淘天aiagent一面

好难，分享面经攒人品。
· 在Agent知识闭环中，如何设计决定哪些信息进入向量数据库（长期记忆）、哪些进入上下文窗口（短期记忆）、哪些直接转化为模型权重的元记忆？
· 当对话轮数较多且上下文窗口严重不足时，如何在不丢失初始Attention Sink的前提下保持生成的连贯性？
· 详细讲讲你设计的Agent是如何实现的？在“推理-行动”循环中，如何设计来纠正逻辑塌缩或无效工具调用？
· MCP与传统Agent Skills的区别是什么？如何实现在多智能体环境中动态发现并注册跨协议工具？
· 在电商或导购场景下，用户的请求往往高度模糊，Agent如何精准理解这种需求？
· 如何设计一套“主动澄清”决策逻辑？什么情况下Agent应该反问用户，什么情况下应该结合历史画像强行推断？
· 针对包含3个以上工具调用且高频请求的任务，通过什么方式可以压低系统整体的端到端延迟？
· 如何衡量Agent的Planning能力 vs Hallucination Rate？请列举具体的量化评估指标或自动化评估框架。
· 在多Agent协作系统中，不同Agent之间的记忆如何实现隔离与共享？如何避免不同工具间的上下文污染？
· Token过长导致的Attention稀释现象为什么会导致Agent的指令遵循能力下降？
· 摘要总结往往会丢失关键细节，在长文本Agent中一般怎么处理这一块？
· 当候选工具超过100个时，如何设计路由策略？怎么解决检索过程中的召回偏差？
· 在Agent多轮对话任务中，标准Attention机制的平方复杂度在工程落地主要引发了哪些问题？
· 目前有哪些机制可以缓解模型在上下文对话里的“信息遗忘”现象？当对话轮数很多、上下文窗口不够时，有哪些处理策略？
· 为什么在复杂的Agent闭环场景中，仅靠RAG无法彻底解决幻觉问题？模型幻觉在电商这种强事实性场景里怎么治理？
这个问题很现实。比如用户咨询某款运动鞋：“这款鞋参加今晚的‘满300减50’活动吗？”如果模型产生幻觉，随口答复，而实际该品牌属于不参加活动的黑名单商家。一旦用户下单后发现没减钱，就会产生大规模的退货和客诉。
· 面对模型在Agent执行过程中出现的循环调用或陷入思维死循环问题，有哪些解决方法？
· GraphRAG在处理Agent复杂关联查询时的优势在哪里？
· 任务执行远大于单次Token限制时，如何设计以支持断点继续生成？
· 设计一个智能导购助手Agent？描述其感知、规划、记忆和执行四大模块在分布式架构下的协同逻辑。 #Agent面试会问什么？#