跳到主要内容

AI 与 Agent 面试

以下问答用于梳理表达思路。回答时结合具体模型、框架和项目条件,避免把某个实现的行为当成通用结论。

Agent 与固定工作流有什么区别?​

固定工作流由程序预先定义主要执行路径;Agent 会根据目标和观察结果动态选择行动。实际应用可以组合两者:外围流程负责输入校验和结果处理,某个步骤由 Agent 在限定工具范围内完成。

追问:如果流程固定,为什么还需要 Agent?可以从输入变化、工具选择复杂度与维护成本解释取舍。

Skills、MCP 和 RAG 分别解决什么问题?​

Skills 组织可复用的任务方法与资料;MCP 标准化外部能力的连接;RAG 检索相关知识并用于生成。它们可以共同服务于一个任务,但职责不同。

继续阅读:Skills · MCP · RAG

一个 Skill 最少需要什么?​

按 Agent Skills 格式,至少需要包含 YAML 元数据与正文指令的 SKILL.md。名称和描述帮助识别用途,正文说明方法;脚本、模板和参考资料按任务需要附带。宿主如何发现技能,仍需核对其实现。

追问:如何测试?检查应该触发、不该触发、材料缺失和异常输入等情形,并核对实际产物。

模型生成工具调用,是否代表操作已经完成?​

不代表。模型输出调用意图和参数,应用负责校验、授权与执行,再把结果交还模型。应区分“提出调用”“执行成功”和“业务目标完成”,并为超时、失败与重复执行设计处理方式。

RAG 回答错误,应该先改哪里?​

先沿链路定位:资料是否正确入库,正确片段是否被召回,是否在筛选或重排时丢失,最终上下文是否充分,模型是否按依据回答。不同环节需要不同修复方式,不能都归因于提示词。

RAG 和微调如何取舍?​

需要引入可更新、可追溯的外部知识时,通常先验证检索方案。需要调整任务行为或输出习惯时,可评估微调。两者能够结合,选择前应考虑训练数据、更新频率、部署成本和评测结果。

JSON 输出为什么还需要校验?​

能解析为 JSON,只证明语法层面可读取。字段类型、必填项、枚举值、数值范围与业务关系仍可能出错。即使服务支持结构化输出,应用也应校验业务规则,并处理失败。

多 Agent 一定比单 Agent 更好吗?​

不一定。分工可能改善上下文隔离和独立验证,也会增加交接、等待和重复调用。先给出单 Agent 基线,再用同一组任务比较拆分后的成功率、延迟、成本和失败类型。

怎么评估 Agent 是否可靠?​

使用固定任务集,分别检查任务完成、依据、工具选择、参数与执行过程。为工具失败、空结果和中断恢复准备样例,同时记录成本与延迟。模型评分应配合人工或规则校验。

部署模型时,为什么不能只看参数量?​

资源占用还取决于权重精度、上下文长度、并发、缓存与推理框架配置。应核对兼容性,并用真实输入与并发模式实测,记录完整环境和配置。

参考资料与实践入口​

返回 AI 面试。