AI智能体应用开发面试题 - 2026-06-16 23:30
【面试题】1. 大模型API返回的结构化输出不稳定怎么办？比如Function Calling的参数偶尔缺失或类型错误，你在生产环境中怎么兜底？
【标准答案】这是生产环境最常见的坑。我的做法分三层：第一层，调用端做参数校验——拿到返回后先做schema校验，缺必填字段就自动重试，最多重试3次，每次换一下temperature降随机性；第二层，参数修复——对缺失字段用默认值填充，对类型错误做强制转换，比如把字符串"true"转成布尔值；第三层，兜底降级——如果重试后还是烂，就fallback到纯文本模式让模型自由回答，再用正则或二次LLM调用提取关键参数。实测这套方案能把工具调用的成功率从85%提到98%以上。
【面试题】2. 你如何设计一个智能体的任务拆解与规划模块？请从具体实现角度说明，不要只讲概念。
【标准答案】我用两步走：第一步，让LLM做"计划生成"，输入任务描述+可用工具列表，输出一个有序的子任务清单，每个子任务指定用哪个工具、输入什么、期望输出什么——这步我用结构化JSON输出强制约束格式；第二步，执行引擎按计划顺序跑，每个子任务执行完把结果注入上下文，下一个子任务带着前面的结果继续。关键点是计划不是一锤子买卖——我在每个子任务执行后加一个"反思检查"，判断当前结果是否偏离预期，偏离了就触发计划重规划，重新生成后续步骤。这套"Plan-Execute-Replan"循环在LangChain里可以靠ReAct链+自定义回调实现，Dify里用工作流分支节点更直观。
【面试题】3. 多模态智能体怎么处理图片输入和图文混合推理？你在项目中遇到过什么实际问题？
【标准答案】多模态Agent的核心是把视觉理解融入推理链路。实际做法：用GPT-4V或Claude的多模态API，把图片作为input直接传给模型，在prompt里明确要求"先描述图片内容，再基于描述推理"。遇到的实际问题有三个：一是图片太大超出token限制，我的解法是先做预处理——缩放+裁剪关键区域，或用OCR提取文字部分单独处理；二是模型对复杂图表的理解不稳定，我加了"二次验证"步骤——让模型用代码生成图表的数值提取，再交叉比对；三是图文混合上下文排序问题，多个图片和文本交替时模型容易混淆顺序，我用显式的标记如[IMAGE_1]、[TEXT_BLOCK_1]来帮模型对齐引用关系。
【面试题】4. 向量数据库的索引类型怎么选？HNSW和IVF在实际业务中的取舍你怎么做？
【标准答案】选索引类型看你的数据规模和查询延迟要求。HNSW是图索引，查询速度快、召回率高，适合数据量中等（百万级以内）且要求毫秒级响应的场景，比如实时客服问答；缺点是内存占用大、构建慢。IVF是聚簇索引，先分桶再桶内搜索，适合大数据量（千万到亿级）的场景，内存友好，构建快；缺点是召回率略低，需要调nprobe参数平衡精度和速度。我的实际选择：百万级以下首选HNSW，数据量上千万就用IVF+PQ量化压缩；如果两者都想要，Milvus支持混合索引，可以IVF做粗筛、HNSW做精排。关键是别上来就HNSW——数据量大了内存直接炸。
【面试题】5. 在Dify中如何设计一个包含条件分支和并行执行的工作流？举个实际业务场景说明。
【标准答案】举个例子——自动报销审核Agent：用户提交报销单后，工作流第一步是LLM提取金额和类别；然后条件分支节点判断金额——低于500走"快速审批"分支（直接LLM决策+自动通过），高于500走"详细审核"分支（并行执行两个子任务：合规检查和预算校验），两个并行结果汇总后再做最终决策节点。Dify里实现很直观：用"IF/ELSE"节点做条件分支，用"Parallel"节点做并行执行，每个分支里嵌套独立的LLM节点和工具节点。关键设计点：并行节点后必须加"合并"节点把多个输出聚合成统一格式，否则下游节点无法处理。另外条件判断尽量用明确的数值比较，别让LLM做模糊判断——模型输出不稳定会让分支逻辑跑飞。
【面试题】6. 智能体的错误处理机制你怎么设计？特别是工具调用失败、LLM输出异常、外部服务不可用这三种情况。
