2026年AI Agent大厂面试真题27道|字节/快手/腾讯/Shopee 高频考点拆解
- 2026-09-24 02:22:09
来源：近一个月牛客网真实面经汇总覆盖：字节、快手、腾讯、Shopee 等一线大厂 AI Agent 岗位建议：收藏后对照自查，缺哪块补哪块
一、Agent 基础概念（必问）
【Q1】用你自己的话定义 LLM Agent，并说明与单次调用的差异
Agent 是以大语言模型为推理核心，在多轮交互中与外部环境互动，通过规划、记忆和工具调用完成复杂任务的系统。
追问：没有外部工具，还能叫 Agent 吗？可以。称为"弱环境 Agent"，仍具备对话记忆和推理能力，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 和 Prompt Chain 有什么本质区别？
二者可结合：链负责稳定流程，Agent 负责链内某段的灵活分支。
【Q3】ChatBot 加上插件，是不是就变成 Agent 了？
不一定。
• 插件由固定规则触发（如关键词路由）：更像"带工具的 Bot" • 由模型多步自主决策，形成闭环迭代：才真正接近 Agent
关键判断标准：多步自主决策 + 反馈闭环。
【Q4】RAG + Chat 算不算 Agent？
• 单次检索再回答：偏"增强型 Chat" • 有多轮检索策略（查不到换查询、分解子问题、交叉验证）：具备 Agent 特征
二、Agent 架构设计（重点）
【Q5】Agent 的记忆一般怎么设计？
最常用的是分层设计：
1. 工作记忆：当前任务轨迹和关键结论 2. 会话记忆：摘要滚动，避免上下文过长 3. 长期记忆：向量检索 / 结构化库存储历史信息
写入要点：区分"事实"与"推断"；附带时间戳和来源；便于更新和撤销。
【Q6】规划和执行，要不要拆开两个模型？
视任务而定。
推荐混合方案：规划用强模型，执行层做确定性校验。
【Q7】ReAct 框架里三个字母代表什么？解决什么问题？
ReAct = Reasoning + Acting
工作流程：
1. Thought（推理）：模型思考下一步做什么 2. Action（行动）：调用工具执行 3. Observation（观察）：获取工具返回结果 4. 循环：重复直到任务完成
解决的问题：模型仅"空想"容易偏离事实，通过显式推理 + 工具反馈把推理锚定在真实环境上。
【Q8】Agent 结构包含哪些部分？
典型 Agent 六模块：
1. LLM 核心：推理和决策中心 2. 记忆模块：工作记忆、短期记忆、长期记忆 3. 规划模块：任务分解、计划制定 4. 工具调用层：连接外部工具和 API 5. 观察/反馈模块：获取环境反馈 6. 执行模块：执行具体动作
三、关键技术（高频考点）
【Q9】MCP 是什么？如果 MCP 特别多，要怎么管理？
MCP（Model Context Protocol）：连接 AI 助手与外部数据源和工具的开放协议。
管理大量 MCP 的六个方法：
1. 分类和标签：按功能、领域、使用频率分类 2. 元数据管理：记录描述、参数、示例 3. 检索机制：向量数据库建立索引，按需检索 4. 动态加载：不一次性加载全部，按需加载 5. 权限控制：按场景控制可用范围 6. 使用统计：记录使用频率，优化推荐顺序
【Q10】Skills 和 MCP 有什么区别？
简单说：MCP 是"如何连接工具"的协议，Skills 是"如何完成任务"的完整能力包。
【Q11】Agent 是怎么实现上下文记忆的？
五种常见实现方式：
1. 滚动窗口：保留最近 N 轮对话直接放入上下文 2. 摘要压缩：对历史对话生成摘要替代原始对话 3. 向量检索：将历史对话向量化存储，按需检索 4. 结构化存储：关键信息用数据库结构化存储 5. 分层记忆：工作记忆 + 会话记忆 + 长期记忆
【Q12】Tool 层怎么定义的？运行时怎么被调用？
Tool 定义五要素：名称、功能描述、输入参数 schema、输出格式、调用示例。
调用六步流程：
1. Agent 分析需求，决定调用哪个工具 2. 生成调用参数（通常 JSON 格式） 3. 执行工具调用（API / 本地函数） 4. 获取工具返回结果 5. 结果作为 Observation 反馈给 Agent 6. Agent 决定下一步行动
四、RAG 技术（必考）
【Q13】向量数据库是什么？跟传统数据库有什么区别？
向量数据库：专门用于存储、索引和检索高维向量的数据库。
主流选型：Chroma（轻量）、Milvus（生产级）、Pinecone（云原生）、Qdrant（高性能）。
【Q14】稠密向量与稀疏向量的区别？分别适合什么搜索需求？
【Q15】向量化前为什么要对长文档切片？不切片会怎样？
切片的四个原因：
1. 上下文窗口限制：Embedding 模型有最大输入长度 2. 检索粒度：切片后检索最相关片段，而非整个文档 3. 信息密度：单片段信息更聚焦，向量质量更高 4. 避免稀释：太长文档会让信息在向量中被稀释
