蚂蚁agent暑期一面面经分享

Q1：请⽤你⾃⼰的话定义 LLM Agent，并说明与单次调⽤的差异。答案：LLM Agent 是以⼤语⾔模型为推理核⼼，在 多轮 中与外部环境交互，通过 规划、记忆与⼯具 完成复杂任务的系统。与单次调⽤的差异在于：单次调⽤是 开环⽣成；Agent 是 闭环决策，每步可依据⼯具返回更新状态，直到终⽌条件。追问：若没有外部⼯具，还能叫 Agent 吗？答案：可称为「弱环境」Agent，仅有对话记忆与推理；但仍可有内环多步 CoT 与⾃我验证。⾯试中强调是否存在「⾏动—观察」循环更清晰。Q2：Agent 的记忆⼀般怎么设计？答案：分层设计最常⻅：⼯作记忆（当前轨迹与关键结论）+ 会话记忆（摘要滚动...

感觉自己好菜、面试很难，还是要多多练习1、实习拷打2、项目相关的问题3、八股a. ThreadLocal怎么使用的+相关的八股b. RPC 和 Http分别有什么用？两者有什么区别c. 知道限流吗？限流怎么做？4、AI相关a. 了解Rag吗？它是干什么的？b. Rag和普通的大模型回答有什么区别？c. Agent 和普通工作流有什么区别？d. 平常怎么用AI Coding的？e. AI Coding生成的代码不是你想要的你怎么办？有什么提效方式

Q1：⼀句话说明什么是 AI Agent？答案：AI Agent 是以⼤模型为认知核⼼，结合规划、记忆与⼯具调⽤，能在多步交互中根据环境反馈持续决策并完成任务的系统；其本质是 闭环的感知—思考—⾏动 循环，⽽不仅是单次⽂本⽣成。Q2：为什么说 Agent = LLM + Planning + Memory + Tools？缺⼀块会怎样？答案：缺 Planning：容易变成「只会接话」的聊天，⻓任务易跑偏或⼀步登天完不成。缺 Memory：⻓对话会丢线索，多会话⽆法延续⽤户偏好与任务状态。缺 Tools：只能「空谈」，⽆法查实时信息、执⾏代码、改系统状态。LLM 仍是中枢，但单靠 LLM 没有外...

整体面试还是不错的，但是没后续了，不知道是哪里出了问题一.实习拷打二.项目12.1 现在有了Claude Code，为什么还要去重复的做一个类似的项目呢？2.2 这个项目和Claude Code相比，核心差异是什么？有什么比他做的好，什么不如他？2.3 分层上下文管理，每一层管的是什么？2.4 摘要生成器使用什么模型做的？这个摘要质量要如何保证？2.5 有没有尝试一下关于subagent的探索？启动多个agent的作用是什么？2.6 主agent和子agent的通信是怎么实现的？2.7 有没有遇到过agent陷入死循环的情况？有什么解决方案？三.项目23.1 GRPO和PPO的区别？3.2 KL散度，具体是怎么加入的？这个值太大或者太小有什么问题？3.3 Qlora的rank怎么设置的？3.4 训练参数是怎么选的？有没有调参测试？3.5 lora和qlora的区别是什么？3.6 量化之后对训练的效果影响是怎么样的？3.7 梯度检查点的原理。它对训练速度大概减缓多少?四.随机提问4.1 平时用过哪些Ai agent的工具?4.2 你觉得Ai工具，最大的帮助场景是什么?4.3 有没有遇到过Ai应用或者工具无法解决的场景?4.4 平时写的代码或者实习写的代码有多少是Ai生成的?4.5 openclaw有没有实际使用过？有没有做相关的了解？比如它的架构设计上的优势是什么?4.6 你觉得类似于openclaw或者Claude code，它现在还有哪些地方是可以改进的?4.7 Claude code源码泄露，有没有去了解它，有什么比较创新的东西？4.8 从开发者的角度，做agent最难的部分是什么？4.9 自己做agent的时候，踩过最大的坑是什么？4.10 一个好的prompt和一个差的prompt的区别?4.11 除了Qwen3VL，还有没有使用过其他的多模态大模型?4.12 有没有了解一些端侧部署的模型?