工作知识库

Appearance

AI智能体应用开发面试题 ​

生成时间：2026-06-16 23:50

【面试题】1. 当LLM返回的工具调用参数格式不符合预期时，你的排查思路是什么？ ​

【标准答案】

先打日志把原始返回打印出来，确认是模型幻觉乱填了参数、还是格式解析出错了。

常见三坑：

  • 解析层面：JSON前后有markdown标记、多了换行或引号，用正则或专用parser处理
  • 模型层面：提示词里没强调必须输出严格schema，加个few-shot示例让它学
  • 参数校验：在调用工具前加Schema验证层，不合格直接抛异常重试

实战技巧是加个"参数修正agent"，专门把残缺参数补全或纠正，比让主模型重试成本低。

【面试题】2. Dify和CrewAI在多智能体编排上的核心差异是什么？什么场景选哪个？ ​

【标准答案】

Dify是工作流优先，强在可视化编排、API接入、Saas化部署，适合产品化场景，多个agent作为流程节点串起来。

CrewAI是角色协作优先，强在多agent之间自主协商、共享上下文，适合复杂调研/分析类任务，agent之间是平等角色关系。

选Dify：你要做一个有前端界面的产品、多流程分支、需要非技术人员配置 选CrewAI：你要做调研报告生成、多角度分析、多agent"讨论"得出结论

1-3年经验强烈建议两个都会，CrewAI理解agent协作原理，Dify能快速出demo。

【面试题】3. 描述一下你做过的RAG项目中，是如何处理"召回质量差"这个问题的？ ​

【标准答案】

分三步：

召回前：优化分块策略。不是按固定字数切，而是按语义段落切，小块512字左右足够。加BM25初筛+向量检索双路召回，底池够大时效果明显。

召回后：加重排序模型（bge-reranker），把向量召回的Top20再排一遍，取Top5送给LLM。

生成时：给LLM的prompt里明确加"仅用提供的上下文回答，超出范围说不知道"，避免它用自己的知识发挥。

实际项目里重排序是ROI最高的优化，加了之后召回准确率能提20%以上。

【面试题】4. 多模态Agent在处理图片时，你一般怎么做图片理解和信息提取的？ ​

【标准答案】

核心就一个原则：根据任务决定图片处理深度。

不需要深度理解的场景（截图识别、UI检测）：用轻量模型加规则，比如PaddleOCR + 坐标框提取。

需要理解内容的场景（文档理解、图表分析）：直接调GPT-4o或Claude-3.5的vision能力，配合提示词约束输出格式。

实战技巧是图片先做预处理——统一分辨率、加对比度、去除水印——能显著提升识别准确率。多图场景用拼图方式传一张，而不是逐张多次调用，成本差好几倍。

【面试题】5. 如果让你从0设计一个客服Agent，你会怎么规划它的架构？ ​

【标准答案】

分四层来设计：

入口层：意图识别。先让小模型或规则做意图分类，分流到不同处理链路，避免什么都走大模型。

记忆层：Session内用短时记忆（当前对话窗口），跨session用向量数据库存历史对话摘要，支持上下文续接。

执行层：核心Agent负责理解-规划-执行。规划模块拆解用户问题，分发给工具节点（查订单、退货政策、FAQ检索），结果汇总返回。

质量层：输出校验Agent，检查回答是否偏离事实、是否有hallucination，敏感词过滤。

部署上用Dify做编排，Qdrant做向量检索，Redis做session缓存，这套组合在中小型客服场景性价比最高。

【面试题】6. LangChain的LCEL是什么？你在项目里是怎么用的？ ​

【标准答案】

LCEL（LangChain Expression Language）是LangChain的链式表达式语法，把各种组件（prompt、model、output_parser）用管道符|串起来。

优势是统一了调用接口，不管是简单链还是复杂链写法一致，而且天然支持并行和动态路由。

实战用法：

python
# 简单链
chain = prompt | model | output_parser

# 带重试和fallback的链
chain = prompt | model.with_retry() | output_parser.with_fallback(fallback=manual_handler)

我之前用它做过一个合同审查流程：输入合同文本 → 提取关键条款 → 比对风险条款库 → 输出审查报告，LCEL让每个步骤独立可测试，出问题好定位。

【面试题】7. 智能体的长期记忆系统怎么设计？和短期记忆的区别是什么？ ​

【标准答案】

短期记忆：就是当前对话上下文窗口，靠轮次ID管理，换了session就没了。

长期记忆：分两层：

  • 语义记忆：对话摘要+核心信息向量存进向量数据库，按需召回
  • 程序记忆：用户偏好、已知事实用结构化存储（JSON/数据库），每次建新session先加载

设计原则是"按需记忆，不要全部记"。全量记成本高且干扰大，用一个"记忆优先级打分器"决定哪些值得长期存。

面试加分点：提到用向量数据库（Milvus/Pinecone）存语义记忆，用Graph数据库存实体关系——这说明你对记忆系统的理解有深度。

【面试题】8. 当Agent执行一个长任务时中途失败了，你怎么设计恢复机制？ ​

【标准答案】

核心思路是任务快照+断点续跑。

具体做法：

  1. 任务开始前生成唯一ID，拆解后的子任务存入任务队列，每个子任务带状态标记（pending/running/done/failed）
  2. 执行过程中每个节点完成后立即持久化状态到Redis
  3. 失败时从最后一个成功的节点重试，不从头跑
  4. 重试超过N次（N可配置）还没过，标记失败并告警

面试亮点：加上"补偿机制"——比如写数据库失败了，不仅重试操作，还要有回滚之前已写数据的逻辑。这说明你有完整的事务思维。

【面试题】9. 你怎么理解"Agent规划能力"？请说一个你做过的任务拆解实践 ​

【标准答案】

规划能力本质是把模糊目标拆成可执行步骤的能力，依赖模型的CoT（思维链）和工具认知。

我做过一个案例：用户说"帮我分析竞品情况"，Agent的规划链是这样的：

  1. 先用搜索工具查竞品名单
  2. 并行调用多个搜索查各竞品的产品/价格/评价
  3. 汇总信息，提取结构化对比维度
  4. 调用分析模型输出报告

关键点是第一步先让模型输出规划大纲，人确认或自动执行，避免它一上来就瞎搜。规划模块和执行模块解耦，规划只管拆，执行只管干，出了bug好排查。

【面试题】10. 如果面试官问你"你觉得Agent和传统RPA的核心区别是什么"，你怎么回答？ ​

【标准答案】

最本质的区别是Agent有判断力，RPA没有。

RPA是"死规则"——告诉它点在哪个坐标、填什么内容，它100%按指令执行，环境变了就废了。

Agent是"活的"——给它一个目标，它自己决定用什么工具、先做什么、怎么应对异常。遇到没见过的场景，Agent能推理，RPA就原地报错。

打个比方：RPA是高级照相机，参数调好了能拍出好照片但拍不了新场景；Agent是摄影师，理解你要什么自己调参数。

1-3年经验能把这个逻辑讲清楚，面试官就知道你不是在调API糊弄，而是真正理解了这套范式的价值。