AI Agent 开发三轮面试真题全解析：Function Call、MCP、RAG、多 Agent、沙箱与算法

📌 面试概览

以下答案基于本人面试录音整理，并结合个人思考与 DeepSeek 辅助完成。实际回答建议结合项目展开。

这轮面试整体问得很细，不是只问"什么是 Agent"，而是会追问：

• Function Call、MCP、Skill、Rules 到底怎么区分？
• Agent 怎么按需调用工具，而不是乱调？
• 长短期记忆在项目里怎么落地？
• Agentic RAG 和传统 RAG 差在哪？
• LangGraph 的 Memory 机制、多 Agent 拆分为何容易出错？
• SSE、Redis、MVCC、限流、算法等后端工程能力。
• 安全：提示词攻击、Agent 沙箱。

🟦 一面真题与解析

1. 自我介绍

建议按背景 + 项目 + 技术栈 + 结果 + 匹配度来说。

模板：面试官好，我是 XXX，过去主要做 LLM 应用/Agent 开发。项目里负责过 XXX Agent 系统，技术栈包括 Python、LangGraph、RAG、Function Call、MCP、Redis、SSE。核心做了工具调用编排、记忆系统、检索优化和多 Agent 协作。最终把任务成功率从 X% 提升到 Y%，延迟降低 Z%。我比较匹配贵司 Agent 工程化方向。

⚠️ 不要背简历，要突出和岗位相关的 Agent、RAG、工具调用、工程化经验。

2. 项目一怎么做的

用STAR 法则：

• S：业务背景是什么？
• T：你负责什么？
• A：架构怎么设计？用了哪些 Agent/RAG/工具/记忆？
• R：指标结果如何？

推荐讲清楚这条链路：用户输入 → 意图识别/路由 → Agent 规划 → 工具调用 → RAG 检索 → 记忆读写 → 结构化输出 → 评测与监控。

如果面试官追问，要能画出架构图。

3. Workflow、Agent、Skill 区别

一句话：Workflow 是"流程驱动"，Agent 是"目标驱动"，Skill 是"能力模块"，可以被 Workflow 或 Agent 调用。

4. 如何提升 Agent 的 Function Call 能力

核心是：让模型更容易选对工具、填对参数、处理失败。

• 工具描述清晰：说明用途、何时用、何时不用
• 参数 Schema 严格：类型、枚举、必填、默认值
• Few-shot 示例：展示正确调用
• 工具召回：工具太多时先检索候选工具
• 参数校验：Pydantic / JSON Schema 校验
• 错误重试：把错误信息返回给模型
• 权限与预算：限制可调用工具和次数
• 评测集：统计工具选择准确率、参数准确率、任务成功率
• 微调：通用模型不够时，可做 function call 微调

5. Agent 工具调用了解哪些方式

常见方式：OpenAI Function Calling / Tool Calling、ReAct、Plan-and-Execute、MCP、OpenAPI 转工具、LangChain Tool / LangGraph ToolNode、代码解释器、RPC/HTTP API、浏览器自动化、数据库查询工具、本地函数调用。

面试时最好说：简单任务用 Function Call，复杂任务用 ReAct 或 Plan-and-Execute，企业工具统一接 MCP。

6. 怎么保障 Agent 按需调用工具

不要让模型"想调就调"，常用约束：

• 意图路由：先判断是否需要工具
• 工具召回：只给模型相关工具
• 置信度阈值：低置信度先追问
• 规则约束：某些场景禁止调用
• 预算控制：最大工具调用次数
• 状态机：流程节点决定可用工具
• 后置校验：检查工具调用是否合理
• 评测：统计过度调用、漏调用

7. Function Call、MCP、Skill 的区别

举例：Function Call 是模型输出get_weather(city="北京")；MCP 是通过标准协议发现并调用天气服务；Skill 是封装"出差规划"能力，内部可能调用天气、航班、酒店多个工具。

8. Skills 和 Rules 的区别？

这题当时没答好，正确理解：

• Skill：能力包，解决"怎么做"。可包含工具、Prompt、流程、代码。
• Rules：规则约束，解决"什么能做、什么不能做、必须怎么做"。

一句话：Skill 是"工具箱"，Rules 是"交通规则"。

9. MCP 的使用场景

MCP 适合统一接入企业内外工具和资源：文件系统、数据库、Git 仓库、浏览器、SaaS 系统、内部 API、知识库、监控告警、代码执行环境。

价值：一次接入，多模型、多 Agent 复用；工具动态发现；权限和上下文标准化。

10. Agent 中的长短期记忆，实际怎么实现？

短期记忆：当前会话消息、scratchpad、LangGraph State、滑动窗口、摘要压缩。

长期记忆：向量数据库、KV 存储、知识图谱、用户画像、事件日志、定时摘要。

实现方式：

• 短期：messages+trim_messages+ summary
• 长期：抽取事实 → 去重 → 存向量库 → 检索注入 Prompt
• LangGraph：checkpointer存短期，Store存长期

