1. 2026年AI Agent面试的真实考察逻辑1.1 为什么传统八股文在Agent面试中失灵了2026年开春以来我陆续跟十几个正在看机会的朋友聊过也帮团队面了二十多个候选人。一个很明显的感受是AI Agent岗位的面试跟过去三年的大模型岗位面试完全不是一回事。2024年那会儿面大模型岗基本就是Transformer八股、LoRA原理、RLHF流程、手撕Attention背熟了就能过。但从2025年下半年开始Agent方向的面试官明显换了一套打法。原因不复杂。Agent这个方向本身还在快速演化主流架构半年一小变、一年一大变。你今天背熟的LangChain Chain写法明天可能就被Graph取代了你精心准备的ReAct模板面试官可能直接问你“ReAct在工具调用超过20个之后为什么容易崩”。所以面试官真正想筛的不是“你记住了多少”而是“你能不能在没有标准答案的情况下把一个模糊需求拆成一个能跑的Agent系统”。我见过太多候选人栽在这一点上简历上写着“熟悉AI Agent开发”结果一问“你那个Agent的Memory是怎么设计的”回答是“用了LangChain的ConversationBufferMemory”。再追问“对话超过上下文窗口怎么办”就卡住了。这就是典型的只会调库、不懂设计。2026年的Agent面试考的就是你脑子里有没有一套完整的系统设计框架。1.2 面试官到底在筛什么人我把这半年面过的候选人分成三类你可以对号入座第一类是Prompt工程师型。能写出很漂亮的提示词对Few-shot、CoT、Self-Consistency这些技巧如数家珍。但一问到“工具调用的错误处理怎么做”“多Agent之间怎么通信”就答不上来。这类候选人在2024年很吃香2026年基本过不了二面。第二类是框架熟练工型。LangChain、LlamaIndex、AutoGen、CrewAI都能上手能快速搭出一个Demo。但面试官稍微往深了问比如“LangGraph的State是怎么在节点间传递的”“AutoGen的GroupChat在什么情况下会死循环”就露馅了。这类候选人能过一面但很难拿到Offer。第三类是系统设计型。不一定用过所有框架但能清楚地讲出“如果让我从零设计一个Agent我会怎么划分模块、怎么处理异常、怎么评估效果”。这类人现在最抢手也是这套题库真正想帮你成为的人。我个人的判断是2026年Agent面试的核心矛盾是岗位需求从“会用”升级到了“会设计”而市面上大部分题库还停留在“什么是Agent”这种科普层面。这就是为什么你需要一套真正覆盖高频考点的题库。1.3 这套题库的覆盖范围和使用方法这套题库我前后整理了三个月来源包括我自己面别人的真题、朋友面别人被问到的题、以及从各种技术社区里扒下来的高频问题。覆盖了大约90%的高频考点剩下的10%是各家公司的业务定制题那个只能靠临场发挥。题库按难度分成三档难度对应轮次考察重点建议准备时间L1 基础一面/笔试Agent基本概念、主流架构、工具调用3-5天L2 进阶二面/交叉面系统设计、Memory管理、多Agent协作1-2周L3 高阶三面/终面架构选型、性能优化、评估体系2-4周使用方法很简单先做L1自测卡在哪一档就从哪一档开始补。不要一上来就啃L3基础不牢后面全是空中楼阁。下面我按模块拆解每个模块都会给出高频题、考察意图、以及我自己的答题思路。2. 基础概念与主流架构高频考点2.1 Agent到底是什么别再背定义了“请介绍一下什么是AI Agent”——这是出现频率最高的一道题但也是最容易答砸的一道题。大部分人会把教科书上的定义背一遍“Agent是能感知环境、做出决策、采取行动的系统”。面试官听完没有任何感觉因为这句话放在任何一本教材里都能找到。我自己的答法是Agent LLM 工具 记忆 规划循环。然后展开讲这四块分别解决什么问题。LLM是大脑负责理解和推理工具是手脚负责跟外部世界交互记忆是经验负责跨轮次保持上下文规划循环是心跳负责驱动整个系统持续运转。这样答的好处是面试官能立刻判断你脑子里有没有系统观。紧接着面试官大概率会追问“那Agent和Workflow有什么区别”这是2025年下半年开始高频出现的一道题。