AI智能体应用开发面试题
生成时间：2026-06-15 22:40
【面试题】1. 你在做Agent开发时，遇到过大模型"一本正经胡说八道"的问题吗？你是怎么处理的？
【标准答案】 处理过，主要靠三层来兜底。
第一层是提示词约束，我会用Few-shot Example + 明确边界来减少幻觉，比如告诉它"如果不确定，就说不知道"。第二层是工具校验，Agent调用外部工具拿到的数据必须回流做二次确认，我不会让模型直接信任工具返回值。第三层是输出结构化，用JSON Schema或者强类型约束输出格式，让模型只能在有限范围内回答。
根本上没有银弹，但组合拳能压到可接受范围。核心思路是：能确定性解决的就不让模型猜。
【面试题】2. Dify和CrewAI在多智能体协作上有什么区别？你在项目中怎么选？
【标准答案】 核心区别在于编排哲学。Dify是工作流驱动的，节点和连线都可视化，适合业务人员搭流程，复杂协作逻辑写起来比较绕。CrewAI是角色驱动的，基于任务的并行/串行执行，写代码更自然，但编排灵活性依赖任务设计。
我选的话：企业内部流程类需求用Dify，因为要方便非技术人员改；产品化、需要深度定制的多Agent系统用CrewAI或者直接基于LangGraph自己搭。简单说就是"运营友好 vs 开发者友好"。
【面试题】3. 你的RAG系统召回率低，怎么做诊断和优化？
【标准答案】 诊断先找问题在哪一层。我会先抽一批bad case，用不同召回策略分别跑，看是检索层的问题还是生成层的问题。
常见优化路径：检索层做Query改写/ HyDE / 混合检索（语义+关键词），如果知识碎片化就做句子窗口或父子块切分；生成层加一个"引用置信度"过滤，把低相关片段直接扔掉。还有一个经常被忽略的：embedding模型和业务领域是否匹配，换一个垂直领域的模型提升很明显。
【面试题】4. 场景题：产品经理说要给客服Agent加"记忆"功能，让它记住用户历史偏好。你怎么设计？
【标准答案】 我会分三层设计。第一层是会话级记忆，用LLM的Conversation Summary或者滑动窗口，只保留当前对话上下文。第二层是用户级记忆，把用户画像、偏好、历史工单用结构化方式存到向量库或数据库，Agent每次对话前先检索补充。第三层是跨会话的长期记忆，定期用LLM从对话历史中抽取更新用户标签。
关键点是不能让Agent无限制记忆，否则上下文爆炸。设计上要给记忆设TTL，定期衰减或者主动遗忘。
【面试题】5. 解释一下Tool Calling中函数参数类型的处理，你遇到过什么坑？
【标准答案】 坑主要有两个。第一个是类型丢失：大模型输出JSON时对复杂类型的解析不稳定，尤其是嵌套对象和枚举值，需要在Schema定义里加严格的enum约束和default值。第二个是参数校验：模型返回的参数不一定完全合法，必须在后端做一次Schema Validation再执行，否则可能注入风险。
实战经验：先用zod或者pydantic做严格校验，校验失败的直接返回"参数不符合要求"让模型重试，不要静默容错放过异常参数。
【面试题】6. 在多Agent协作时，你怎么避免"死锁"和"活锁"？
【标准答案】 死锁一般是因为Agent互相等待对方的输出但都不触发。我设计上会强制设一个"超时放弃 + 回退策略"，比如Agent A等Agent B超过N秒就自己出一个中间结果继续推进，而不是卡死。
活锁是大家在反复循环做无效交互，解决方法是引入"状态机"或者"步数预算"，每个Agent最多循环N轮，超了就强制收敛到某个默认行为。另外在任务设计上要确保每个Agent的职责是互斥的，避免抢活。
【面试题】7. 你怎么理解"Agent的规划能力"？ReAct和Plan-and-Execute模式各适合什么场景？
【标准答案】 规划能力本质是把复杂任务拆解成可执行的子任务链。ReAct是边想边做，每一步都基于当前状态做推理再行动，适合动态、交互频繁的场景，比如对话式助手。Plan-and-Execute是先完整规划再逐步执行，适合目标明确、步骤相对固定的场景，比如批量数据处理流水线。
选型经验：任务链路短、用户随时可能打断的用ReAct；链路长、中间步骤不需要用户参与的用Plan-and-Execute，效率更高。
【面试题】8. 你们的Agent系统怎么做线上监控？哪些指标是核心的？
【标准答案】 核心监控四类指标。第一是任务完成率，跑了多少任务、成功率多少、分任务类型的成功率。第二是延迟，P50/P95/P99的响应时间，特别是工具调用耗时和模型推理耗时要分开看。第三是成本，每次调用模型的费用、token消耗趋势。第四是质量，用Golden Case做定期回归评测，看回答质量是否漂移。
日志上要做到每个任务可追溯，存好prompt、工具调用参数、最终输出，方便出问题时能复盘回放。
【面试题】9. 多模态Agent你们用过吗？实际场景下图生文的坑在哪？
【标准答案】 用过，主要是图文理解场景。最大的坑是图片信息的"过度依赖"和"过度忽略"两个极端。模型有时会把图片里无关的细节当重点，有时又会漏掉关键信息。
处理方式是双轨校验：图片理解结果和文本上下文做一致性检查，如果差异过大就触发重新理解。另外图片预处理很关键——压缩尺寸、去掉水印、统一格式，做不好直接影响理解质量。
【面试题】10. 如果让你从零设计一个客服Agent项目，你会怎么规划落地路径？
【标准答案】 我会分四个阶段。第一阶段先跑通最小闭环：单Agent接知识库RAG，能回答基础问题，验证ROI。第二阶段加上记忆和上下文管理，让它能处理多轮对话。第三阶段上工具和业务流，比如查订单、改地址，对接真实业务系统。第四阶段加监控和质量保障，回归测试、A/B对照、人工介入机制。
每个阶段都要有明确的评估指标，不合格就迭代，合格了再往下走。核心原则是小步快跑，不要一开始就把架构做得很重。