11. Prompt 你会怎么考量去写

结构化写 Prompt：角色、目标、上下文、工具、约束、输出格式、示例、边界、安全、评测。

即：你是谁 → 要完成什么 → 已知信息 → 可用工具及使用条件 → 禁止事项 → JSON/Markdown 输出 → Few-shot → 不知道怎么办 → 防注入 → 可迭代。

12. 记忆覆盖问题如何解决

用户偏好会变化，记忆会冲突，常用方案：时间戳（新记忆优先）、版本号、置信度、来源优先级、冲突检测、用户确认、分层存储（事实/偏好/临时）、TTL、去重合并、摘要压缩。

例如用户先说"喜欢咖啡"，后说"戒咖啡了"，应更新时间线，而不是简单覆盖。

13. Agentic RAG 和传统 RAG 的区别

• 传统 RAG：一次检索 → 拼接上下文 → 生成。
• Agentic RAG：规划 → 查询改写 → 多轮检索 → 工具调用 → 反思 → 验证 → 生成。

14. RAG 的分片逻辑了解吗？

常见分片：固定长度、递归分片、按段落/标题、语义分片、父子分片、句子窗口、表格/代码特殊处理、Late Chunking。

核心原则：一个 chunk 要语义完整，能独立表达一个信息点。

15. 召回时分片不完整怎么办？

方案：父子块（子块检索，父块生成）、句子窗口、重叠分片、查询改写、多路召回、重排、摘要索引、图索引。

不要只靠单一块，最好多粒度召回。

16. 如何选择合适的切块大小和重叠长度？

没有固定答案，要看文档类型和评测。经验值：

最终用召回率、答案准确率、上下文长度来调。

17. 哪些技术可以提升 RAG 检索质量？

混合检索（BM25 + 向量）、Rerank 重排、查询改写、HyDE、多向量、元数据过滤、父子块、图 RAG、摘要索引、多路召回、评估集迭代。

18. SSE 如何实现边生成边推送？

SSE 基于 HTTP 长连接，服务端分块返回。

响应头：

Content-Type: text/event-stream Cache-Control: no-cache Connection: keep-alive X-Accel-Buffering: no

数据格式：

data: {"token":"你"} data: {"token":"好"} data: [DONE]

服务端每生成一个 token 就flush，客户端用EventSource接收。⚠️ 注意 Nginx 要关闭缓冲。

19. Redis 的 Hash 大 Key 怎么优化？

拆 key（按业务/时间分片）、字段过多拆多个 Hash、使用 HSCAN、压缩 value、大 key 删除用UNLINK、设置 TTL、监控大 key、集群分片。

⚠️ 不要一次性HGETALL。

20. 手撕：快排

defquick_sort(arr,left,right):ifleft>=right:returnpivot=arr[left]i,j=left,rightwhilei<j:whilei<jandarr[j]>=pivot:j-=1whilei<jandarr[i]<=pivot:i+=1arr[i],arr[j]=arr[j],arr[i]arr[left],arr[i]=arr[i],arr[left]quick_sort(arr,left,i-1)quick_sort(arr,i+1,right)if__name__=="__main__":nums=[5,2,9,1,5,6]quick_sort(nums,0,len(nums)-1)print(nums)

🟩 二面真题与解析

1. LangGraph 如何搭建？Memory 组件工作机制？

LangGraph 用StateGraph构建，核心四要素：State（共享状态）、Node（执行节点）、Edge（流转边）、Checkpointer（短期记忆持久化）、Store（长期记忆）。

fromlanggraph.graphimportStateGraph,START,ENDfromlanggraph.checkpoint.memoryimportMemorySaverclassState(dict):messages:listbuilder=StateGraph(State)builder.add_node("agent",agent_node)builder.add_node("tools",tool_node)builder.add_edge(START,"agent")builder.add_edge("tools","agent")graph=builder.compile(checkpointer=MemorySaver())

• 短期记忆：按thread_id保存会话状态。
• 长期记忆：用Store存用户偏好、事实，检索后注入上下文。

2. 为什么要拆子 Agent？

职责隔离、工具集隔离、上下文窗口控制、权限隔离、可并行、可独立评测、可复用。

例如：检索 Agent、SQL Agent、报告 Agent、审核 Agent。

3. 多 Agent 什么情况下容易出错？

通信协议不清晰、共享状态不一致、角色冲突、死循环、错误级联、工具冲突、成本失控、责任扩散、缺少全局评估。

⚠️ 多 Agent 不是越多越好，能单 Agent 解决就别拆。

4. Skill 和多 Agent 执行的区别

• Skill：单 Agent 内调用能力，局部、确定、低成本。
• 多 Agent：多个决策体协作，有角色、通信、编排，适合复杂任务。

一句话：Skill 是"能力扩展"，多 Agent 是"组织架构"。

5. Agent 结构化输出信息是什么？

让模型按 JSON Schema 输出：

{"intent":"查询订单","tool":"get_order","args":{"order_id":"123"},"need_human":false}

实现方式：OpenAIresponse_format、Function Calling、Pydantic 校验、解析失败重试。

6. Skill 和 Memory 的沉淀怎么设计？

• Skill 沉淀：注册表、版本、描述、参数 Schema、示例、权限、评测。
• Memory 沉淀：抽取、去重、置信度、时间戳、TTL、检索注入、用户确认。