我的回答是Workflow是确定性流程Agent是动态决策。Workflow的每一步都是人预先定义好的Agent则是在运行时根据当前状态决定下一步做什么。但实际工程中纯Agent和纯Workflow都很少见大部分生产系统是“Workflow骨架 Agent决策点”的混合模式。这个回答能直接把你和只会背概念的人区分开。2.2 主流架构ReAct、Plan-and-Execute、Reflection怎么选“你了解哪些Agent架构”这道题几乎每场必问。2026年的标准答案至少要覆盖三种ReAct、Plan-and-Execute、Reflection。ReAct的核心是“思考-行动-观察”循环每一步都让LLM先想一下再调工具。优点是灵活、适应性强缺点是Token消耗大、延迟高而且工具多了之后容易在循环里打转。我实测过一个ReAct Agent工具数量超过15个之后它开始反复调用同一个工具因为它在“思考”阶段被太多选项干扰了。Plan-and-Execute是先让LLM制定完整计划再逐步执行。优点是全局视野好、Token效率高缺点是计划一旦出错后面全错而且中途遇到新信息很难调整。适合任务边界清晰、步骤可预判的场景。Reflection是让Agent对自己的输出进行批判和修正。优点是能显著提升复杂任务的成功率缺点是成本翻倍因为每次反思都要多一轮LLM调用。我一般只在关键决策点用Reflection不会全程开。面试官如果追问“你怎么选”我的回答框架是先看任务确定性再看成本预算最后看容错要求。任务越确定越偏向Plan-and-Execute越不确定越偏向ReAct对质量要求极高且预算充足就加Reflection。2.3 工具调用Function Calling的坑比你想的多“Agent怎么调用外部工具”这道题看起来简单但能答深的人不多。基础答案是Function Calling或者Tool Use但面试官想听的是你怎么处理工具调用的各种异常。我踩过的坑包括工具返回格式不符合预期、工具超时、工具返回了错误信息但LLM没识别出来、多个工具需要并行调用但LLM串行调了。每一个坑背后都是一套处理逻辑。比如工具超时我的做法是设置分级超时 降级策略3秒没返回就重试一次5秒还没返回就返回一个“工具暂时不可用”的提示给LLM让它决定是换工具还是告诉用户稍后再试。还有一个高频追问“工具描述怎么写才能让LLM准确调用”我的经验是描述里必须包含“什么时候用”和“什么时候不用”。只写“这个工具能查天气”是不够的要写“当用户询问当前天气、未来天气、气温、降水概率时使用此工具当用户询问历史天气或气候趋势时不要使用此工具”。这样能大幅降低误调用率。3. 系统设计题从零设计一个Agent3.1 需求拆解面试官想看你怎么“切”系统设计题是2026年Agent面试的重头戏出现频率仅次于基础概念。典型题目是“如果让你设计一个能帮用户处理客服工单的Agent你会怎么做”这道题没有标准答案面试官看的是你的拆解能力。我的习惯是先问清楚边界工单来源是什么、工单类型有哪些、是否需要人工介入、响应时间要求是多少。然后按感知层、决策层、执行层、反馈层四层来设计。感知层负责接收工单、提取关键信息、判断紧急程度。决策层负责决定这个工单是自动处理还是转人工、需要调用哪些工具。执行层负责实际调用API、发送回复、更新工单状态。反馈层负责记录处理结果、收集用户满意度、用于后续优化。这样答的好处是结构清晰、层次分明面试官能顺着你的思路往下追问而不是听你东一榔头西一棒子。3.2 Memory设计短期、长期、工作记忆怎么分“Agent的Memory怎么设计”这道题在2026年出现的频率极高因为Memory是区分Demo和产品的关键。我的答法是分三层短期记忆、工作记忆、长期记忆。短期记忆就是当前对话的上下文用滑动窗口管理超过窗口就摘要压缩。工作记忆是当前任务相关的中间状态比如已经调用了哪些工具、得到了什么结果用结构化数据存储。长期记忆是跨会话的知识比如用户偏好、历史工单处理经验用向量数据库存储。面试官通常会追问“摘要压缩会丢信息怎么办”我的做法是关键信息结构化提取 非关键信息摘要。