Memory 工程，Agent 面试高频题

大模型与应用开发（高频考点）RAG（检索增强生成）：“什么是RAG？前端/后端在整个流程中可以参与哪些工作？”“如果找不到合适的数据集怎么办？你用什么样的方法清洗和整理数据？”Prompt Engineering（提示词工程）：“如何优化Prompt Engineering，以减少Token消耗？”“如何防范Prompt Injection（提示词注入）攻击？”流式输出与前端处理：“在AI流式输出过程中，如果返回的Markdown标签被截断，前端如何处理渲染？”“在AI聊天界面中，当消息非常多时，如何保证滚动平滑且不卡顿？”AI Agent（智能体）与系统设计工具调用： “Agent工具调用失败如何处理？请设计一个降级策略。”多Agent协作： “请设计一个多Agent代码审查系统，如何分配角色（如StyleReviewer, SecurityReviewer）？”记忆机制： “短期记忆和长期记忆在Agent中如何设计？如何保持风格一致？”

一、核心概念与架构篇Q1：请简述Agent的基本架构组成，并解释其与传统LLM Chain的区别。回答要点：Agent = LLM + 规划(Planning) + 记忆(Memory) + 工具使用(Tool Use)。区别：Chain是预定义的、线性的硬编码工作流。Agent具备“自主性”，它根据目标自发决定执行路径，通过推理循环（Reasoning Loop）不断调整策略。Q2：解释ReAct模式的工作原理。回答要点：ReAct (Reasoning + Acting)是Agent的基石。它将“思考”（Thought）和“行动”（Action）结合。LLM先生成一段推理，说明下一步要做什...

基础理论：什么是AI Agent？与传统AI的核心区别是什么？ 什么是ReAct框架？核心循环（Think-Act-Observe）如何实现？如何为Agent设计高效的动作空间（Action Space）？模型微调、提示工程与Agent算法设计是什么关系？架构与实现：MCP协议，它与A2A协议有什么区别？LangGraph等框架中，如何实现Agent的状态管理与节点级修正反馈？如何为长上下文任务设计Agent的Memory系统？Agent工具调用失败时，有哪些处理策略和降级方案？Agent的性能？线上数据如何回流反馈？

1. 自我介绍2. 介绍你写的这个项目3. 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent多 Agent 的核心价值不是“看起来更高级”，而是把复杂任务里的角色分工显式化。单 Agent 在任务很长、工具很多、约束很多的时候，容易把规划、检索、判断和执行混在一起，导致上下文污染、错误放大、调试困难。多 Agent 可以把流程拆成规划 Agent、检索 Agent、执行 Agent、审查 Agent，每个 Agent 只负责一类清晰目标，行为边界更稳定。但多 Agent 也不是默认更好。它会引入额外通信成本、状态同步复杂度和错误传播路径。真正适合多 Agent 的场景，一般满足...