大家好我是浩哥不来虚的直接上一下干货。下面是接下来这段时间整理的agent面试专题共10期落地。 Agent 基础与推理范式 · 面试题型整理与标准答案导语本题型是 P7 / Agent 架构师面试的第一道分水岭。面试官真正考察的不是背定义而是你对 Agent 的系统边界、能力来源与工程取舍是否想得清。常见失分点集中在三处①把 Agent 等同于「大模型 一个 Prompt」说不清它相对纯 LLM 到底多了什么②分不清Tools / Workflow / Agent三者的粒度关系把它们当成三选一而非可嵌套的三层结构③只背过 ReAct一旦被追问 Plan-and-Execute、Reflection、CoT/ToT/GoT 的区别与选型依据就卡壳。下面的整理按面试题源顺序、合并重复变体后形成 7 道题每道题都给出架构级答案 展开要点 常见追问 延伸。文档2026年最新AI agent面试01_Agent基础与推理范式本题型 7 题Q1.Agent 的基本架构由哪些核心组件构成 〔小红书〕Q2.既然大模型已经这么强了为什么还要做 Agent它与大模型本质区别是什么 〔美团〕Q3.Tools、Workflow、Agent 三者区别是什么Agent 和 Workflow 的本质区别是什么 〔阿里、腾讯〕Q4.Agent 的推理/设计范式有哪些ReAct、Plan-and-Execute、Reflection 核心区别怎么选型 〔字节、快手〕Q5.Agent 的反思Reflection机制是什么为什么要用具体怎么实现 〔小红书〕Q6.复杂任务怎么做拆解如何赋予 LLM 规划能力 〔蚂蚁、百度〕Q7.为什么有时候选择手搓 Agent而不是直接用成熟框架 〔美团〕 Multi-Agent 与记忆系统 · 面试题型整理与标准答案导语本题型考察多智能体协作设计编排/动态切换/反模式与记忆机制短/长期/压缩是 Agent 架构师的核心基本功。回答的合格线不是「背出定义」而是能在「单体 vs 多体、中心化 vs 去中心化、信息层 vs 计算层」等维度上做出有取舍的架构决策并能把记忆拆成可落地的读写闭环。文档2026年最新AI agent面试02_MultiAgent与记忆本题型 6 题Q1.什么是 Multi-Agent单体 Agent 遇到瓶颈时为什么、何时该上 Multi-Agent 〔字节 京东〕Q2.Multi-Agent 的两种拓扑中心化 Orchestrator vs 去中心化 Peer-to-Peer如何取舍 〔京东〕Q3.多 Agent 之间如何协作「切换/路由」的动态机制怎么设计 〔字节跳动〕Q4.Agent 的记忆机制分哪几层各层怎么定位 〔淘天〕Q5.Agent 的长短期记忆系统具体怎么落地存储、粒度、读写闭环 〔鹅厂 淘天〕Q6.Agent 记忆压缩通常有哪些方法 〔腾讯〕 工具调用与协议MCP / A2A / Function Calling / Skill· 面试题型整理与标准答案导语本题型是 2025-2026 Agent 面试最热考点考察对工具调用范式与协议生态MCP/A2A/Skill的本质理解与选型能力。底层主线是「Function Calling 是调用语言 → MCP 把工具做成标准化服务 → Skill 把用工具完成任务的流程封装成模块 → A2A 让多个 Agent 横向协作」四者分处不同层次、相互依赖而非竞争。面试官最爱挖的雷区有三个把 MCP 当框架/当 Function Calling 升级版、把 Skill 当 prompt 模板、把 A2A 当 MCP 竞品。文档2026年最新AI agent面试03_工具协议MCP_A2A_FC本题型 10 题Q1.什么是 MCP讲讲它的核心内容、组成与架构 〔字节、腾讯、百度一面〕Q2.什么是 Function Calling它的原理与完整调用流程是什么 〔鹅厂一面〕Q3.大模型的 Function Calling 能力是怎么训练出来的 〔快手二面〕Q4.Function Calling 与 MCP 的区别是什么实际场景该如何选型 〔小红书、京东三面〕Q5.MCP 协议通常采用什么通信方式底层消息格式是什么 〔小米三面〕Q6.为什么有些推理模型如 o1/o3、DeepSeek-R1早期不支持 MCP 〔拼多多一面〕Q7.什么是 Agent Skill它的定位、结构与加载机制是什么 〔字节一面〕Q8.MCP 与 Agent Skill 的区别是什么两者如何配合 〔百度二面〕Q9.什么是 A2A 协议它和 MCP 有什么区别 〔快手、阿里〕Q10.