Agent 面试问题
1. Agent 基础与项目经验
- 先做自我介绍，然后简单讲一下自己做过的 Agent 项目。
- Agent 项目有没有真正上线？如果上线了，整体部署方式是怎样的？
- 项目里有没有用到现成框架，比如 LangChain 或 LangGraph？
- 你怎么理解 Agent？它和普通 LLM 应用最大的区别是什么？
- Agent 常见的工作模式有哪些，比如 ReAct、Plan and Execute 这类？
- 你的项目里有没有用到 ReAct？具体是怎么落地的？
- 意图识别模块是怎么做的？
- 项目里有哪些工具？这些工具是怎么注册、管理和调用的？
- 工具调用时，怎么保证参数提取得准？
- 如果工具调用经常出错，你会怎么提升正确率？
- Function calling、工具调用和普通 Prompt 调用有什么区别？
- 你们有没有用 MCP？为什么要把 OAuth2.1 接到 MCP 里？
2. 难点与思考
- 项目一里最难的点是什么？最后怎么解决的？
- 做代码重构的时候，你是怎么用 AI 辅助的？
- 你怎么看 Agent 后续的发展？哪些场景你觉得更容易落地？
3. RAG 与知识库
- 知识库是怎么搭的？从文档接入到检索的大致流程是什么？
- 文档分块策略是怎么设计的？
- 如果用户上传的是表格或图片，你们怎么解析里面的信息？
- embedding 模型是怎么选型的？主要看哪些指标？
- RAG 项目里，MySQL 和 Elasticsearch 的数据一致性怎么保证？
- 手动干预切片是怎么做的？为什么需要这一步？
- 讲一下你的召回和重排策略。
- 做知识检索时，怎么提高模型最终回答的准确率？
- RAG 里怎么处理 lost in the middle 问题？
- 怎么控制模型幻觉？如果从 RAG、Prompt 和输出约束几个角度拆，你会怎么做？
4. 系统架构与性能
- 系统里多租户隔离是怎么实现的？
- SSE 流式输出时，如果用户中途关掉浏览器，怎么保留已经输出的内容？后续还能不能恢复？
- 如果要提升模型响应速度，你会从哪些地方优化？
- 单看 Prompt 层面，有哪些办法能让模型回答更快、更稳定？
5. 基础原理
- 一个比较完整的 Prompt 通常会包含哪些部分？
- token 和字符有什么区别？
- 你平时用哪些 AI 工具比较多？简单对比一下它们的差异。
- 你觉得一个 Skill 写得好不好，应该看哪些标准？
- 介绍一下 LangChain 和 LangGraph，它们分别适合什么场景？
- 了解 Kubernetes 吗？项目里有没有实际用到？
- Java 线程池有哪些核心参数？
- 进程、线程、协程有什么区别？
- 什么场景下，协程会比线程更有优势？
- 讲一下 HashMap 的底层原理。
6. 手撕题
- 给一个 int 数组，判断它排序之后能不能组成等差数列。
7. 反问
- 反问：部门主要做什么业务？