工作知识库

Appearance

AI智能体应用开发面试题（2026-06-15） ​

适用岗位：1-3年经验 AI Agent 开发工程师 考点覆盖：技术基础、架构设计、工具使用、项目落地、场景实操

【面试题】1. 大模型API调用中，Token成本控制有哪些实操手段？ ​

【标准答案】 三招： 第一，Prompt精简——去掉冗余描述，用系统提示词缓存（如Claude的prompt cache），重复调用可省90%输入token成本。 第二，输出约束——用max_tokens限制回复长度，要求模型"300字以内回答"，避免无效发挥。 第三，模型分级——简单任务用小模型（如GPT-3.5、Kimi短文本），复杂推理才上大模型，混合调度能省60%以上费用。 项目里我一般还会加一层本地缓存，相同问题直接返回，不重复调API。

【面试题】2. 什么场景下应该用多智能体（Multi-Agent）架构？单智能体搞不定的痛点是什么？ ​

【标准答案】 单智能体痛点：任务复杂时提示词过长、职责不清、错误难定位、上下文容易超限。 多智能体适用场景：

  • 任务可拆解成多个子任务，比如"调研→写稿→审核"流水线
  • 需要不同专业能力，比如一个管搜索、一个管代码、一个管写作
  • 需要角色扮演或对抗校验，比如红队测试、多视角评审
  • 大规模并发处理，多Agent并行提速 我们项目里用CrewAI做内容生产流水线，3个Agent分工，比单Agent准确率提升了40%，因为每个Agent只管一件事，提示词精准多了。

【面试题】3. Function Calling（工具调用）的实现原理是什么？实际开发中常见坑有哪些？ ​

【标准答案】 原理：模型输出结构化JSON（function_call），包含函数名和参数，应用层解析后执行真实函数，结果再喂回模型。 常见坑：

  1. 模型乱填参数——要在提示词里给参数样例，加JSON Schema强约束
  2. 函数执行超时——必须设timeout，超时后给模型返回错误信息，让它重试或换方案
  3. 工具太多模型选错——工具描述（description）要写清楚触发场景，必要时做工具路由层，先筛选再暴露给模型
  4. 上下文膨胀——执行结果太长要截断或摘要后再传回模型

【面试题】4. RAG系统落地，如何提升检索准确率？说3个最有效的方式。 ​

【标准答案】 第一，分块策略优化——不要固定字数切，用语义分块（按段落/标题切），overlap设10-20%避免信息断裂，代码文件按函数切。 第二，混合检索——向量检索+关键词检索（BM25）混排，召回率比单用向量高30%以上，LangChain的EnsembleRetriever直接支持。 第三，Query改写——用户原始问题直接检索效果差，用模型把问题改写成多个检索友好query，或者加HyDE（让模型先"幻想"一段答案，再用幻想内容去检索）。 我们上线后这三点叠加，准确率从62%提到87%。

【面试题】5. 向量数据库选型（Milvus/Chroma/Pinecone/PGVector），你是怎么选的？ ​

【标准答案】 看场景和体量：

  • 原型验证/本地跑——Chroma，零配置，直接pip安装，适合快速验证
  • 中型项目、要持久化——PGVector，利用现有PostgreSQL，不用维护新组件，支持混合查询（向量+SQL过滤）
  • 大规模生产、要高性能——Milvus，支持十亿级向量，有索引优化（IVF、HNSW），腾讯云/AWS都有托管版
  • 不想自己运维——Pinecone，SAAS，开箱即用，但数据出公网要注意合规 我们选PGVector，因为项目本身就用PostgreSQL，运维成本低，向量+业务数据联合查询很方便。

【面试题】6. 智能体的"记忆系统"怎么设计？短期记忆和长期记忆分别怎么处理？ ​

【标准答案】 短期记忆：直接用对话上下文（Context Window），但要做窗口管理——超出限额时，把早期对话压缩成摘要，保留最近N轮完整对话。 长期记忆：用向量数据库存储，每次对话结束后把"有价值信息"提取出来存进去，下次对话时先检索相关记忆注入上下文。 实操要点：

  • 记忆要有结构化标签（时间、主题、重要度），方便筛选
  • 定期清理无效记忆，避免噪声
  • 用户画像类信息单独存，优先级最高 Mem0、LangChain的Memory模块都可以直接用，我们项目里是基于Redis+向量库自研的，延迟更低。

【面试题】7. LangChain和CrewAI的区别是什么？什么场景选哪个？ ​

【标准答案】 LangChain：偏底层框架，灵活度高，适合需要精细控制流程的场景——自定义链、复杂工具调用、混合RAG都方便，但代码量大。 CrewAI：偏多Agent编排，概念清晰（Agent/Task/Crew），适合流水线式任务——每个Agent有明确角色，顺序/并行执行都支持，代码简洁，但灵活性不如LangChain。 选型建议：

  • 单Agent+复杂工具链 → LangChain
  • 多Agent协作+任务分工 → CrewAI
  • 要可视化编排 → Dify（基于LangChain封装，有UI） 我们内容生成用CrewAI，因为就是流水线；技术问答用LangChain，因为要接很多工具。

【面试题】8. 智能体任务规划（Planning）有哪些实现方式？ReAct和Plan-and-Execute怎么选？ ​

【标准答案】 ReAct：每步都让模型"思考→行动→观察"，动态决策，适合开放场景，但步骤多的时候慢且容易跑偏。 Plan-and-Execute：先让模型一次性制定完整计划，再按步骤执行，效率高，但计划出错后修正能力弱。 实际落地：

  • 步骤明确的可预测任务——用Plan-and-Execute，先规划再执行
  • 需要动态应变的问题——用ReAct，或者ReAct+人工确认关键步骤
  • 我们改进方案：先让模型出计划，用户确认后再执行，执行中每步给模型看当前状态让它动态调整，结合两者优点。

【面试题】9. 智能体系统上线后，怎么监控效果并持续迭代？说清楚指标体系。 ​

【标准答案】 三层指标： 第一层（技术指标）：API调用成功率、响应时延、Token消耗/请求、工具调用成功率——用Prometheus+Grafana看板实时监控，异常自动告警。 第二层（效果指标）：任务完成率（用户问题是否解决）、人工介入率（多少比例需要人工接管）、用户满意度评分——埋点收集，每周汇总。 第三层（业务指标）：核心看ROI——省了多少人力、提了多少转化率，这个决定项目能不能继续拿到资源。 迭代闭环：效果差的case入库→分析根因（提示词/工具/知识库）→针对性优化→A/B测试→全量上线。我们用LangSmith做trace分析，哪个环节掉链子一目了然。

【面试题】10. 从0到1落地一个企业级智能体项目，关键步骤是什么？最大的风险点在哪？ ​

【标准答案】 关键步骤：

  1. 先框定范围——别想做一个"什么都能干"的Agent，选一个高价值、边界清晰的场景先跑通
  2. 做技术方案——选框架（LangChain/CrewAI/Dify）、选模型、设计工具集、确定知识库来源
  3. 搭MVP——2周内出可用Demo，让业务方实际用，收集反馈
  4. 迭代优化——根据反馈调提示词、加工具、优化RAG，同时补监控和安全
  5. 上线+持续运营 最大风险点：
  • 期望管理——业务方以为Agent什么都能搞定，实际上边界很清楚，前期一定要对齐预期
  • 数据安全——企业知识库不能随便喂给公有模型，该本地化部署的必须本地化
  • 评估标准缺失——上线前就要定好怎么衡量"好"，不然优化没有方向

生成时间：2026-06-15 22:50
题目数量：10道（全覆盖，无重复）