比如用户提到的订单号、金额、时间这些关键实体直接抽出来存成结构化字段对话中的寒暄、重复确认这些摘要成一句话就行。这样既控制了Token又保住了关键信息。3.3 多Agent协作什么时候需要怎么通信“多Agent系统怎么设计”这道题属于L2进阶题能答好的人不多。我的观点是多Agent不是越多越好能单Agent解决的就别上多Agent。多Agent带来的通信开销、状态同步、死锁风险往往比它解决的问题还多。但有些场景确实需要多Agent比如一个负责调研、一个负责写作、一个负责审核。这时候通信机制就是关键。我一般用共享状态 消息队列的方式所有Agent读写同一个状态存储通过消息队列传递事件。这样避免了Agent之间直接调用导致的耦合。面试官如果追问“怎么防止多个Agent互相等待死锁”我的回答是设置全局超时 优先级抢占。每个Agent的任务都有超时时间超时后强制释放资源高优先级任务可以抢占低优先级任务的资源。这套机制我在实际项目里用过能把死锁概率降到接近零。4. 实操环节手撕代码与现场调试4.1 手撕Agent循环面试官在看什么2026年Agent面试的一个明显趋势是增加手撕环节。不是让你手撕Transformer而是让你手写一个最简单的Agent循环。题目通常是“用Python写一个ReAct Agent的核心循环不需要调库。”这道题考的不是你背代码的能力而是你对Agent运行机制的理解。我见过有人写出来的循环没有终止条件有人忘了把工具返回结果拼回Prompt有人把思考和行动的顺序搞反了。这些都是硬伤。一个合格的ReAct循环至少包含构造Prompt、调用LLM、解析输出、判断是否需要调工具、执行工具、把结果拼回上下文、判断是否终止。我一般会加一个最大迭代次数保护防止无限循环。这个细节面试官很看重因为它说明你有工程思维不是只会在理想环境下跑Demo。4.2 现场调试工具调用失败怎么排查有些面试官会给你一个跑不通的Agent代码让你现场调试。这是最考验实战能力的环节。我总结了一套排查顺序排查步骤检查内容常见问题1Prompt格式工具描述是否清晰、Few-shot示例是否正确2LLM输出解析解析逻辑是否兼容不同输出格式3工具注册工具名、参数名是否与Prompt一致4错误处理工具报错后是否有降级逻辑5循环控制是否有最大迭代次数、是否有终止条件我遇到最多的坑是工具名大小写不一致。Prompt里写的是get_weather代码里注册的是getWeatherLLM按Prompt里的名字调用结果找不到工具。这种问题看起来很低级但在实际项目中非常常见面试官也特别喜欢用这种细节来筛人。4.3 性能优化Token成本和延迟怎么压“你的Agent响应太慢了怎么优化”这道题在L3终面出现频率很高。我的优化思路分三步先测量、再定位、后优化。测量就是加埋点记录每个环节的耗时和Token消耗。定位就是找出瓶颈通常是LLM调用次数太多、Prompt太长、或者工具调用串行。优化手段包括合并LLM调用、压缩Prompt、并行化工具调用、缓存重复结果。我实测过一个客服Agent优化前平均响应8秒、单次消耗3000 Token。优化后降到3秒、1200 Token。主要改动是把三次LLM调用合并成一次、把工具描述从500字压到200字、把可以并行的查询并行化。这些优化都不复杂但前提是你知道瓶颈在哪。5. 常见问题与避坑指南5.1 高频问题速查表我把这半年被问到的和听说的题目整理成了一张速查表按模块分类你可以对照着自测模块高频题难度出现频率基础概念Agent和Workflow的区别L1极高基础概念ReAct、Plan-and-Execute、Reflection的适用场景L1极高工具调用Function Calling的异常处理L2高工具调用工具描述怎么写才能准确调用L2高Memory短期、长期、工作记忆怎么分L2极高Memory上下文超窗口怎么处理L2高多Agent什么时候需要多AgentL2中多AgentAgent之间怎么通信、怎么防死锁L3中系统设计从零设计一个客服AgentL2极高系统设计怎么评估Agent的效果L3高实操手写ReAct循环L2高实操现场调试工具调用失败L2中性能Token成本和延迟怎么优化L3中5.2 我踩过的坑和避坑建议第一个坑是过度依赖框架。