AI智能体应用开发面试题
生成时间：2026-06-12 02:50
【面试题】1. 当Agent调用工具返回错误时，你的容错策略是什么？
【标准答案】分层处理：第一层重试3次（指数退避），第二层降级方案（换工具或跳过），第三层优雅反馈用户并记录日志。关键是不让单点失败搞崩整个任务链路，我会用状态机管理执行状态，每步都留好checkpoint。
【面试题】2. 多Agent协作时如何避免"死锁"或"活锁"？
【标准答案】三种方案：一是设超时机制，Agent等待超过阈值自动释放；二是引入仲裁者/中央调度，决策权集中；三是用消息队列做异步通信，避免同步阻塞。实际项目里我会组合用：超时+降级+人工兜底。核心是让系统永远有出路，不会卡死在某个状态。
【面试题】3. Dify和CrewAI在多Agent编排上的核心差异是什么？
【标准答案】Dify偏可视化低代码，适合业务流程固定、运营人员参与的C端场景，编排门槛低但定制化受限。CrewAI是代码优先，角色+任务的声明式设计，适合技术团队快速迭代实验场景。选型逻辑：非技术团队用Dify，技术团队追求灵活性用CrewAI。我项目里后端用CrewAI前端用Dify，两层编排。
【面试题】4. 怎么做Agent的长期记忆优化？上下文太长怎么提速？
【标准答案】三层记忆架构：工作记忆（当前任务上下文）、情景记忆（最近重要交互摘要，用向量压缩）、长期记忆（持久化知识+经验）。上下文太长时，用语义切片+层级摘要，优先保留最近和最相关的内容。实测技巧：对历史对话做主题聚类，每个类只保留核心摘要+关键结论，而不是全量存储。
【面试题】5. 解释一下Function Calling和Tool Use的区别，以及实际选型建议
【标准答案】Function Calling是模型原生能力，结构化输出+强类型校验，适合确定性高的工具（查天气、搜文档）。Tool Use是更宽泛的概念，包含自定义插件、API适配、动态发现等，适合复杂或非标准化的外部系统。实操建议：简单CRUD用Function Calling，复杂外部系统用Tool Use+Dify插件机制。
【面试题】6. RAG检索质量差的常见原因及排查思路？
【标准答案】六个高频原因：embedding模型与业务场景不匹配（比如用通用模型处理垂直领域）、chunk大小不合理（过大噪声多，过小丢失上下文）、元信息丢失（分块后不知道来源）、向量数据库选型不当、检索策略单一（只做向量相似度）、重排环节缺失。排查顺序：先看召回率分布，再看topK相关性，最后加混合检索和重排验证提升。
【面试题】7. 如果让你从0设计一个客服Agent，核心模块有哪些？
【标准答案】五个核心模块：意图识别层（快速分类+路由）、对话管理（多轮状态+上下文注入）、工具层（查订单、退款操作、FAQ）、记忆层（会话+用户画像）、风控层（敏感词过滤+人工接管入口）。架构选型：意图识别用微调小模型保证速度和成本，工具调用用Function Calling，知识问答走RAG，系统解耦方便单独优化每个环节。
【面试题】8. Agent输出内容的安全对齐怎么做？
【标准答案】四层防护：输入侧做prompt注入检测+敏感词过滤，输出侧做内容审核+关键词替换，系统层做人设约束（system prompt边界定义），运营层建黑名单+反馈循环。技术实现上，用独立的Moderation API做二次校验，比单纯靠prompt约束靠谱。关键是对齐不是一次性的，是持续运营出来的。
【面试题】9. 多模态Agent怎么设计？图片和文本信息冲突时怎么融合决策？
【标准答案】两种融合策略：早期融合（原始特征拼接后统一编码）和晚期融合（各模态独立理解后加权决策）。实际落地用晚期融合更稳，图片描述+原文+结构化数据各走各的推理链，最后用Router做投票或优先级选择。冲突处理原则：信息互补时叠加，信息矛盾时按置信度加权或触发人工确认，不自作主张覆盖用户意图。
【面试题】10. 面试官问"你的Agent项目QPS多少？怎么优化的？"怎么答？
【标准答案】分三层答：模型层用流式输出+批处理减少TTFT，推理缓存命中重复query；架构层加Redis缓存高频意图+异步任务队列削峰；工程层用Kubernetes HPA弹性扩缩容+限流熔断保护。关键数据：我做的客服Agent日均10万对话，P99延迟从8秒压到1.2秒。优化心法：先找瓶颈点（profiling），优先优化性价比最高的环节，不是上来就换模型。