任务归属、结构化内容、时间、因果关系，并用任务日志和顺序重放保证可追踪、可复现。
Q · 多 Agent 系统怎么避免循环委派、重复执行和 Token 成本失控？要同时管住委派路径、任务认领和 Token 预算：记录派发链路识别循环，全局登记任务结果避免重复，并用分层配额和摘要控制成本。
Q · Agent Infra 和之前的 Agent 应用开发有什么区别？Agent 应用开发面向单个业务，关注提示词、工具和效果；Agent Infra 面向平台，为所有 Agent 提供公共底座，解决规模化生产问题。
Q · 外部工具不稳定时，怎么保证任务最终一致性，避免重复扣款或重复发货？用唯一请求键实现幂等，超时后先查询操作状态再决定是否重试，并通过异步对账发现意图与实际结果的差异，再进入补偿或人工处理。
Q · AI Agent 里上下文工程和记忆管理是什么关系？各自的核心作用？上下文工程决定本次调用模型能看到什么，记忆管理负责跨会话信息的写入、检索与淘汰；记忆向上下文提供相关条目，一个管瞬时视野，一个管长期资产。
Q · 上下文超出限制时，采用什么处理机制？采用分层机制：先按策略截断，再摘要压缩历史，把工具结果外置并按需回取，仍无法满足时换长上下文模型或分治拆任务。工程上分别处理对话、工具结果和检索内容。
Q · 影响 AI Agent 上下文容量的因素有哪些？AI Agent 的上下文容量本质上是预算管理问题，既受模型窗口大小和有效注意力长度限制，也取决于提示词、历史、检索、工具结果、生成预留的分配，以及单请求成本和延迟。
Q · 为游戏运营设计一个有界 Agent，哪些步骤交给模型，哪些写成确定性 Workflow？原则是把创意和理解交给模型，把规则和执行写成确定性 Workflow，并让所有动作建议先过规则引擎，再进入执行环节。
Q · Planner-Executor 架构什么情况下优于单 Agent ReAct？任务长且步骤多、子任务可并行，或需要预算与进度管控时，Planner-Executor 通常更合适；超过十步或需要并行拆分，就是先规划的明确信号。
Q · Agent 执行到一半被中断，怎么通过 Checkpoint 安全恢复？Checkpoint 要记录任务目标与当前计划、已完成步骤及结果、未决状态。恢复时先校验外部副作用，再跳过已完成步骤，继续未完成部分。
Q · 模型输出置信度不可直接相信时，系统怎么决定重试、拒答还是转人工？不要直接使用模型自报的置信度，而要结合多采样一致性、检索支撑度和校验器结果判断答案是否可靠，再按错误是否可修复、证据是否充分和场景风险选择重试、拒答或转人工。
Q · 怎么构建 Agent 轨迹评测集，同时评估最终结果与中间步骤？把 Agent 轨迹按结果层和步骤层分别标注、分别评分，再用失败样本定位走歪的步骤，并持续回流 bad case 防回归。
Q · 内容助手类系统怎么满足数据最小化、权限控制和全链路审计？只采集业务必需字段，先脱敏再进入模型；按角色和场景注入检索限制，并记录每次访问、调用和外部动作，支持导出合规报告。
Q · 模型输出有随机性，怎么设计可重放的 Trace 和事故复盘机制？记录完整输入、每步模型原始输出、采样参数与种子及外部工具响应快照；按任务 ID 聚合，固定输入流和快照重放，再定位分歧步骤并对比预期行为。
Q · 怎么做模型、Prompt、知识库、工具和评测集的联合版本管理？把模型、Prompt、知识库、工具和评测集视为一个版本组合管理。每次请求记录五元组，发布绑定组合版本，评测通过后切流量，回滚也按组合回退。
Q · 用户量从 100 涨到 10 万，Agent 服务的主要扩展瓶颈在哪？主要瓶颈会按排队顺序出现：先是模型推理并发和 GPU 吞吐，再是工具与检索下游 QPS，最后是状态和记忆存储；应先压测定位，再分层扩容。
Q · 怎么设计任务队列，让长任务可取消、可恢复且不重复产生副作用？用状态机管理任务，用检查点读取取消标记，用步骤级日志保存进度；恢复时先查幂等键对应的外部操作是否已生效，再决定是否执行，避免长任务中断后重复产生副作用。
Q · 广告投放需要多个 Agent 时，怎么划分角色、共享状态和完成条件？按职能拆成洞察、方案、审核三个 Agent，共享状态放进集中任务看板，不做点对点传递；各自定义交付物，由编排方判定整体完成，审核保持独立。
Q · Orchestrator-Worker 和去中心化协作分别适合什么任务？先看任务有没有天然的分解与汇总结构：有就用 Orchestrator-Worker，由中心统一分派和整合；没有就考虑去中心化，让多个 Agent 平等提案和投票。
Q · 多 Agent 并行分支一个失败其他成功，汇总节点怎么处理？先判断失败分支是否是汇总必需，再决定重试或降级；非必需就用成功结果汇总，并标明缺失与失败原因，禁止静默丢弃。
Q · Agent 的 thinking 阶段怎么决定调用工具还是直接回复？先看信息是否充分，再权衡工具调用的风险与成本，并结合任务类型决策；可让模型显式判断，也可用轻量意图分类器配合规则兜底，后者更稳。
Q · 远程 MCP Server 怎么设计鉴权、授权、审计和租户隔离？远程 MCP Server 要先在连接层用 token 或 OAuth 验证客户端身份，再由 Server 按身份决定工具和资源权限；同时记录每次调用，并按租户隔离数据与配额。
