腾讯 Agent 岗：Function Calling 原理与 CoT 的代价
Agent / 大模型应用开发岗
岗位：腾讯 Agent / 大模型应用开发岗 轮次：一面真题记录，融合整理 一句话定性：这是一场「机制分工」面试，考你有没有把「模型做什么、代码做什么」和「收益多少、代价多少」想清楚。 素材时间线：2026 年多场腾讯系 Agent 岗面试的单题记录，整理时间 2026-09-28
0. 一分钟速览
| 项目 | 内容 |
|---|---|
| 公司 / 岗位 | 腾讯 · Agent / 大模型应用开发 |
| 考察重心 | Function Calling 的机制与分工、CoT 的有效条件和代价 |
| 追问风格 | 「模型自己访问网络？你确定？」式反问，专打想当然 |
| 典型挂点 | 说模型直接执行调用；说 CoT 一定更好 |
| 准备方向 | 每个机制准备「谁在做什么、两轮流程、什么时候不该用」 |
1. 真题一：Function Calling 是什么，原理是什么
问法：「聊聊 Function Calling，说说它是什么、原理是怎样的？」
错误示范：答「让大模型直接调用 API，模型自己去访问网络、查数据库」。面试官立刻反问：模型有直接执行代码的能力吗？它能联网吗？
答题要点，按分工和流程两层讲：
分工：开发者用 JSON schema 描述每个工具（名称、功能、参数），模型读到工具列表后，判断当前问题需不需要调工具、调哪个、参数填什么。模型全程只做决策，输出结构化的 tool_calls JSON；执行由宿主代码完成，把结果塞回对话，模型再生成最终答案。
两轮流程：第一轮模型输出调用请求，代码执行工具；第二轮模型拿到执行结果生成答案。并行调用是模型一次输出多个 tool_calls，宿主并发执行后统一回填。
为什么必须是结构化输出：在 Function Calling 出现之前靠解析自然语言判断模型「想调什么」，if/else 极其脆弱，模型换个说法就失配。结构化 JSON 让这件事有了统一标准（OpenAI 2023 年推出，Claude、Gemini、Qwen 等主流模型都已支持）。
追问链：「工具描述写不好会怎样？」答：模型选错工具或填错参数，工具调用的准确率抓在 schema 描述质量这个环节，不是抓在模型上。
2. 真题二：CoT 为什么有效，有什么局限
问法：「来讲讲什么是 CoT？为什么效果好？它有什么缺点或局限性？」
错误示范：答「CoT 就是让模型一步步思考，效果会更好」。面试官连问三句：为什么一步步想效果就好？CoT 一定有用吗？什么场景下反而拖累效果？
答题要点：
为什么有效：模型是一个 token 一个 token 生成的，没有回头修改的机会。让它先写出中间步骤，等于给了一张草稿纸，后面的生成能利用前面已写下的推理上下文，多步任务的中间结果不再依赖「一口气算完」。这不是模型在「沉思」，是中间步骤外置到了上下文里。
代价与局限（这题的得分点在后半问）：
- token 消耗和延迟成倍上涨，简单问答用 CoT 是纯浪费；
- 推理链本身会出错，而且错误沿链条向下传导，前面错一步后面全错；
- 对外产品不一定展示完整 CoT，展示简要理由或核查步骤更合适。
使用判断：需要多步计算、逻辑推导、因果链的任务用 CoT；事实型简单问题直接回答。能主动说出「什么时候不用」，比只会说「它很好」的候选人高一档。
追问链：「CoT 和 Few-shot 什么关系？」答：Few-shot 是给示例引导输出格式和思路，CoT-prompting 常和它组合，示例里带上推理过程，模型跟着学分步表达。
3. 复盘与准备清单
- 腾讯这两道题的共性：面试官在找「想当然」的部分。Function Calling 考模型与代码的分工，CoT 考收益与成本的对称，答之前先想清楚边界。
- 腾讯一面的另一批候选人反馈，部分部门二面以算法题为主，Agent 岗的概念题集中在一面，手撕集中在二面，准备节奏可以按这个分。
- 同期候选人在腾讯一面挂、字节四面过的对照说明：腾讯概念题的容错率比字节低，机制层不能有硬伤。
相关题目：站内题库的「Function Calling 的原理」「CoT 什么时候反而有害」「Few-shot 和 CoT 怎么组合」都对应这场面试的原题。