最近一個(gè)月我?guī)褪畮讉€(gè)準(zhǔn)備跳槽到 AI Agent 方向的工程師做了模擬面試一個(gè)感受特別明顯簡(jiǎn)歷上寫(xiě)著“精通 Agent 開(kāi)發(fā)”的人一到追問(wèn)環(huán)節(jié)就撐不住了。問(wèn)“你的 Agent 和大模型 API 調(diào)用有什么本質(zhì)區(qū)別”很多人愣了半天問(wèn)“一個(gè)工具調(diào)用返回了兩萬(wàn) token你怎么控制成本”大部分人的第一反應(yīng)是“換個(gè)大上下文模型就行”。還有個(gè)候選人簡(jiǎn)歷里寫(xiě)了三個(gè)月 Agent 開(kāi)發(fā)經(jīng)驗(yàn)我問(wèn)了一個(gè)最基礎(chǔ)的問(wèn)題——短期記憶和長(zhǎng)期記憶分別存在哪里他繞了五分鐘沒(méi)講到點(diǎn)子上。2026 年的 AI Agent 面試已經(jīng)不是“背出 ReAct 四個(gè)字母”就能過(guò)關(guān)的年代了。面試官現(xiàn)在真正考察的是架構(gòu)選型、記憶設(shè)計(jì)、工具調(diào)用規(guī)范、生產(chǎn)環(huán)境可靠性、評(píng)估體系以及系統(tǒng)設(shè)計(jì)能力。這篇文章不是面試寶典的廣告而是我結(jié)合自己做 Agent 項(xiàng)目、也幫團(tuán)隊(duì)招人的經(jīng)驗(yàn)把高頻考點(diǎn)拆成一張真實(shí)可用的自檢清單。就覆蓋面來(lái)說(shuō)我見(jiàn)過(guò)的高頻題里 90% 都能在這篇文章里找到對(duì)應(yīng)答案適合準(zhǔn)備投 Agent 相關(guān)崗位的同學(xué)也適合想系統(tǒng)補(bǔ)一遍 Agent 知識(shí)體系的開(kāi)發(fā)者邊看邊查。1. Agent 基礎(chǔ)認(rèn)知與概念辨析——面試?yán)锏摹八头诸}”和“送命題”1.1 本質(zhì)邊界Agent 和 Chain、Workflow、RAG 到底差在哪面試一開(kāi)始通常從“定義題”切入看起來(lái)是送分題其實(shí)最能拉開(kāi)差距。比如“描述一下 AI Agent 的核心組成”“Agent 和普通的大模型 API 調(diào)用有什么區(qū)別”。2026 年的語(yǔ)境下面試官已經(jīng)不滿足于“Agent 就是 LLM 規(guī)劃 記憶 工具”這種教科書(shū)答案而是會(huì)追問(wèn)你這套系統(tǒng)里哪一部分是 Agent 在決策哪一部分是你用代碼寫(xiě)死的邏輯我建議用遞進(jìn)式框架來(lái)答普通 API 調(diào)用是“一次問(wèn)答”程序拿到結(jié)果就結(jié)束了Chain 是“多條預(yù)設(shè)好的調(diào)用鏈”流程路徑是開(kāi)發(fā)者在代碼里寫(xiě)死的Workflow 比 Chain 更強(qiáng)調(diào)狀態(tài)流轉(zhuǎn)但依然是靜態(tài)拓?fù)銩gent 的本質(zhì)區(qū)別在于它自己決定下一步動(dòng)作。也就是說(shuō)Agent 讓模型擁有了對(duì)控制流的動(dòng)態(tài)決策權(quán)——工具列表擺在那里調(diào)哪個(gè)、什么時(shí)候調(diào)、結(jié)果怎么處理都由模型在運(yùn)行時(shí)決定。面試官最想聽(tīng)到的其實(shí)是這句話因?yàn)樗鼪Q定了整個(gè)系統(tǒng)架構(gòu)里誰(shuí)是“大腦”。再補(bǔ)一個(gè)高頻追問(wèn)Agent 和 RAG 的區(qū)別。