中美的AI Agent实习面经
美的AI Agent实习面经。整体难度中等，看似八股，实际全在考工程落地。
1. 什么是AI Agent？和传统LLM应用有什么区别？
传统LLM应用多是输入问题、生成回答。Agent更强调目标驱动，能规划步骤、调用工具、使用记忆，并根据反馈继续行动。核心区别是从单次生成变成可执行任务的闭环。
2. RAG的工作流程是什么？
离线：文档解析 → 切块 → 向量化 → 入库 在线：问题向量化 → 召回相关片段 → 必要时重排 → 模型基于片段回答
重点是让答案有外部知识支撑。
3. LLM幻觉问题如何缓解？
- 用RAG提供依据
- 用工具查询实时数据
- 用约束提示词限制编造
- 加引用来源和答案校验
- 高风险场景要有人审或规则兜底
幻觉不能彻底消失，只能通过工程手段降低概率。
4. LangChain、LangGraph等框架的优缺点
- 优点：组件多、上手快，适合快速搭建Agent和RAG
- 缺点：抽象层多，复杂业务里调试和定制会变难
- 工程建议：框架验证思路，核心链路保持可控和可观测
5. 什么是Function Calling？在Agent框架中如何落地？
Function Calling是让模型按约定格式选择工具和生成参数。落地流程：
- 注册工具schema
- 模型选择调用
- 后端校验参数并执行
- 结果回填给模型
关键：校验和兜底不能省。
6. 如何设计支持多轮对话的Agent？
- 保存会话状态、最近对话、任务进度和必要记忆
- 每轮输入先结合上下文理解意图
- 再决定回答、检索还是调用工具
- 上下文需要压缩和过期机制，否则越聊越乱
7. Agent记忆机制如何存储和管理？
- 短期记忆：当前会话和任务状态
- 长期记忆：稳定偏好、用户画像或历史结果
- 存储：数据库、向量库或缓存
- 关键：记忆要可更新、可删除、可解释，不能无限沉淀
8. ReAct框架原理是什么？
ReAct = Reasoning + Acting。模型一边思考一边决定调用什么工具，工具返回结果后，继续推理下一步。注意：要控制最大步数，避免循环调用。
9. RAG如何通过重排、HyDE等优化准确率？
- 重排：对召回结果重新精排，把能回答问题的片段放前面
- HyDE：先生成假想答案，再用它去检索，改善短/模糊查询
- 原则：优化要看评测数据，不能只凭感觉
10. 如何实现文本相似度计算函数？
- 文本转向量
- 算余弦相似度
- 无embedding时可用词袋或TF-IDF近似
- 重点讲清楚输入、向量化、相似度计算、阈值判断
这套题表面看是在问Agent、RAG和Function Calling，真正的考点是工程落地能力。