7. 动态 Workflow 了解吗？

• 静态 Workflow：节点和边提前定义。
• 动态 Workflow：LLM 运行时决定下一步、分支、循环、是否人工介入。

适合复杂任务、不确定路径、多工具协作；风险是不可控、难测试、成本高。

8. Agent 开发流程有几个环节？

场景定义 → 任务拆解 → 工具设计 → 知识/RAG → Prompt → 编排 → 记忆 → 评测 → 安全 → 部署监控 → 迭代。

9. Workflow 编排参考什么？偏确定还是自由？

参考：SOP、状态机、DAG、BPMN、LangGraph。

原则：确定优先，自由兜底。能规则解决就规则，LLM 处理模糊和开放部分。

10. 什么情况用 ReAct，什么情况用 Plan and Execute？

• ReAct：短链路、工具反馈即时、探索型任务、边想边做。
• Plan and Execute：复杂多步、可分解、长任务、先规划再执行。

11. Agent 怎么选择工具？

工具描述向量召回、路由模型、Function Calling、规则、权限、成本、历史成功率。

工具多时，先召回候选工具，再让模型选。

12. RAG 整体流程与不同文档分块策略

整体流程：解析 → 分块 → 向量化 → 索引 → 检索 → 重排 → 生成 → 引用。

分块策略：

13. 检索怎么做？生成怎么控制幻觉？

• 检索：混合检索、多路召回、Rerank、元数据过滤、查询改写。
• 控制幻觉：引用来源、无依据拒答、置信度、输出校验、Self-check、限制上下文。

14. 还有没有其他索引方式？

倒排索引、向量索引、图索引、摘要索引、父子索引、多向量索引、知识图谱、SQL 索引、混合索引。

15. 提示词攻击怎么防护？

攻击类型：直接注入、间接注入（RAG 文档/网页）、越狱、工具滥用。

防护手段：系统提示隔离、输入过滤、工具白名单、最小权限、输出校验、沙箱、人工确认、审计。

16. 如何设计 Agent 沙箱机制？

隔离维度：容器/微 VM、文件系统隔离、网络白名单、只读挂载、权限最小化。

资源与安全：资源限制（CPU/内存/磁盘）、执行超时、seccomp 系统调用过滤、cgroup 资源管控。

可观测：全量审计日志。

⚠️ 代码执行 Agent 必须沙箱，否则一个 Prompt 注入就能拿到宿主机。

17. ZSet 限流的瓶颈在哪？

ZSet 滑动窗口逻辑：

ZREMRANGEBYSCORE key 0 now-window ZCARD key ZADD key now member EXPIRE key window

瓶颈：热 key、大 key、内存、并发原子性、集群分片、Lua 阻塞、时钟问题。

优化：Lua 脚本、分片、令牌桶、滑动窗口简化。

18. MVCC 是什么？

多版本并发控制，核心是隐藏版本 + undo log + ReadView + 快照读 + 当前读。

MySQL InnoDB 中的差异：

• RC：每次 SELECT 生成 ReadView；
• RR：第一次 SELECT 生成 ReadView。

作用：读写不阻塞，提高并发。

19. SSE 和 WebSocket 的区别？

LLM 流式生成一般 SSE 足够。

20. 旋转数组搜索

defsearch(nums,target):left,right=0,len(nums)-1whileleft<=right:mid=(left+right)//2ifnums[mid]==target:returnmid# 左半部分有序ifnums[left]<=nums[mid]:ifnums[left]<=target<nums[mid]:right=mid-1else:left=mid+1else:ifnums[mid]<target<=nums[right]:left=mid+1else:right=mid-1return-1

🧭 面试复盘

这轮 Agent 开发面试的特点：

1. 不只会用框架，还要懂底层机制。
2. Function Call、MCP、Skill、Rules 要能分清。
3. RAG 问得很细，分块、召回、重排、幻觉控制都会追。
4. 多 Agent 不是越多越好，要能说清拆分边界。
5. 工程能力重要：SSE、Redis、MVCC、限流、沙箱。
6. 算法题偏基础：快排、旋转数组搜索。

准备建议：

• 手写一个最小 Agent；
• 手写 Function Call 流程；
• 用 LangGraph 搭一个带 Memory 的 Agent；
• 做一个 RAG 评测集；
• 了解 MCP Server/Client；
• 复习 Redis、SSE、MVCC、限流；
• 刷快排、二分、旋转数组。

📚 完整 Agent 面试题

另外像 AI Agent 这种面试，我有收集好的Agent 完整面试题，涵盖：

• Function Call / MCP / Skill / Rules；
• RAG 分块、召回、重排、评估；
• LangGraph / Memory / 多 Agent；
• SSE / WebSocket / Redis / MVCC；
• Agent 沙箱与提示词攻击；
• 手撕算法。

需要的评论区 dd，我整理好发你。

如果这篇文章对你有帮助，欢迎点赞 👍、收藏 ⭐、关注 🔔。
后续继续更新：LangGraph 实战、MCP 入门、Agentic RAG、多 Agent 协作、Agent 评测体系。