附录与资料索引
以下保留整理稿的附录。论文年代与项目能力可能随版本和发表口径不同,请结合原论文核实。工程笔记中引用的官方页面见 AI 资料导航。
例如原表将 Graph of Thoughts 标为 2024;其 arXiv 首次提交为 2023 年,参见 原论文。框架、数据库与评测工具也并非互相等价,选型需按实际能力划分。
附录 A:AI Agent 核心论文清单
| 论文 | 核心贡献 | 一句话总结 |
|---|---|---|
| ReAct (Yao et al., 2022) | 推理+行动结合 | 将推理与行动交错,提升 Agent 决策能力 |
| Chain-of-Thought (Wei et al., 2022) | 链式推理 | 通过"逐步思考"提升复杂推理能力 |
| Tree of Thoughts (Yao et al., 2023) | 树状搜索推理 | 多路径探索+评估,优于线性 CoT |
| Reflexion (Shinn et al., 2023) | 自我反思 | 失败后反思并记忆,实现自我改进 |
| Self-Ask (Press et al., 2022) | 自问自答 | 显式分解问题,处理多跳推理 |
| ToolFormer (Schick et al., 2023) | 自监督工具学习 | 模型自动学会何时调用工具 |
| Gorilla (Patil et al., 2023) | API 调用模型 | 检索感知训练,1600+ API 准确调用 |
| Self-RAG (Asai et al., 2023) | 反射标记检索 | 模型自主决定何时检索、评估检索 |
| CRAG (Corrective RAG, 2024) | 纠正式检索 | 检索质量评估+自动纠正 |
| Adaptive RAG (2024) | 自适应检索 | 按问题难度动态选择检索策略 |
| Storm (2024) | 多视角调研 | 模拟多专家提问,生成深度报告 |
| Graph of Thoughts (2024) | 图结构推理 | 节点互联聚合,超越树结构 |
附录 B:核心开源项目与工具
| 类别 | 项目 | 用途 |
|---|---|---|
| 框架 | LangGraph | 有状态多 Agent 编排 |
| 框架 | CrewAI | 角色基础多 Agent |
| 框架 | AutoGen | 对话式多 Agent |
| 框架 | LangChain | LLM 应用基础工具 |
| RAG | LlamaIndex | RAG 与检索 |
| RAG | DSPy | 声明式 Prompt 优化 |
| 记忆 | Milvus / Pinecone | 向量数据库 |
| 可观测 | LangSmith / Langfuse | Agent 评估与追踪 |
| 协议 | MCP (Model Context Protocol) | Agent-工具标准接口 |
| 协议 | A2A (Agent-to-Agent) | Agent 间通信标准 |
| 工具 | outlines / guidance | 结构化输出约束 |
附录 C:常见面试考点速查表
| 考点 | 核心要点 | 高频度 |
|---|---|---|
| ReAct 模式 | Thought-Action-Observation 循环 | ★★★★★ |
| Agent vs LLM | 自主性/反馈闭环/工具使用 | ★★★★★ |
| Function Calling | 工作原理、Constrained Decoding | ★★★★★ |
| 提示注入防御 | 多层防御、权限控制 | ★★★★★ |
| 短期/长期记忆 | STM/LTM 设计、压缩策略 | ★★★★ |
| Agentic RAG | 多步检索、动态决策 | ★★★★ |
| Multi-Agent | 编排模式、通信协作 | ★★★★ |
| MCP 协议 | 工具标准接口 | ★★★★ |
| Constrained Decoding | JSON Schema 约束生成 | ★★★ |
| 工具注册中心 | Schema 存储、版本管理 | ★★★ |
| 评估指标 | 成功率/工具准确率/延迟 | ★★★ |
| 可观测性 | 日志/指标/追踪 | ★★★ |
| 自我反思 | Reflexion 机制 | ★★★ |
| Agent 微调 | 行动序列训练 | ★★ |
附录 D:推荐学习资源
官方文档:
- OpenAI Function Calling 文档
- Anthropic MCP 文档
- LangGraph 文档
- DSPy 文档
书籍/课程:
- 《Building LLM-Powered Applications》
- LangChain / LangGraph 官方教程
- DeepLearning.AI 的 Agent 相关课程
社区/博客:
- 各大模型厂商技术博客
- Hugging Face 博客
- 知乎/公众号优质技术专栏
附录 E:免责声明与勘误
免责声明:
- 本文档内容基于公开资料、技术博客、行业交流整理,供学习和面试准备参考。
- "来源"标注为基于知识点分布整理的模拟方向,Q181-Q200 及面经题并非某公司某次面试的原题。
- 文中提及的公司(字节跳动、阿里巴巴、腾讯等)仅作为场景示例,不代表实际面试题来源。
- 技术细节(如 API 能力、模型版本)以各厂商最新官方文档为准,本文档整理时可能已过时。
- 实际面试题目可能因岗位、部门、面试官不同而有显著差异,本文档不能替代针对性的准备。
勘误联系:如需指出错误或建议改进,请保留本文档来源说明后反馈,作者将定期更新。
全文完:本手册共整理 12 大章节、214 道面试题(含补充题),覆盖 AI Agent 基础概念、核心设计模式、Function Calling、记忆系统、Multi-Agent、Agentic RAG、训练对齐、安全、评估、系统设计、业务场景与面经高频题。祝面试顺利!