我早期做Agent项目什么都用LangChain结果遇到一个框架不支持的场景改了半天改不动。后来我学乖了核心逻辑自己写框架只用来做辅助。这样既可控又不会被框架绑架。面试的时候如果你能说出“我用LangChain做原型但生产环境核心循环是自己实现的”面试官会高看你一眼。第二个坑是忽视评估。很多人做Agent只关注“能不能跑”不关注“跑得好不好”。我建议你在面试中主动提评估用成功率、平均轮次、Token消耗、用户满意度四个指标来衡量。成功率看结果平均轮次看效率Token消耗看成本用户满意度看体验。这四个指标一摆出来面试官就知道你是做过真实项目的人。第三个坑是Prompt写得太长。我见过一个候选人的Prompt写了2000字工具描述占了1500字。面试官问他“为什么这么长”他说“怕LLM理解不了”。其实Prompt越长LLM越容易迷失。我的经验是工具描述控制在每个50字以内只写“什么时候用”和“什么时候不用”剩下的靠Few-shot示例来教。5.3 面试中的表达技巧最后说几个表达上的技巧。第一先给结论再展开。面试官问“你怎么设计Memory”你先说“分三层短期、工作、长期”然后再展开每一层。这样面试官能快速抓住你的思路也方便他追问。第二主动暴露权衡。不要只说“我用了方案A”要说“我在A和B之间选了A因为……但A的代价是……”。这说明你有工程判断力不是只会照搬。第三不会的题不要硬编。Agent这个领域很新面试官也知道有些问题没有标准答案。如果你确实没做过就说“这个场景我没实际做过但我会这样思考……”然后给出你的推理过程。面试官看的是思考方式不是标准答案。这套题库我还在持续更新因为Agent这个方向每个月都有新东西出来。但核心考点就这些把上面这些模块吃透90%的面试题你都能接住。剩下的10%靠的是你平时的积累和临场的应变。我个人的体会是Agent面试跟传统后端面试最大的区别在于它不考你知不知道它考你能不能想清楚。想清楚了代码自然写得出来想不清楚背再多八股也没用。
1. 2026年AI Agent面试的真实考察逻辑1.1 为什么传统八股文在Agent面试中失灵了2026年开春以来我陆续跟十几个正在看机会的朋友聊过也帮团队面了二十多个候选人。一个很明显的感受是AI Agent岗位的面试跟过去三年的大模型岗位面试完全不是一回事。2024年那会儿面大模型岗基本就是Transformer八股、LoRA原理、RLHF流程、手撕Attention背熟了就能过。但从2025年下半年开始Agent方向的面试官明显换了一套打法。原因不复杂。Agent这个方向本身还在快速演化主流架构半年一小变、一年一大变。你今天背熟的LangChain Chain写法明天可能就被Graph取代了你精心准备的ReAct模板面试官可能直接问你“ReAct在工具调用超过20个之后为什么容易崩”。所以面试官真正想筛的不是“你记住了多少”而是“你能不能在没有标准答案的情况下把一个模糊需求拆成一个能跑的Agent系统”。我见过太多候选人栽在这一点上简历上写着“熟悉AI Agent开发”结果一问“你那个Agent的Memory是怎么设计的”回答是“用了LangChain的ConversationBufferMemory”。再追问“对话超过上下文窗口怎么办”就卡住了。这就是典型的只会调库、不懂设计。2026年的Agent面试考的就是你脑子里有没有一套完整的系统设计框架。1.2 面试官到底在筛什么人我把这半年面过的候选人分成三类你可以对号入座第一类是Prompt工程师型。能写出很漂亮的提示词对Few-shot、CoT、Self-Consistency这些技巧如数家珍。但一问到“工具调用的错误处理怎么做”“多Agent之间怎么通信”就答不上来。这类候选人在2024年很吃香2026年基本过不了二面。第二类是框架熟练工型。LangChain、LlamaIndex、AutoGen、CrewAI都能上手能快速搭出一个Demo。但面试官稍微往深了问比如“LangGraph的State是怎么在节点间传递的”“AutoGen的GroupChat在什么情况下会死循环”就露馅了。