RAG 本質(zhì)是外部知識(shí)注入解決“模型不知道”的問(wèn)題Agent 解決“模型不會(huì)做”的問(wèn)題。一個(gè)偏檢索增強(qiáng)一個(gè)偏行動(dòng)規(guī)劃。如果對(duì)方接著問(wèn)“兩者能結(jié)合嗎”答案是能而且 2026 年大部分生產(chǎn)級(jí) Agent 都帶著 RAG 組件。典型場(chǎng)景是 Agent 在執(zhí)行任務(wù)前先檢索內(nèi)部知識(shí)庫(kù)里的業(yè)務(wù)規(guī)則、產(chǎn)品文檔、歷史案例再開(kāi)始規(guī)劃。1.2 Token、上下文窗口與“Agent 吃什么”“AI Agent 的 token 是什么意思”是這兩年搜索量暴漲的問(wèn)題面試?yán)飼?huì)直接變成“你理解 token 和上下文窗口的關(guān)系嗎”“Agent 上下文溢出怎么處理”。Token 是模型處理文本的基本單位可以粗略理解成詞語(yǔ)碎片。但它對(duì) Agent 格外重要因?yàn)?Agent 的每一次決策、每一次工具調(diào)用返回值、每一輪執(zhí)行日志都要占用 token。一個(gè)實(shí)戰(zhàn)計(jì)算題假設(shè)你用 ReAct 架構(gòu)模型每輪先推理再?zèng)Q定調(diào)工具。工具返回一個(gè)幾千 token 的 JSON即使最后只用到其中兩三個(gè)字段這些 token 也要全部進(jìn)入上下文。任務(wù)需要五輪工具調(diào)用上下文輕松沖到 3 萬(wàn) token 以上成本隨之飆升。2026 年百萬(wàn)級(jí)上下文窗口的模型已經(jīng)很常見(jiàn)但面試官考的不是“你能塞多少”而是“你會(huì)不會(huì)用”。正確的答法是分層處理。第一工具返回結(jié)果落地到外部存儲(chǔ)比如數(shù)據(jù)庫(kù)或 Redis上下文里只放精簡(jiǎn)后的摘要字段第二超過(guò)閾值的舊日志做截?cái)嗷蛘獕嚎s而不是無(wú)腦全保留第三長(zhǎng)任務(wù)用“子 Agent”隔離主 Agent 只關(guān)心子 Agent 返回的結(jié)果不承載全部中間過(guò)程。這套三層處理邏輯我在面試?yán)飵缀趺總€(gè)候選人都問(wèn)能完整講清楚三層的人不到 20%屬于典型的高區(qū)分度知識(shí)點(diǎn)。1.3 記憶設(shè)計(jì)短期、長(zhǎng)期與工作記憶的存儲(chǔ)策略記憶題的常見(jiàn)問(wèn)法是“你的 Agent 怎么實(shí)現(xiàn)長(zhǎng)期記憶”。這里要分清三層概念。短期記憶就是對(duì)話窗口里的會(huì)話歷史通常存在內(nèi)存或 Redis設(shè)置過(guò)期時(shí)間長(zhǎng)期記憶用向量數(shù)據(jù)庫(kù)存用戶偏好、業(yè)務(wù)知識(shí)、歷史決策記錄配合 embedding 做相似度召回工作記憶則存放當(dāng)前任務(wù)上下文和任務(wù)執(zhí)行中的臨時(shí)狀態(tài)比如“用戶剛才決定變更需求、暫時(shí)切到另一個(gè)方案”這類狀態(tài)最容易被人忽略。面試官經(jīng)常追問(wèn)“記憶里應(yīng)該存什么、不存什么”。我踩過(guò)的一個(gè)坑是把所有對(duì)話原文全部塞進(jìn)向量庫(kù)結(jié)果召回出來(lái)全是噪聲。正確做法是只存結(jié)構(gòu)化的事實(shí)、決策依據(jù)、可復(fù)用的子任務(wù)方案至于無(wú)關(guān)的寒暄和原始調(diào)試日志不但不要存還要在進(jìn)入記憶之前過(guò)濾掉。