综合Function Calling / MCP / Skill / A2A 的层级关系与整体选型框架 〔鹅厂二面、面试官综合题〕 工具调用工程实践网关 / 外部工具 / Function Calling 训练· 面试题型整理与标准答案导语本题型考察工具调用的工程落地——LLM 网关治理、外部工具接入可靠性、Function Calling 的运行时机制与训练原理。这是 AI 应用开发岗的高频重灾区很多人能熟练写tool_calls代码却说不清网关解决什么横切问题、运行时谁决策谁执行、能力到底是涌现还是训出来的。面试核心在于把会用升级为懂原理 知取舍。文档\[2026年最新AI agent面试04__工具工程网关外部\]()本题型 3 题Q1.LLM 网关层到底解决了什么本质问题为什么不能只用 Nginx/普通 API 网关 〔京东〕Q2.什么是 Function Calling运行时原理与流程是怎样的为什么说大模型自己不会去调 API 〔字节〕Q3.大模型到底是怎么学会调用外部工具的SFT 和 RLHF 各自起什么作用 〔美团 / 腾讯〕 RAG 基础与应用 · 面试题型整理与标准答案导语本题型考察 RAG 的本质、与微调的区别、工作流程、时效性文档更新、幻觉缓解、效果评估与落地难点是 Agent 接私域知识的主通道。RAGRetrieval-Augmented Generation检索增强生成的本质是把知识从模型参数里搬到外部知识库推理时实时检索注入从而在不动模型的前提下给 LLM 开一个开卷考试的口子。它是当前企业 AI 落地最成熟、最实用的技术路线也是 Agent 接入私域知识的默认主通道。文档2026年最新AI agent面试05_RAG基础应用本题型 7 题Q1.RAG 到底是什么它主要用来解决 LLM 的哪些核心问题 〔快手、字节〕Q2.RAG 和微调Fine-tuning有什么区别各自适合什么场景 〔阿里〕Q3.RAG 系统的完整工作流程是怎样的离线建库 在线检索生成 〔鹅厂、Shopee、字节〕Q4.RAG 知识库上线后文档更新了怎么办 〔小米〕Q5.大模型为什么会产生幻觉RAG 系统中幻觉的来源与缓解策略是什么 〔面试官、滴滴〕Q6.线上跑了 RAG怎么系统化、可量化地衡量它的效果好不好 〔字节〕Q7.在实际落地中你觉得 RAG 最难的地方是哪里 〔阿里三面〕 RAG 文档处理与检索 · 面试题型整理与标准答案导语本题型考察 RAG 的工程底座——文档切割(Chunking)、Embedding、向量 vs 关键词检索、多路召回、向量/图数据库、检索优化与复杂 RAG 范式。这是 RAG 系统质量的天花板所在检索层优化的投入产出比高于生成层是面试高频且区分度极高的板块。文档2026年最新AI agent面试06_RAG文档与检索本题型 8 题Q1.文档如何切割Chunking粒度怎么定如何规避语义被切断 〔京东 字节一面 阿里二面〕Q2.Embedding 究竟是什么算法经历几代演进如何选型与评估 〔百度二面 鹅厂二面〕Q3.向量数据库原理、索引算法、核心能力与生产选型/性能实战 〔快手一面 阿里一面〕Q4.向量检索 vs 关键词检索BM25有什么区别为什么需要混合检索 〔美团二面 字节一面〕Q5.什么是多路召回具体怎么做 〔字节一面〕Q6.在什么场景下用图数据库增强传统向量检索 〔阿里三面〕Q7.RAG 检索优化策略有哪些——四层系统框架 〔阿里二面〕Q8.复杂的 RAG 范式有哪些经历了怎样的演进 〔百度一面〕 大模型架构基础Transformer / 注意力 / 位置编码 / LLM 本质· 面试题型整理与标准答案导语本题型考察对 Transformer/注意力机制/位置编码的理解深度以及 LLM 与传统 NLP 模型的根本差异——是区分调包侠与真懂模型的分水岭。面试官的核心诉求不是背定义而是能讲清痛点→结构→实现→取舍这条因果链RNN 卡在哪两点、Attention 怎么破、三种架构变体为什么 Decoder-only 赢、长上下文下 MHA 为什么爆显存、MQA/GQA/FlashAttention 各自动哪层刀、位置编码为什么从 sin/cos 演进到 RoPE、LLM 凭什么一个模型干所有事。文档2026年最新AI agent面试07_大模型架构基础本题型 4 题Q1.多头注意力MHA有哪些核心局限MQA / GQA / FlashAttention 分别怎么解决它们之间是替代还是叠加关系 〔小红书大模型一面〕Q2.讲讲 Transformer 架构的基本原理Self-Attention 怎么运作Encoder 与 Decoder 是什么、为什么现代大模型几乎都选 Decoder-only 〔抖音大模型二面〕Q3.