这类候选人能过一面但很难拿到Offer。第三类是系统设计型。不一定用过所有框架但能清楚地讲出“如果让我从零设计一个Agent我会怎么划分模块、怎么处理异常、怎么评估效果”。这类人现在最抢手也是这套题库真正想帮你成为的人。我个人的判断是2026年Agent面试的核心矛盾是岗位需求从“会用”升级到了“会设计”而市面上大部分题库还停留在“什么是Agent”这种科普层面。这就是为什么你需要一套真正覆盖高频考点的题库。1.3 这套题库的覆盖范围和使用方法这套题库我前后整理了三个月来源包括我自己面别人的真题、朋友面别人被问到的题、以及从各种技术社区里扒下来的高频问题。覆盖了大约90%的高频考点剩下的10%是各家公司的业务定制题那个只能靠临场发挥。题库按难度分成三档难度对应轮次考察重点建议准备时间L1 基础一面/笔试Agent基本概念、主流架构、工具调用3-5天L2 进阶二面/交叉面系统设计、Memory管理、多Agent协作1-2周L3 高阶三面/终面架构选型、性能优化、评估体系2-4周使用方法很简单先做L1自测卡在哪一档就从哪一档开始补。不要一上来就啃L3基础不牢后面全是空中楼阁。下面我按模块拆解每个模块都会给出高频题、考察意图、以及我自己的答题思路。2. 基础概念与主流架构高频考点2.1 Agent到底是什么别再背定义了“请介绍一下什么是AI Agent”——这是出现频率最高的一道题但也是最容易答砸的一道题。大部分人会把教科书上的定义背一遍“Agent是能感知环境、做出决策、采取行动的系统”。面试官听完没有任何感觉因为这句话放在任何一本教材里都能找到。我自己的答法是Agent LLM 工具 记忆 规划循环。然后展开讲这四块分别解决什么问题。LLM是大脑负责理解和推理工具是手脚负责跟外部世界交互记忆是经验负责跨轮次保持上下文规划循环是心跳负责驱动整个系统持续运转。这样答的好处是面试官能立刻判断你脑子里有没有系统观。紧接着面试官大概率会追问“那Agent和Workflow有什么区别”这是2025年下半年开始高频出现的一道题。我的回答是Workflow是确定性流程Agent是动态决策。Workflow的每一步都是人预先定义好的Agent则是在运行时根据当前状态决定下一步做什么。但实际工程中纯Agent和纯Workflow都很少见大部分生产系统是“Workflow骨架 Agent决策点”的混合模式。这个回答能直接把你和只会背概念的人区分开。2.2 主流架构ReAct、Plan-and-Execute、Reflection怎么选“你了解哪些Agent架构”这道题几乎每场必问。2026年的标准答案至少要覆盖三种ReAct、Plan-and-Execute、Reflection。ReAct的核心是“思考-行动-观察”循环每一步都让LLM先想一下再调工具。优点是灵活、适应性强缺点是Token消耗大、延迟高而且工具多了之后容易在循环里打转。我实测过一个ReAct Agent工具数量超过15个之后它开始反复调用同一个工具因为它在“思考”阶段被太多选项干扰了。Plan-and-Execute是先让LLM制定完整计划再逐步执行。优点是全局视野好、Token效率高缺点是计划一旦出错后面全错而且中途遇到新信息很难调整。适合任务边界清晰、步骤可预判的场景。Reflection是让Agent对自己的输出进行批判和修正。优点是能显著提升复杂任务的成功率缺点是成本翻倍因为每次反思都要多一轮LLM调用。我一般只在关键决策点用Reflection不会全程开。面试官如果追问“你怎么选”我的回答框架是先看任务确定性再看成本预算最后看容错要求。任务越确定越偏向Plan-and-Execute越不确定越偏向ReAct对质量要求极高且预算充足就加Reflection。2.3 工具调用Function Calling的坑比你想的多“Agent怎么调用外部工具”这道题看起来简单但能答深的人不多。基础答案是Function Calling或者Tool Use但面试官想听的是你怎么处理工具调用的各种异常。我踩过的坑包括工具返回格式不符合预期、工具超时、工具返回了错误信息但LLM没识别出来、多个工具需要并行调用但LLM串行调了。