召回策略也要講清楚——時(shí)間衰減權(quán)重、相關(guān)性閾值、最近 K 條兜底這三樣組合起來(lái)比單純靠相似度檢索穩(wěn)得多。記憶失效也是高頻考點(diǎn)。比如多輪 Agent 會(huì)話中用戶中途改了需求模型還按照舊方案繼續(xù)執(zhí)行這就是工作記憶沒(méi)有及時(shí)更新導(dǎo)致的。應(yīng)對(duì)方式是每次計(jì)劃變更先做“計(jì)劃作廢”或“重新規(guī)劃”把舊狀態(tài)標(biāo)記為 invalid而不是讓 Agent 帶著過(guò)期狀態(tài)繼續(xù)跑。2. 主流架構(gòu)與核心模式從 ReAct 到 Plan-and-Execute2.1 架構(gòu)全景單智能體、多智能體、圖編排的選型邏輯這部分的面試問(wèn)題通常是你用過(guò)哪些 Agent 架構(gòu)。背后真正想考的是你有沒(méi)有在真實(shí)場(chǎng)景里做過(guò)取舍?；A(chǔ)中的基礎(chǔ)是 ReAct推理 - 行動(dòng) - 觀察循環(huán)往復(fù)適合工具調(diào)用密集、需要靈活應(yīng)對(duì)環(huán)境反饋的場(chǎng)景缺點(diǎn)是 token 開(kāi)銷(xiāo)大、過(guò)程容易跑偏。相比之下Plan-and-Execute 先規(guī)劃出一個(gè)完整任務(wù)清單再逐步執(zhí)行穩(wěn)定性更高適合目標(biāo)明確、步驟相對(duì)固定的任務(wù)比如“每周生成一份競(jìng)品分析報(bào)告并發(fā)送郵件”。Reflexion 模式在 2026 年面試?yán)镆查_(kāi)始頻繁出現(xiàn)。它的特點(diǎn)是在執(zhí)行失敗后讓模型自我反思、更新策略更像一個(gè)“會(huì)復(fù)盤(pán)”的 Agent。面試官如果問(wèn)“你的生產(chǎn)系統(tǒng)里用哪種”正確答案不是背名詞而是說(shuō)探索性強(qiáng)、動(dòng)作路徑不固定的任務(wù)用 ReAct 變體目標(biāo)清晰、要控制成本的場(chǎng)景用 Plan-and-Execute需要持續(xù)自我改進(jìn)的長(zhǎng)周期任務(wù)考慮加一層 Reflexion 式的反思回路。再往上就是多智能體。這里有個(gè)常見(jiàn)的錯(cuò)誤認(rèn)知認(rèn)為多 Agent 一定比單 Agent 強(qiáng)。實(shí)際上多 Agent 的成本成倍增長(zhǎng)協(xié)調(diào)復(fù)雜度更高而且 Agent 之間的對(duì)話不可控生產(chǎn)環(huán)境很容易變成“兩個(gè)模型在互相客套”。2026 年企業(yè)級(jí)落地的主流是多 Agent 加圖編排比如 LangGraph 那種以節(jié)點(diǎn)和邊定義流程的方式Planner 負(fù)責(zé)任務(wù)分解Worker 負(fù)責(zé)執(zhí)行Critic 負(fù)責(zé)驗(yàn)收節(jié)點(diǎn)之間用顯式狀態(tài)傳遞。面試?yán)镎f(shuō)“多 Agent 聊天式協(xié)作很優(yōu)雅”是扣分項(xiàng)說(shuō)“圖編排可控、可觀測(cè)、可斷點(diǎn)續(xù)跑”才是加分項(xiàng)。2.2 推理規(guī)劃與工具調(diào)用從 Function Calling 到錯(cuò)誤恢復(fù)工具調(diào)用是 Agent 的“手”面試幾乎必考。Function Calling 的本質(zhì)是定義函數(shù)的 JSON Schema讓模型輸出結(jié)構(gòu)化的參數(shù)再在代碼里執(zhí)行真實(shí)函數(shù)。