不切片的四个后果：截断丢失信息、检索不准确、上下文污染、效率低下。
【Q16】切片时设置重叠区域的作用是什么？比例怎么确定？
作用：确保上下文连续性，避免信息在切片边界丢失；提高相关片段召回率。
比例：通常为切片大小的 10%-20%，语义连贯性要求高的场景可适当增大。
【Q17】余弦相似度和欧氏距离，衡量文本相似性时各自的优缺点？
文本场景通常归一化后用余弦相似度，更关注语义方向而非绝对大小。
【Q18】Top-K 结果如果 K 值过大，对生成质量有什么负面影响？
1. 信息过载：模型被不相关信息干扰 2. 上下文浪费：占用宝贵的上下文窗口 3. 答案漂移：引入冲突或矛盾信息 4. 效率降低：处理更多内容增加延迟
实践建议：通常 K=5-10；经 Rerank 后压到 K=3-5。
【Q19】初筛召回后为什么还要加 Rerank？能解决向量搜索哪些局限？
核心原因：向量相似度 ≠ 语义相关性
解决的四个局限：
• 词汇不匹配（语义相似但用词不同） • 粒度不匹配（切片大小不完美） • 多跳推理（需组合多个片段） • 时效性缺失（向量搜索无法感知时间）
【Q20】文档局部更新时，如何通过增量索引避免全量重新向量化？
五个策略：
1. 版本控制：只更新变更版本的文档 2. 哈希检查：内容哈希变化时才重新向量化 3. 分段更新：只更新变更的切片 4. 软删除：旧向量标记删除，后台异步清理 5. 定时合并：定期小范围重建索引
【Q21】RAG 生成阶段，如何在 Prompt 中设定边界条件防止幻觉？
五个 Prompt 边界技巧：
1. 明确告知检索范围："仅基于以下参考内容回答" 2. 要求引用来源："每个结论标注对应参考片段" 3. 允许说不知道："如果参考内容没有相关信息，请说明" 4. 提供反例：给出幻觉和正确回答的示例 5. 结构化输出：要求先列证据再给出结论
【Q22】减小幻觉的方法有哪些？
八个方向：RAG 检索增强、Prompt 工程约束、边界条件设定、事实校验工具、高质量数据微调、多轮自我验证、降低温度参数、结构化输出（先列证据再回答）。
五、项目经验（最容易拉开差距）
【Q23】Agent 项目面试中，如何正确讲解项目？
错误方式（避免）：
• 报菜名式："我们用了 RAG、用了 Tool Calling" • 只讲"系统有什么"，不讲"改了什么" • 用抽象名词："做了状态管理"
正确方式（推荐）：
• 讲决策过程："最开始想用单 Agent，后来发现规划、检索、执行全塞在一起链路太长，出错不好定位，所以才拆开" • 讲具体改动："一开始检索结果直接拼上下文，后来发现召回一多模型就会被带偏，补了一层 rerank，把 topk 从 10 压到 5" • 用动作替代名词："因为任务多步执行，中间结果后面还要用，所以把当前任务状态单独存出来，不然 Tool 超时后很难从中间恢复"
【Q24】如何设计长短期记忆的提取、压缩与冲突更新机制？
提取：短期记忆直接用最近 N 轮；长期记忆通过向量检索。
压缩：滑动窗口 + 摘要生成；重要性评分（区分事实/结论/闲聊）；层级化摘要（会话级、日级、周级）。
冲突更新：新旧冲突时，带时间戳的新信息优先；用户明确修正时标记旧信息为过时；保留修改历史便于回溯。
【Q25】检测到用户极端情绪时，Agent 如何在不中断对话流的前提下干预？
四层策略：
1. 情绪识别层：理解阶段同步进行情绪分类 2. 回复生成层：根据情绪调整语气和策略 3. 升级机制：严重情绪时建议转人工 4. 不中断流：干预融合在回复中，而非生硬打断
示例话术："我感受到你现在可能有些着急，让我帮你一步步解决这个问题..."
【Q26】ClaudeCode 了解吗？跟 Codex 有什么区别？
使用技巧：提供完整项目上下文；明确代码风格要求；充分利用 Agent 能力做项目级重构。
六、面试官常考技术栈与项目重点
技术栈必考点：
• 大模型基础：Transformer、Attention、Normalization • 训练方法：SFT、DPO、PPO、GRPO • RAG：向量数据库、检索、Rerank、切片策略 • Agent：记忆设计、工具调用、规划、ReAct • MCP/Skills：协议理解、工具管理 • 后端基础：Redis、MySQL、并发、分布式锁
项目面试必问：
• 数据来源、清洗、标注流程 • 技术选型决策过程（为什么选 A 不选 B） • 遇到的具体问题和解决方案 • 量化指标和成果 • 对幻觉、成本、延迟的实际处理
七、2026 年 AI Agent 岗位面试建议
1. 深入理解基础概念：不仅要知道是什么，还要理解为什么这样设计 2. 准备真实可信的项目经验：讲清楚决策过程、具体改动、遇到的问题 3. 关注前沿动态：了解最新的 Agent 论文和开源项目 4. 动手实践：最好有实际项目经验，而不只是停留在理论
写在最后
Agent 岗面试已经过了一个能用概念唬住人的阶段。现在面试官要的是：你能说清楚一个决策为什么做、一个问题怎么定位、一个方案为什么选 A 不选 B。
收藏这篇，面试前对照自查。缺哪块，补哪块。