每一个坑背后都是一套处理逻辑。比如工具超时我的做法是设置分级超时 降级策略3秒没返回就重试一次5秒还没返回就返回一个“工具暂时不可用”的提示给LLM让它决定是换工具还是告诉用户稍后再试。还有一个高频追问“工具描述怎么写才能让LLM准确调用”我的经验是描述里必须包含“什么时候用”和“什么时候不用”。只写“这个工具能查天气”是不够的要写“当用户询问当前天气、未来天气、气温、降水概率时使用此工具当用户询问历史天气或气候趋势时不要使用此工具”。这样能大幅降低误调用率。3. 系统设计题从零设计一个Agent3.1 需求拆解面试官想看你怎么“切”系统设计题是2026年Agent面试的重头戏出现频率仅次于基础概念。典型题目是“如果让你设计一个能帮用户处理客服工单的Agent你会怎么做”这道题没有标准答案面试官看的是你的拆解能力。我的习惯是先问清楚边界工单来源是什么、工单类型有哪些、是否需要人工介入、响应时间要求是多少。然后按感知层、决策层、执行层、反馈层四层来设计。感知层负责接收工单、提取关键信息、判断紧急程度。决策层负责决定这个工单是自动处理还是转人工、需要调用哪些工具。执行层负责实际调用API、发送回复、更新工单状态。反馈层负责记录处理结果、收集用户满意度、用于后续优化。这样答的好处是结构清晰、层次分明面试官能顺着你的思路往下追问而不是听你东一榔头西一棒子。3.2 Memory设计短期、长期、工作记忆怎么分“Agent的Memory怎么设计”这道题在2026年出现的频率极高因为Memory是区分Demo和产品的关键。我的答法是分三层短期记忆、工作记忆、长期记忆。短期记忆就是当前对话的上下文用滑动窗口管理超过窗口就摘要压缩。工作记忆是当前任务相关的中间状态比如已经调用了哪些工具、得到了什么结果用结构化数据存储。长期记忆是跨会话的知识比如用户偏好、历史工单处理经验用向量数据库存储。面试官通常会追问“摘要压缩会丢信息怎么办”我的做法是关键信息结构化提取 非关键信息摘要。比如用户提到的订单号、金额、时间这些关键实体直接抽出来存成结构化字段对话中的寒暄、重复确认这些摘要成一句话就行。这样既控制了Token又保住了关键信息。3.3 多Agent协作什么时候需要怎么通信“多Agent系统怎么设计”这道题属于L2进阶题能答好的人不多。我的观点是多Agent不是越多越好能单Agent解决的就别上多Agent。多Agent带来的通信开销、状态同步、死锁风险往往比它解决的问题还多。但有些场景确实需要多Agent比如一个负责调研、一个负责写作、一个负责审核。这时候通信机制就是关键。我一般用共享状态 消息队列的方式所有Agent读写同一个状态存储通过消息队列传递事件。这样避免了Agent之间直接调用导致的耦合。面试官如果追问“怎么防止多个Agent互相等待死锁”我的回答是设置全局超时 优先级抢占。每个Agent的任务都有超时时间超时后强制释放资源高优先级任务可以抢占低优先级任务的资源。这套机制我在实际项目里用过能把死锁概率降到接近零。4. 实操环节手撕代码与现场调试4.1 手撕Agent循环面试官在看什么2026年Agent面试的一个明显趋势是增加手撕环节。不是让你手撕Transformer而是让你手写一个最简单的Agent循环。题目通常是“用Python写一个ReAct Agent的核心循环不需要调库。”这道题考的不是你背代码的能力而是你对Agent运行机制的理解。我见过有人写出来的循环没有终止条件有人忘了把工具返回结果拼回Prompt有人把思考和行动的顺序搞反了。这些都是硬伤。一个合格的ReAct循环至少包含构造Prompt、调用LLM、解析输出、判断是否需要调工具、执行工具、把结果拼回上下文、判断是否终止。我一般会加一个最大迭代次数保护防止无限循环。这个细节面试官很看重因为它说明你有工程思维不是只会在理想环境下跑Demo。4.2 现场调试工具调用失败怎么排查有些面试官会给你一个跑不通的Agent代码让你现场调试。这是最考验实战能力的环节。