這里的關(guān)鍵不是“會(huì)調(diào)”而是面試官追問(wèn)“你的工具描述怎么寫(xiě)”——工具描述直接決定模型能不能在合適的時(shí)機(jī)選到合適的工具。描述里必須寫(xiě)清楚工具做什么、適用條件、不適用條件、關(guān)鍵參數(shù)含義、返回結(jié)構(gòu)。寫(xiě)得含糊模型就會(huì)在多個(gè)相似工具之間反復(fù)橫跳。工具調(diào)用的完整鏈路有三段工具發(fā)現(xiàn)、參數(shù)生成、結(jié)果解析。高頻追問(wèn)是“工具調(diào)用失敗怎么辦”。正確答案不是單純重試而是分等級(jí)降級(jí)第一先做參數(shù)糾正把模型生成的非法參數(shù)結(jié)合實(shí)際返回信息修正后重試一次第二工具多次失敗后讓 Agent 切換到無(wú)工具模式直接用自身知識(shí)回答第三將錯(cuò)誤信息結(jié)構(gòu)化回傳給模型讓它學(xué)習(xí)到“這條路徑走不通”避免反復(fù)踩同一個(gè)坑。還有一個(gè)必問(wèn)題怎么避免 Agent 陷入無(wú)限循環(huán)。我的答案是四件套最大迭代次數(shù)限制比如 10 輪單步驟超時(shí)比如 30 秒置信度閾值低于閾值就主動(dòng)向用戶確認(rèn)成功標(biāo)志檢測(cè)任務(wù)完成后立刻終止循環(huán)而不是讓模型繼續(xù)“錦上添花”。這四樣任何一樣缺失生產(chǎn)環(huán)境都會(huì)出亂子。2.3 主流框架的取舍LangGraph、Dify、Coze 怎么選面試?yán)飭?wèn)到“用什么框架搭建”時(shí)最忌諱只報(bào)一個(gè)名字就說(shuō)“挺好用的”。2026 年的面試官希望聽(tīng)到的是你做過(guò)對(duì)比甚至踩過(guò)坑。LangGraph 適合復(fù)雜圖編排和精細(xì)狀態(tài)管理節(jié)點(diǎn)、邊、狀態(tài)流都自己控制可移植到生產(chǎn)代碼里但學(xué)習(xí)成本偏高文檔有時(shí)候要讀半天。Dify 適合快速搭建“RAG Agent”業(yè)務(wù)應(yīng)用低代碼內(nèi)置知識(shí)庫(kù)和插件市場(chǎng)適合做企業(yè)內(nèi)部工具但深度定制會(huì)撞到它的抽象層。Coze 適合快速做面向 C 端的機(jī)器人國(guó)內(nèi)生態(tài)上手快但可移植性一般。還有一個(gè)隱藏加分點(diǎn)自己手寫(xiě)過(guò)輕量 Agent 框架。核心就是一個(gè)循環(huán)——觀察讀取上下文和工具結(jié)果→ 決策調(diào)用模型選擇動(dòng)作→ 執(zhí)行工具 → 記錄結(jié)果 → 再觀察。代碼量大約五六十行。我組織新人培訓(xùn)時(shí)堅(jiān)持讓每個(gè)人先手寫(xiě)一遍這個(gè)循環(huán)再上 LangGraph。因?yàn)槭謱?xiě)能讓你真正理解狀態(tài)從哪來(lái)、錯(cuò)誤在哪一層發(fā)生面試官問(wèn)“底層原理”時(shí)你才不會(huì)發(fā)虛。3. 工程化與部署簡(jiǎn)歷上寫(xiě)“會(huì) Agent 開(kāi)發(fā)”的人最容易被追問(wèn)的部分3.1 RAG 與 Agent 深度結(jié)合知識(shí)庫(kù)不是萬(wàn)能藥RAG 和 Agent 的組合是 2026 年生產(chǎn)級(jí)應(yīng)用的事實(shí)標(biāo)準(zhǔn)。面試題往往這樣出“你的 Agent 在回答業(yè)務(wù)問(wèn)題時(shí)怎么接入公司內(nèi)部知識(shí)庫(kù)”這里要講清楚的不只是“接一個(gè)向量庫(kù)就行”。