工作知识库

Appearance

AI智能体应用开发面试题 - 2026-06-12 ​

【面试题】1. LangChain的Chain和Agent有什么区别？实际项目中你如何选择？ ​

【标准答案】 Chain是固定流程，按预设步骤执行，适合流程明确的场景，比如固定三步：检索→组装Prompt→生成。 Agent是自主决策，模型根据用户输入动态选择工具和执行顺序，适合需要灵活判断的场景，比如智能客服需要决定是查订单还是退换货。

选择原则：流程固定用Chain，需要模型自主决策用Agent。实际项目中我经常组合使用——用Chain处理主流程，在需要灵活判断的节点嵌入Agent。

【面试题】2. 如何设计一个支持多轮对话的智能客服Agent？需要考虑哪些核心模块？ ​

【标准答案】 核心四模块：

  1. 记忆管理：用ConversationBufferMemory或ConversationSummaryMemory维护上下文，避免重复询问
  2. 意图识别：每轮先用小模型分类用户意图，决定是走FAQ、查订单还是转人工
  3. 工具调用：对接订单系统、物流API、知识库检索
  4. 状态管理：用JSON记录会话状态（如"已提供订单号"、"等待确认退款"）

关键技术点：用LangChain的MessagesPlaceholder注入历史消息，设置max_token限制避免超出上下文窗口。

【面试题】3. 使用LangChain调用大模型API时，如何处理Token限制和成本控制？ ​

【标准答案】 三层策略：

  1. 提示词优化：用Few-shot代替长篇描述，删除冗余示例，压缩系统提示词
  2. 上下文管理：用ConversationSummaryMemory自动摘要历史对话，而非全量传入
  3. 模型分级：简单任务用GPT-3.5/ChatGLM便宜模型，复杂推理才用GPT-4/Claude

成本监控：在LangChain中接入Callbacks，记录每次调用的Token消耗，定期分析高成本对话优化提示词。

【面试题】4. 从0到1搭建一个RAG知识库问答系统，关键步骤有哪些？ ​

【标准答案】 六步落地：

  1. 文档切分：用RecursiveCharacterTextSplitter，chunk_size=500-1000，overlap=50-100
  2. 向量化：用text-embedding-ada-002或M3E embeddings，注意维度匹配
  3. 存储：Chroma做原型验证，Milvus/Pinecone做生产环境
  4. 检索优化：Hybrid Search（向量+关键词），用MMR避免相似文档扎堆
  5. 重排序：用Cohere Re-rank或BGE reranker对Top-K结果二次排序
  6. 评估：用Ragas框架测Recall、Precision、Faithfulness

避坑：切分时不要切断表格和代码块，用MarkdownHeaderTextSplitter保留结构。

【面试题】5. 如何设计一个能够调用外部API的工具增强Agent？ ​

【标准答案】 用LangChain的Tool类封装三步：

  1. 定义工具：@tool装饰器，写清楚name、description（模型靠这个决定是否调用）、args_schema
  2. 异常处理：try-except包裹API调用，返回友好错误信息而非Stack Trace
  3. 异步支持：用async def + Toolkits，避免串行调用拖慢响应

实战技巧：description要写"什么场景用这个工具"，比如"当用户询问天气时调用此工具"，模型才能正确触发。

【面试题】6. 你之前做过最复杂的Agent项目是什么？遇到过什么技术难点？怎么解决的？ ​

【标准答案】 （示例回答）做过一个Code Review Agent，难点是让模型理解整个代码仓库的上下文。

难点1：代码文件太多，超出上下文窗口 解决：用Repo Map技术（参考Aider），只提取函数签名和调用关系，不传全文

难点2：模型生成的Review意见太泛，不够具体 解决：在Prompt中加入项目的历史Bug数据作为Few-shot，让模型学会找类似问题

难点3：误报率高，开发人员投诉 解决：加入置信度阈值，低置信度问题只给提示不报错，逐步收集反馈微调Prompt

【面试题】7. 向量数据库的相似度检索原理是什么？如何优化检索效果？ ​

【标准答案】 原理：将文档和查询都转成向量，计算余弦相似度，返回Top-K最相似的文档。

优化四板斧：

  1. Embedding模型选型：中文用M3E/BGE，代码用CodeBERT，别用通用模型
  2. 检索参数调优：调大top_k（20-50）+ 用MMR增加多样性，避免返回雷同内容
  3. Hybrid Search：向量检索+BM25关键词检索，加权融合结果
  4. Query Rewrite：对用户问题做同义词扩展、实体识别，提升召回率

【面试题】8. 多智能体协作场景下，如何设计Agent之间的通信机制？ ​

【标准答案】 三种模式：

  1. 中心化路由：用一个Manager Agent接收任务，拆解后分发给Worker Agents，适合任务边界清晰的场景
  2. 消息队列：Agents通过Redis/RabbitMQ异步通信，适合耗时任务（如一个Agent爬数据，另一个做分析）
  3. 共享黑板：Agents读写同一个状态文件/数据库，适合需要共享中间结果的场景

实战选择：CrewAI适合中心化路由，LangGraph适合状态机式协作，AutoGen适合开放式对话协作。

【面试题】9. Dify的工作流编排功能相比LangChain有什么优势和劣势？ ​

【标准答案】 优势：

  1. 可视化编排，产品经理也能改流程，不用改代码
  2. 内置RAG、工具调用、条件分支，开箱即用
  3. 版本管理和A/B测试更友好

劣势：

  1. 复杂逻辑（如动态循环次数）不如LangChain灵活
  2. 自定义工具需要写Docker镜像，调试不如本地代码方便
  3. 黑盒化，出问题不好排查

选择建议：MVP阶段用Dify快速验证，复杂业务逻辑还是用LangChain写代码可控。

【面试题】10. Agent系统上线后，如何做性能监控和持续优化？ ​

【标准答案】 监控三件套：

  1. 调用链追踪：用LangSmith或Helicone记录每次Agent调用的耗时、Token消耗、工具调用次数
  2. 质量评估：人工标注10%的对话，评估任务完成率、用户满意度
  3. 异常告警：设置Token超阈值、工具调用失败率、响应超时告警

持续优化闭环：

  • 每周看失败案例，分析是Prompt问题还是工具问题
  • 用Bad Case反推改进Prompt或增加工具
  • A/B测试不同Prompt版本，数据驱动迭代

生成时间：2026-06-12 02:30 题目数量：10道 覆盖知识点：LangChain、RAG、向量数据库、多智能体、Dify、性能优化等