Q · 工具有转账、发消息这类副作用时，怎么实现幂等与人工审批？给每次副作用操作绑定任务 ID 加步骤 ID 的唯一业务键，服务端重复请求返回首次结果；可逆操作自动执行并事后审计，不可逆操作先审批，超时默认拒绝。
Q · 你这个 Agent 是问答型、决策型还是执行型？边界是什么？Agent 按输出对象定型：给人信息是问答型，给系统选择是决策型，改变外部状态是执行型；面试先说明项目类型，再讲边界，执行型必须配权限、幂等和审计。
Q · 不用 Agent，只用规则、检索、模板 SQL 能做到几成效果？为什么还要上 Agent？先用规则和检索覆盖高频标准场景，七成以上的问题不必调用 Agent；再把 Agent 留给长尾、需要组合推理、多步依赖和意图模糊的部分，按难度分层。
Q · 为地图问答设计一个有界 Agent，哪些步骤给模型，哪些写死？模型负责理解口语问题、生成结构化查询意图并组织多结果表述；检索、路径、数据查询、限速合规和所有数字都由确定性引擎负责。
Q · 从用户输入到最终输出，你这套系统的真实链路是什么？哪些环节必须用大模型？链路按规则、分类、检索、生成、审核拆开，只有复杂意图理解和最终生成用大模型，其余用规则、小模型或检索，控制成本、延迟和稳定性。
Q · 大项目里来了一个新需求，加一个新功能的工作流是怎样的？先拆需求并评估会影响哪些模块，再为新功能建立评测集，定义做对的标准。实现时只做必要改动，经过评测回归和小流量验证后上线，同时监控新功能与存量功能的指标。
Q · A2A 是不是 MCP 的竞品？两套协议怎么共存？A2A 不是 MCP 的竞品。MCP 解决 Agent 向下连接工具的问题，A2A 解决 Agent 向外协作的问题。每个 Agent 用 MCP 管自己的工具层，Agent 之间用 A2A 委派子任务。
Q · 单 Agent 不够用吗？为什么要拆多 Agent？单 Agent 的瓶颈在工具选择、上下文容量和专业能力。拆分后，各 Agent 使用独立上下文与工具集，调度方只接收结果摘要。
Q · 子任务委托出去之后，结果质量谁负责？结果质量不由通信协议兜底，而由任务描述和验收机制负责：委托方写清标准，接收方按声明能力承接，并在交付时说明结果。
Q · MCP 底层靠什么驱动？和 Function Calling 是什么关系？MCP 的工具调用最终落到 Function Calling 的输出格式上，FC 负责表达调用意图，MCP 负责工具的标准化封装、注册与发现。
Q · 真跑过 MCP 吗？接入一个 MCP Server 要写多少代码？用 Claude Desktop 接入文件系统或 GitHub 的 MCP Server，通常只需在配置文件里加几行，客户端就会自动发现工具，不用写对接代码。这题考的是实际配置和运行体感。
Q · 历史压缩的总结，为什么按 token 数触发而不是按轮次？按 token 数触发更贴近上下文窗口的资源约束，能避免长回复来不及压缩，也能减少短回复下不必要的摘要调用。
Q · 怎么理解大模型安全？包含哪些方面？大模型安全可以按模型说什么、模型被输入什么、数据流过什么、模型做什么四层来答，分别对应内容安全、提示词注入与越权、数据安全，以及 Agent 的行为安全。
Q · 安全防护有哪些量化指标？安全防护要用攻击集量化，分层看注入攻击拦截率、有害内容检出率与误杀率、越权动作拦截率和数据泄露事件扫描命中率。
Q · 提示词注入有哪些手段？分别怎么防？提示词注入包括直接注入、间接注入、角色扮演绕过和编码混淆，防御要做输入输出过滤、内容隔离、工具限权，并对高危动作人工确认。
Q · 怎么把下游工具和插件变成模型能理解的方式？核心是把工具写成结构化说明书，明确名称、功能、参数和返回格式，再补充适用边界，并用 MCP 标准化声明这些能力。
Q · 你们是怎么跟进最新大模型技术的？我们按论文、开源仓库和技术社区分级跟进，每周固定时间筛选信息；优先看与业务相关的内容，值得深入的再做笔记和复现，避免什么都追。
Q · 有哪些让你印象深刻的大模型产品？说说为什么。我会选自己真用过的 Claude Code、Perplexity 和 Cursor，分别从上下文工程、搜索整合和补全交互说明它们解决的问题与设计取舍。
Q · 生成式推荐需要多个 Agent 时，怎么划分角色和共享状态？按推荐漏斗拆分 Agent：召回负责生成候选，排序负责融合多目标打分，解释负责生成推荐理由，审核负责合规与多样性校验；共享状态放在集中式候选池与特征存储中，Agent 之间传结构化候选列表。
Q · 为配送调度设计有界 Agent，哪些步骤给模型，哪些写死？让模型处理骑手异常沟通、申诉分类和情境判断辅助；路径、ETA、派单规则与结算写死，模型只给建议，最终调度必须过规则引擎。

其他岗位方向

Agent 算法 · 27 题Agentic RL 与后训练：SFT/RLHF/DPO/GRPO、奖励设计、轨迹数据、评测对齐。
AI 算法应用 · 37 题大模型应用算法：RAG 全链路、检索排序、微调选型、业务效果优化。
多模态算法 · 6 题视觉语言模型与多模态：融合架构、CLIP 系、VLM 评估与训练。
AI Infra · 11 题推理与训练系统：vLLM、量化、并行策略、显存与吞吐优化、服务化。
通用算法基础 · 31 题各岗通用底座：Transformer、注意力、采样参数、正则化等基础原理。