分塊策略要考慮 chunk size 和重疊加多少太碎則語(yǔ)義斷裂太大則檢索噪聲高embedding 模型選擇要看領(lǐng)域文本類型法律、醫(yī)療、代碼類文檔的差異很大召回之后通常還要加一層 rerank把真正相關(guān)的段落排到前面。面試官喜歡追問(wèn)“RAG 檢索不到答案怎么辦”。千萬(wàn)別一上來(lái)就說(shuō)“調(diào)大 top-K”——那是新手操作。正確排查順序是先看分塊大小是否合理再查 query 需不需要改寫(xiě)拆解、擴(kuò)展、同義替換最后檢查 rerank 有沒(méi)有把正確答案壓到后面。更進(jìn)一步Agent 化 RAG 的做法是讓 Agent 動(dòng)態(tài)決定檢索策略簡(jiǎn)單問(wèn)題直接檢索一次復(fù)雜問(wèn)題拆分子查詢多次檢索再合并而不是每條問(wèn)題都走同一個(gè)重流程。順帶提一個(gè)偏實(shí)操的問(wèn)題“用 AI Agent 開(kāi)發(fā) Django 這種 Web 后端”到底怎么理解。這背后其實(shí)是 Agent 的托管方式——把 Agent 跑在 Web 服務(wù)里和普通 API 服務(wù)有一個(gè)重要差異Agent 任務(wù)通常是長(zhǎng)時(shí)間的異步流程不能用普通 HTTP 請(qǐng)求等一個(gè)響應(yīng)。需要任務(wù)隊(duì)列、長(zhǎng)輪詢或 SSE 推送任務(wù)狀態(tài)落庫(kù)。Django 當(dāng)然可以寫(xiě) Agent 服務(wù)端但設(shè)計(jì)上要把“請(qǐng)求-響應(yīng)”模型改成“提交任務(wù)-查詢狀態(tài)-異步通知”模型這也是后端工程師轉(zhuǎn) Agent 方向最常踩的坎。3.2 可靠性設(shè)計(jì)與 Rust 運(yùn)行時(shí)Agent 上生產(chǎn)的三座大山生產(chǎn)級(jí) Agent 之所以難不是因?yàn)槟Ｐ筒粔蚵斆鞫且驗(yàn)槿齻€(gè)問(wèn)題外部工具不穩(wěn)定、模型偶爾“發(fā)癲”、成本不可控?？煽啃缘暮诵脑O(shè)計(jì)在面試?yán)锬苤苯芋w現(xiàn)你的工程經(jīng)驗(yàn)。第一是重試加熔斷連續(xù)幾次調(diào)用失敗要讓 Agent 換路徑而不是死磕同一個(gè)工具第二是冪等設(shè)計(jì)同一個(gè)工具調(diào)用多次不能產(chǎn)生副作用比如發(fā)郵件、轉(zhuǎn)賬、扣費(fèi)這類操作必須靠請(qǐng)求 ID 去重第三是高危操作人工審批對(duì)外發(fā)送消息、提交訂單這一類動(dòng)作加入 human-in-the-loop 審核節(jié)點(diǎn)再放行?！盎?Rust 語(yǔ)言構(gòu)建 AI Agent”這個(gè)熱詞2026 年在面試?yán)锍霈F(xiàn)的頻率明顯變高了。背后的原因不是行業(yè)內(nèi)卷而是 Agent runtime 需要高并發(fā)、低延遲地處理大量流式調(diào)用。Rust 無(wú) GC、內(nèi)存安全、并發(fā)模型強(qiáng)適合做調(diào)度和網(wǎng)關(guān)層讓 Python 或 TypeScript 負(fù)責(zé)業(yè)務(wù)編排。一個(gè)典型的技術(shù)棧是Rust 寫(xiě)高性能 Agent 引擎上層接 LangGraph 狀態(tài)流再上層是業(yè)務(wù)插件。面試?yán)锾岬竭@個(gè)分層會(huì)讓面試官覺(jué)得你不只是在調(diào) API而是真的考慮過(guò)性能瓶頸。