我总结了一套排查顺序排查步骤检查内容常见问题1Prompt格式工具描述是否清晰、Few-shot示例是否正确2LLM输出解析解析逻辑是否兼容不同输出格式3工具注册工具名、参数名是否与Prompt一致4错误处理工具报错后是否有降级逻辑5循环控制是否有最大迭代次数、是否有终止条件我遇到最多的坑是工具名大小写不一致。Prompt里写的是get_weather代码里注册的是getWeatherLLM按Prompt里的名字调用结果找不到工具。这种问题看起来很低级但在实际项目中非常常见面试官也特别喜欢用这种细节来筛人。4.3 性能优化Token成本和延迟怎么压“你的Agent响应太慢了怎么优化”这道题在L3终面出现频率很高。我的优化思路分三步先测量、再定位、后优化。测量就是加埋点记录每个环节的耗时和Token消耗。定位就是找出瓶颈通常是LLM调用次数太多、Prompt太长、或者工具调用串行。优化手段包括合并LLM调用、压缩Prompt、并行化工具调用、缓存重复结果。我实测过一个客服Agent优化前平均响应8秒、单次消耗3000 Token。优化后降到3秒、1200 Token。主要改动是把三次LLM调用合并成一次、把工具描述从500字压到200字、把可以并行的查询并行化。这些优化都不复杂但前提是你知道瓶颈在哪。5. 常见问题与避坑指南5.1 高频问题速查表我把这半年被问到的和听说的题目整理成了一张速查表按模块分类你可以对照着自测模块高频题难度出现频率基础概念Agent和Workflow的区别L1极高基础概念ReAct、Plan-and-Execute、Reflection的适用场景L1极高工具调用Function Calling的异常处理L2高工具调用工具描述怎么写才能准确调用L2高Memory短期、长期、工作记忆怎么分L2极高Memory上下文超窗口怎么处理L2高多Agent什么时候需要多AgentL2中多AgentAgent之间怎么通信、怎么防死锁L3中系统设计从零设计一个客服AgentL2极高系统设计怎么评估Agent的效果L3高实操手写ReAct循环L2高实操现场调试工具调用失败L2中性能Token成本和延迟怎么优化L3中5.2 我踩过的坑和避坑建议第一个坑是过度依赖框架。我早期做Agent项目什么都用LangChain结果遇到一个框架不支持的场景改了半天改不动。后来我学乖了核心逻辑自己写框架只用来做辅助。这样既可控又不会被框架绑架。面试的时候如果你能说出“我用LangChain做原型但生产环境核心循环是自己实现的”面试官会高看你一眼。第二个坑是忽视评估。很多人做Agent只关注“能不能跑”不关注“跑得好不好”。我建议你在面试中主动提评估用成功率、平均轮次、Token消耗、用户满意度四个指标来衡量。成功率看结果平均轮次看效率Token消耗看成本用户满意度看体验。这四个指标一摆出来面试官就知道你是做过真实项目的人。第三个坑是Prompt写得太长。我见过一个候选人的Prompt写了2000字工具描述占了1500字。面试官问他“为什么这么长”他说“怕LLM理解不了”。其实Prompt越长LLM越容易迷失。我的经验是工具描述控制在每个50字以内只写“什么时候用”和“什么时候不用”剩下的靠Few-shot示例来教。5.3 面试中的表达技巧最后说几个表达上的技巧。第一先给结论再展开。面试官问“你怎么设计Memory”你先说“分三层短期、工作、长期”然后再展开每一层。这样面试官能快速抓住你的思路也方便他追问。第二主动暴露权衡。不要只说“我用了方案A”要说“我在A和B之间选了A因为……但A的代价是……”。这说明你有工程判断力不是只会照搬。第三不会的题不要硬编。Agent这个领域很新面试官也知道有些问题没有标准答案。如果你确实没做过就说“这个场景我没实际做过但我会这样思考……”然后给出你的推理过程。面试官看的是思考方式不是标准答案。这套题库我还在持续更新因为Agent这个方向每个月都有新东西出来。但核心考点就这些把上面这些模块吃透90%的面试题你都能接住。剩下的10%靠的是你平时的积累和临场的应变。我个人的体会是Agent面试跟传统后端面试最大的区别在于它不考你知不知道它考你能不能想清楚。想清楚了代码自然写得出来想不清楚背再多八股也没用。
