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

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. 1. 工作记忆：当前任务轨迹和关键结论
2. 2. 会话记忆：摘要滚动，避免上下文过长
3. 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. 1. Thought（推理）：模型思考下一步做什么
2. 2. Action（行动）：调用工具执行
3. 3. Observation（观察）：获取工具返回结果
4. 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. 1. LLM 核心：推理和决策中心
2. 2. 记忆模块：工作记忆、短期记忆、长期记忆
3. 3. 规划模块：任务分解、计划制定
4. 4. 工具调用层：连接外部工具和 API
5. 5. 观察/反馈模块：获取环境反馈
6. 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. 1. 分类和标签：按功能、领域、使用频率分类
2. 2. 元数据管理：记录描述、参数、示例
3. 3. 检索机制：向量数据库建立索引，按需检索
4. 4. 动态加载：不一次性加载全部，按需加载
5. 5. 权限控制：按场景控制可用范围
6. 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. 1. 滚动窗口：保留最近 N 轮对话直接放入上下文
2. 2. 摘要压缩：对历史对话生成摘要替代原始对话
3. 3. 向量检索：将历史对话向量化存储，按需检索
4. 4. 结构化存储：关键信息用数据库结构化存储
5. 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. 1. Agent 分析需求，决定调用哪个工具
2. 2. 生成调用参数（通常 JSON 格式）
3. 3. 执行工具调用（API / 本地函数）
4. 4. 获取工具返回结果
5. 5. 结果作为 Observation 反馈给 Agent
6. 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. 1. 上下文窗口限制：Embedding 模型有最大输入长度
2. 2. 检索粒度：切片后检索最相关片段，而非整个文档
3. 3. 信息密度：单片段信息更聚焦，向量质量更高
4. 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. 1. 信息过载：模型被不相关信息干扰
2. 2. 上下文浪费：占用宝贵的上下文窗口
3. 3. 答案漂移：引入冲突或矛盾信息
4. 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. 1. 版本控制：只更新变更版本的文档
2. 2. 哈希检查：内容哈希变化时才重新向量化
3. 3. 分段更新：只更新变更的切片
4. 4. 软删除：旧向量标记删除，后台异步清理
5. 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. 1. 明确告知检索范围："仅基于以下参考内容回答"
2. 2. 要求引用来源："每个结论标注对应参考片段"
3. 3. 允许说不知道："如果参考内容没有相关信息，请说明"
4. 4. 提供反例：给出幻觉和正确回答的示例
5. 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. 1. 情绪识别层：理解阶段同步进行情绪分类
2. 2. 回复生成层：根据情绪调整语气和策略
3. 3. 升级机制：严重情绪时建议转人工
4. 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. 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. 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. 3. 关注前沿动态：了解最新的 Agent 论文和开源项目
4. 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。