部署側(cè)Agent 服務(wù)與傳統(tǒng)服務(wù)的差異是流式響應(yīng)、狀態(tài)持久化、斷線續(xù)跑。用戶的瀏覽器可能關(guān)掉但后臺(tái)任務(wù)還得繼續(xù)Agent 跑了一半網(wǎng)絡(luò)斷了重新連接后要能從斷點(diǎn)恢復(fù)而不是從頭再來(lái)。這些都是把任務(wù)狀態(tài)持久化到數(shù)據(jù)庫(kù)、配合消息隊(duì)列做恢復(fù)才能解決的問(wèn)題。順帶一提關(guān)注一下大廠和云廠商近期發(fā)布的 Agent 白皮書(shū)里面反復(fù)強(qiáng)調(diào)的方向無(wú)非三個(gè)可觀測(cè)、安全、成本治理。這基本就是 2026 年企業(yè)級(jí) Agent 面試的核心風(fēng)向標(biāo)。3.3 評(píng)估與可觀測(cè)性不會(huì)跑評(píng)估就別投 Agent 崗評(píng)估 Agent 比評(píng)估單個(gè)大模型復(fù)雜得多因?yàn)槟悴粌H要看最終答案對(duì)不對(duì)還要看過(guò)程合不合理。常見(jiàn)指標(biāo)包括任務(wù)成功率、步驟完成率、工具調(diào)用準(zhǔn)確率、無(wú)效調(diào)用率、單任務(wù)成本。舉一個(gè)真實(shí)例子兩個(gè) Agent 完成任務(wù)的成功率都是 90%但一個(gè)平均每次任務(wù)調(diào)用 3 次工具另一個(gè)要調(diào) 12 次成本差了三倍。如果只盯著最終正確率上線后成本會(huì)直接教做人。軌跡評(píng)估是 2026 年的加分項(xiàng)。意思是不僅要看結(jié)果還要看路徑——Agent 是不是在沒(méi)必要的時(shí)候調(diào)用了昂貴工具是不是繞遠(yuǎn)路是不是在涉及敏感操作時(shí)沒(méi)有停下來(lái)確認(rèn)。我在實(shí)際項(xiàng)目里會(huì)用 LLM-as-judge 搭配人工抽檢讓一個(gè)裁判模型對(duì) Agent 的完整軌跡打分再抽 20% 讓業(yè)務(wù)人員復(fù)核離線評(píng)估集每周跑一次防止迭代回歸?？捎^測(cè)性也有固定套路。每條 Agent 決策都要記錄模型輸入輸出、決策理由、工具入?yún)⒊鰠?、token 消耗、耗時(shí)。用 trace 把所有記錄串聯(lián)起來(lái)出問(wèn)題時(shí)能像查分布式系統(tǒng)一樣定位到具體哪一步。有一位做 Agent 平臺(tái)的朋友跟我說(shuō)過(guò)一句話我印象很深“你連一次任務(wù)花了多少 token 都說(shuō)不清楚就別談上線?！边@話糙但在面試?yán)锖芗臃帧?. 高頻真題實(shí)戰(zhàn)解析從概念速記到系統(tǒng)設(shè)計(jì)4.1 概念題速查表30 秒答法如果你面試前只剩幾個(gè)小時(shí)這個(gè)表可以直接拿來(lái)速記。每一題都給了核心答題框架和一句加分補(bǔ)充。面試問(wèn)題核心答案加分補(bǔ)充Agent 是什么LLM 規(guī)劃 記憶 工具動(dòng)態(tài)決策下一步強(qiáng)調(diào)“控制流由模型決定”Agent 和 Workflow 區(qū)別Workflow 流程寫(xiě)死Agent 路徑由模型選生產(chǎn)環(huán)境常把兩者混用ReAct 是什么推理-行動(dòng)-觀察循環(huán)適用探索型任務(wù)注意 token 成本Plan-and-Execute 優(yōu)勢(shì)先規(guī)劃再執(zhí)行穩(wěn)定可控適合固定目標(biāo)、多步驟任務(wù)什么是 Function Calling模型輸出結(jié)構(gòu)化參數(shù)代碼執(zhí)行真實(shí)函數(shù)工具描述質(zhì)量直接決定召回率上下文溢出怎么辦摘要、截?cái)?