大模型为什么需要位置编码sin/cos、RoPE、ALiBi 这几种各有什么区别为什么主流都选 RoPE 〔滴滴大模型二面〕Q4.什么是大语言模型LLM它和我们以前用的传统 NLP 模型有什么区别 〔阿里云 Agent 面试官〕 大模型训练 / 评测 / 推理参数 · 面试题型整理与标准答案导语本题型考察训练范式预训练 / SFT / DPO / PPO、高效微调LoRA / QLoRA、推理优化KV Cache / Prompt Caching / MoE / 解码策略、能力评测与部署——决定候选人能否把模型用得好、用得省。底层主线只有一条训练决定能力上限微调/对齐决定可用性与风格推理与部署决定成本与延迟评测决定能不能放心上线。文档2026年最新AI agent面试08_大模型训练评测本题型 10 题Q1.大模型到底是怎么训练出来的预训练、SFT、对齐三阶段分别解决什么问题 〔面试官〕Q2.大模型微调方案有哪些为什么不能把它们当成同一类方法来背 〔面试官〕Q3.LoRA 的原理是什么除了省参数它还有哪些被低估的优势 〔面试官〕Q4.DPO 和 PPO 有什么区别大模型对齐阶段到底在做什么 〔面试官〕Q5.大模型生成时的解码策略有哪些贪心、Beam Search、采样分别什么时候用 〔字节〕Q6.什么是 KV CachePrompt Caching 又是什么两者什么关系 〔面试官〕Q7.什么是 MoE 混合专家模型为什么 2024 年后主流大模型都在用 〔面试官〕Q8.大模型部署有哪些主流方案vLLM、SGLang、TGI、llama.cpp、TensorRT-LLM 怎么选 〔面试官〕Q9.大模型能力评测指标有哪些为什么不能只信排行榜 〔面试官〕Q10.什么是 CoT思维链为什么有效、有什么局限 〔鹅厂〕 AI 编程与工程素养Claude Code / Vibe·Spec Coding / 项目软素质· 面试题型整理与标准答案导语2026 年 Agent 面试新趋势——不再只考会不会用框架而是考能否用 AI 编程做出现实项目、能否讲清 Agent 工程素养与软素质。本批 11 篇小林面试笔记表面是段子式对话内核覆盖了 Agent 工程素养、Claude Code 使用深度、Vibe/ Spec Coding 范式、大代码库上下文工程、全栈软素质五大主题。以下按主题强力合并为 8 道完整题可直接用于复习与复述。文档2026年最新AI agent面试09_AI编程ClaudeCode本题型 8 题Q1.面试官质疑连 Agent 项目都没有还敢投 AI 开发 / 字节如何证明自己的 Agent 工程素养与项目落地能力 〔AI 开发 / 字节 / 大厂面试〕Q2.面试官说Agent 不就是 Prompt 拼一拼——成熟 Agent 的工程设计边界到底是什么 〔Agent 设计面试〕Q3.Claude Code 你用到什么程度——从聊天工具到工程化如何用它 Vibe Coding 出一个 Agent 项目 〔Claude Code 深度使用面试〕Q4.Claude Code 用了半年CLAUDE.md 平时怎么维护——写得越多越废的真相与正确姿势 〔Claude Code 深度使用面试〕Q5.你会 Vibe Coding 吗为什么资深选手反而主张 Spec Coding规约驱动开发 〔AI 编程范式面试〕Q6.公司项目几百万行代码Claude Code 怎么扛得住——模型是地板harness 才是天花板 〔大代码库 / 上下文工程面试〕Q7.简历写会 AI 编程那你能做全栈吗——AI 时代为什么全干工程师更吃香 〔全栈 / 软素质面试〕Q8.没用过 / 缺 Agent 项目怎么办——执行力S 级评价与简历快速迭代的软素质表达 〔执行力 / 简历软素质面试〕 实时通信与行业动态 · 面试题型整理与标准答案导语本题型含两块——①Agent 实时通信WebSocket / SSE / WebRTC 在 AI 对话流中的选型与差异②行业观察作为拓展阅读帮助把握技术风向。实时通信的选型本质是「场景驱动」文字对话要的是可靠有序TCP 系语音对话要的是低延迟UDP 系而双向交互要不要上 WebSocket 取决于是否真的需要客户端随时主动发消息。把这套取舍讲清楚比背功能列表更有架构师味。文档2026年最新AI agent面试10_通信与行业动态本题型 3 题Q1.为什么 AI 实时语音要用 WebRTC它和 WebSocket 在 AI 对话流中的核心差异是什么 〔字节 Agent 岗一面〕Q2.WebSocket 和 SSE 通信的区别及局限性 〔阿里 Agent 开发一面〕Q3.后端岗 JD 没写 AI为什么面试仍在考察 RAG / Agent 能力 〔面试实况记录·小林面试笔记〕