【标准答案】三种错误各有策略：工具调用失败——我做了分级重试：网络错误自动重试3次递增间隔，业务逻辑错误（如API返回"参数非法")不重试直接把错误信息喂给LLM让它修正参数后重新调用；LLM输出异常——做输出校验层，JSON解析失败就用正则兜底提取，内容偏离预期就触发"自我纠错"提示让模型重新生成；外部服务不可用——熔断降级，连续3次调用失败就切换到备用服务或降级为纯LLM推理模式，同时发告警。整体架构上，我用一个全局ErrorHandler模块统一捕获和分发，每个Agent节点配置自己的错误策略，类似微服务的熔断器模式。日志必须记录每次失败的原始输入和错误详情，方便后续分析改进。
【面试题】7. 提示词工程中，"系统提示+角色设定+输出约束"三层结构你怎么组织？为什么不能只写一个长prompt？
【标准答案】三层结构各有分工：系统提示层定义全局规则和行为边界，比如"你必须先确认用户意图再执行""禁止猜测敏感信息"；角色设定层定义身份和专业倾向，比如"你是资深运维工程师，回答偏实操少理论"；输出约束层定义格式和质量标准，比如"回答不超过200字，必须包含具体命令"。为什么不能揉成一个长prompt？因为模型对不同位置的指令遵循度不同——系统提示权重最高最稳定，角色设定影响语气和倾向，输出约束控制格式。揉在一起模型容易"注意力稀释"，关键规则被淹没在长文本里。实际项目里我把三层分开管理，系统提示是固定的，角色和输出约束按业务场景动态切换，维护性和可靠性都更好。
【面试题】8. 你如何实现一个支持"对话记忆+文档记忆+工具记忆"的混合记忆系统？三者怎么协同工作？
【标准答案】三层记忆各有存储和检索逻辑：对话记忆——用Redis存近期对话摘要，滑动窗口保留最近20轮，检索时按时间倒序取；文档记忆——向量数据库存长期知识片段，检索时用语义相似度召回top-K；工具记忆——SQLite记录每次工具调用的参数、结果、耗时和成功状态，下次遇到类似任务先查历史记录看有没有可复用的结果。三者协同的关键是"统一检索接口"——每次Agent决策前，先并行查询三层记忆，然后用一个"记忆融合"步骤把三者结果按相关性排序合并注入上下文。实际效果：对话记忆保短期连贯性，文档记忆提供领域知识，工具记忆避免重复调用和记录失败教训。这三层缺一层Agent都会变笨。
【面试题】9. CrewAI中Agent的"自主性"和"协作性"怎么平衡？什么情况下应该限制Agent的自主决策范围？
【标准答案】CrewAI里每个Agent有自主度参数（max_iter和allow_delegation）。平衡原则：任务明确、步骤可预定义的就限制自主性——max_iter设低（比如3），不允许delegation，让它严格按流程走，比如数据清洗Agent；任务模糊、需要探索性推理的就放开自主性——max_iter设高（比如10），允许delegation，让它自己决定下一步，比如创意策划Agent。限制自主决策的场景：一是涉及外部写操作（发邮件、改数据库），必须加审批节点或人工确认；二是成本敏感场景，自主性越高token消耗越大，必须限迭代次数；三是合规场景，金融医疗等领域Agent不能自行决策关键操作。实操建议：先跑宽再收窄——上线初期放开观察Agent行为日志，发现异常决策模式后再针对性加约束。
【面试题】10. 面试官问："你做过一个AI Agent项目，上线后效果还行但用户反馈'太慢了'，你怎么排查和优化？"
【标准答案】排查分四步：第一步，打日志看时间分布——我给每个环节加了耗时埋点：LLM调用耗时、工具调用耗时、记忆检索耗时、流程编排耗时。第二步，定位瓶颈——常见三个：LLM调用慢（每次3-5秒串行调用），向量检索慢（索引没优化或召回量太大），工作流串行执行没有并行化。第三步，针对性优化：LLM慢就做流式输出让用户实时看到进展，同时用小模型做简单判断、大模型只处理复杂步骤（模型路由）；向量检索慢就换HNSW索引、减少top-K、加缓存层；串行流程改并行——Dify工作流里用Parallel节点，LangChain里用RunnableParallel。第四步，体验层兜底——即使后台还在跑，前端先给用户一个"正在思考"的实时反馈，配合流式输出，体感速度提升50%以上。用户说"慢"往往不是真慢，而是没有反馈让他觉得在等。