、外部存?chǔ)、子 Agent 隔離分層處理是核心RAG 和 Agent 區(qū)別RAG 解決“不知道”Agent 解決“不會(huì)做”兩者可結(jié)合Agent 動(dòng)態(tài)檢索多 Agent 一定更好嗎不一定成本和協(xié)調(diào)復(fù)雜度高圖編排更可控Agent 怎么評(píng)估成功率、工具準(zhǔn)確率、成本、軌跡離線評(píng)估 線上觀察長(zhǎng)期記憶存哪里向量數(shù)據(jù)庫(kù)存結(jié)構(gòu)化事實(shí)和決策只存值得復(fù)用的信息4.2 系統(tǒng)設(shè)計(jì)題范例讓社交平臺(tái)自動(dòng)發(fā)消息的 Agent把熱點(diǎn)場(chǎng)景“讓小紅書(shū)自動(dòng)發(fā)消息”變成一道系統(tǒng)設(shè)計(jì)題是很好的練習(xí)也是 2026 年面試官喜歡出的“業(yè)務(wù) Agent”綜合題。題目是這樣的設(shè)計(jì)一個(gè) Agent每天自動(dòng)在社交平臺(tái)發(fā)布內(nèi)容并自動(dòng)回復(fù)用戶評(píng)論?？疾禳c(diǎn)有需求拆解、工具接入、安全風(fēng)控、定時(shí)調(diào)度、失敗恢復(fù)。我的答題骨架是這樣。需求拆解成五個(gè)模塊內(nèi)容生成——用 LLM 基于產(chǎn)品資料和熱點(diǎn)話題生成文案接 RAG 提供事實(shí)依據(jù)內(nèi)容審核——發(fā)布前必須過(guò)一層審核模型加敏感詞過(guò)濾高危內(nèi)容轉(zhuǎn)人工確認(rèn)定時(shí)發(fā)布——用 Celery 或 APScheduler 做任務(wù)隊(duì)列定義好發(fā)布節(jié)奏自動(dòng)回復(fù)——意圖識(shí)別加 RAG 檢索由獨(dú)立的 ReAct Agent 處理但涉及活動(dòng)承諾或價(jià)格類內(nèi)容必須兜底到人工數(shù)據(jù)反饋——每天記錄閱讀量、評(píng)論傾向回傳給內(nèi)容迭代。技術(shù)選型上調(diào)度層和 Agent 執(zhí)行層分離。調(diào)度層只負(fù)責(zé)觸發(fā)Agent 層用 LangGraph 定義狀態(tài)機(jī)生成 - 自審 - 人工抽檢 - 發(fā)布 - 監(jiān)控。發(fā)布失敗要有重試和告警任務(wù)狀態(tài)持久化到數(shù)據(jù)庫(kù)保證重啟不丟任務(wù)。冪等設(shè)計(jì)很關(guān)鍵——同一條內(nèi)容不能因?yàn)榫W(wǎng)絡(luò)超時(shí)而重復(fù)發(fā)布所以每次發(fā)布都帶上內(nèi)容 ID 和請(qǐng)求 ID。安全合規(guī)是這個(gè)題最容易丟分的地方。自動(dòng)發(fā)布和自動(dòng)回復(fù)一旦失控影響面比普通客服機(jī)器人大得多。所以我在設(shè)計(jì)里會(huì)加發(fā)布頻率限制避免被判定為騷擾所有操作留痕可審計(jì)用戶敏感信息不能進(jìn)模型的長(zhǎng)期記憶回復(fù)中涉及優(yōu)惠、承諾、售后內(nèi)容時(shí)強(qiáng)制轉(zhuǎn)人工。面試官聽(tīng)到這些至少會(huì)認(rèn)可你是真做過(guò)上線系統(tǒng)的人而不只是會(huì)調(diào)模型接口。4.3 反面教材這幾種回答面試官一聽(tīng)就搖頭有些錯(cuò)誤答案幾乎是統(tǒng)一模板我在模擬面試中反復(fù)聽(tīng)到。第一種“模型會(huì)自己搞定一切我們不用寫(xiě)規(guī)則。”這句話在 2026 年任何 Agent 團(tuán)隊(duì)都會(huì)被否定。生產(chǎn)環(huán)境必須有人類的控制點(diǎn)——高危操作要二審安全策略要硬編碼流程邊界要顯式定義。Agent 的自主權(quán)是設(shè)計(jì)出來(lái)的而不是模型自然擁有的。第二種“只要上下文窗口夠大就不用設(shè)計(jì)記憶。”大模型確實(shí)能裝下很多東西但成本會(huì)爆炸而且無(wú)關(guān)信息太多會(huì)干擾決策。面試官問(wèn)記憶設(shè)計(jì)考的是成本意識(shí)和信息管理能力不是讓你說(shuō)“換個(gè)大模型”。第三種“我們?nèi)坑枚?Agent效果特別好?！泵つ可隙?Agent 的人往往解釋不了消息如何在角色之間傳遞、失敗如何追溯、成本如何控制。一個(gè)能跑的單 Agent 永遠(yuǎn)比一個(gè)失控的多 Agent 有價(jià)值。第四種“評(píng)估就是拿幾個(gè)測(cè)試用例跑一下?！边@暴露了完全沒(méi)做過(guò) Agent 工程化。評(píng)價(jià)一個(gè) Agent 至少要看成功率、成本、延遲、安全人工介入比例還要有灰度對(duì)比和回歸集。能把評(píng)估思路完整說(shuō)出來(lái)的候選人在我這里直接上一個(gè)檔次。4.4 2026 年新增考察方向從 Demo 到生產(chǎn)的轉(zhuǎn)變2026 年的 Agent 面試題有幾個(gè)明顯的新風(fēng)向。第一Agent 從 Demo 走向生產(chǎn)評(píng)估、可觀測(cè)、成本治理、安全合規(guī)成為必問(wèn)題。第二多模態(tài)和“GUI Agent”開(kāi)始出現(xiàn)比如自動(dòng)操作網(wǎng)頁(yè)、自動(dòng)完成訂單流程這類要求你把視覺(jué)理解、UI 解析、操作決策合并成一個(gè)閉環(huán)。第三專屬運(yùn)行時(shí)和編排引擎的討論變多也就是前面提到的 Rust 后端、高性能調(diào)度說(shuō)明行業(yè)已經(jīng)在焦慮單靠 Python 腳本不夠打了。第四企業(yè)級(jí) Agent 中臺(tái)概念流行——提示詞管理、插件市場(chǎng)、統(tǒng)一網(wǎng)關(guān)、權(quán)限控制這些詞背后都是同一個(gè)問(wèn)題Agent 怎么在企業(yè)里批量上線而不失控。如果你正在準(zhǔn)備面試我的建議不是題海戰(zhàn)術(shù)而是把這套題當(dāng)成自檢清單。核心概念過(guò)一遍手寫(xiě)一個(gè)最小 Agent 循環(huán)再用框架做一個(gè) RAG Agent 的完整任務(wù)最后跑一輪評(píng)估、總結(jié)三到五個(gè)踩坑經(jīng)歷。這套流程走完面試?yán)锎蟛糠謫?wèn)題都不只是“會(huì)背”而是“真做過(guò)”。我在實(shí)際組織新人培訓(xùn)時(shí)最深的體會(huì)是手寫(xiě) Agent 循環(huán)那一步?jīng)Q定了后面所有框架知識(shí)能長(zhǎng)多深。很多人問(wèn)我會(huì)不會(huì)給題庫(kù)其實(shí)這行里最重要的不是題目而是你對(duì)自己項(xiàng)目的理解和復(fù)盤(pán)。如果你能針對(duì)自己做過(guò)的 Agent 項(xiàng)目把架構(gòu)、成本、失敗案例、評(píng)估指標(biāo)一口氣講清楚任何題庫(kù)都可以不用背