Agent 岗位高频面试题

Agent 岗位高频面试题：标准答案（简洁、专业、面试直接用）

我给你整理面试可直接背诵的版本，不啰嗦、全是重点、符合大厂 Agent / RAG 工程师真实工作经验。

---

1. RAG 怎么优化？（高频核心）

一句话总结：从"检索不准、召回不全、上下文乱"三个方向下手。

核心优化点（面试必说）

1. 数据预处理优化

   • 文档清洗：去噪、去重、去乱码
   • 分块优化：固定分块 → 语义分块 / 按标题分块 / 递归分块
   • 增加元数据：文件名、章节、页码、时间，用于过滤

2. 检索层优化（最重要）

   • 向量模型升级：通用 embedding → 领域专用 embedding
   • 多路召回：向量检索 + 关键词检索（BM25）+ 时间过滤
   • 重排序（Rerank）：用小模型精排，大幅提升准确率
   • 检索阈值：设置相似度分数过滤无关内容

3. Prompt 优化

   • 强制要求"只使用参考资料回答"
   • 不知道就说不知道，禁止编造
   • 给参考资料加编号，要求引用来源

4. 架构优化

   • 多轮检索：复杂问题拆步骤，分步查资料
   • 上下文压缩：把召回的长文本压缩成关键信息
   • 路由 RAG：简单问题直接答，复杂问题才检索

5. 评估优化

   • 用指标：召回率、精确率、命中率、幻觉率
   • 用 LLM 自动评估回答质量

面试标准回答：

RAG 优化围绕数据、检索、提示词、架构、评估 五方面。先做文档清洗与语义分块，再用多路召回+重排序提升检索精度，通过 Prompt 约束模型只依赖资料，复杂问题用多轮检索与上下文压缩，最后通过自动化评估持续迭代。

---

2. Agent 卡死怎么办？

Agent 卡死 = 无限循环 / 工具调用失败 / 思考停滞 / 格式解析错误

解决方案（面试直接说）

1. 设置最大步数（最有效）
   • 限制最大思考/工具调用次数（如 5--10 步），超限直接退出
2. 工具调用异常捕获
   • 工具超时、报错、无返回 → 捕获后给 Agent 明确提示
3. 格式解析容错
   • 卡死 90% 是因为模型输出格式不对（少括号、JSON 错误）
   • 用解析容错、正则修复、格式强校验
4. 状态监控与重启机制
   • 记录每一步状态，长时间无响应自动终止
5. Prompt 防循环
   • 明确禁止重复调用相同工具
   • 让 Agent 记住上一步做了什么
6. 回滚机制
   • 卡死时返回上一步结果，或直接给出总结答案

面试标准回答：

Agent 卡死主要来自无限循环、工具异常、格式解析失败。解决方案包括：设置最大执行步数、工具调用异常捕获、强化输出格式校验与容错、增加循环检测、状态监控超时退出，确保流程可终止。

---

3. 如何降低幻觉？

幻觉 = 模型编造信息、无中生有、瞎编结论

最有效方案（面试必背）

1. RAG 强制检索
   • 所有事实性问题必须查资料，不检索不回答
2. 强约束 Prompt
   • "不知道就说不知道，严禁编造"
   • "必须引用参考资料内容"
   • "禁止扩展未提及信息"
3. 高质量检索
   • 召回越准，幻觉越低
   • 用 rerank、多路召回提升相关性
4. 事实校验（Fact Checking）
   • 用 LLM 二次校验：答案是否来自资料？是否编造？
5. 少样本/思维链引导
   • 给模型看"正确回答"和"拒绝编造"的例子
6. 模型选择
   • 用更稳定、更听话的模型（如 GPT-4o、Claude 系列幻觉更低）

面试标准回答：

降低幻觉核心是让模型"有依据说话"：通过 RAG 提供真实资料，用 Prompt 强制禁止编造，通过高质量检索保证依据可靠，再增加事实校验环节，从源头杜绝无依据生成。

---

4. 如何做工具调度？

工具调度 = Agent 该在什么时候、调用哪个工具、怎么选最优路径

标准架构（面试满分）

1. 工具注册与描述
   • 每个工具写清晰：功能、入参、使用场景
2. 工具路由（Tool Router）
   • 方法1：LLM 自主判断（最常用）
   • 方法2：分类器/规则路由（速度快、稳定）
3. 工具调用决策链
   • 判断是否需要工具
   • 选择最合适工具
   • 生成正确参数
   • 执行并解析结果
   • 判断是否需要继续调用
4. 多工具调度策略
   • 并行调用：同时查多个工具提升速度
   • 串行调用：步骤依赖，一步一步来
   • 条件调度：根据上一步结果决定下一步
5. 调度监控
   • 失败重试、降级策略、超时控制

面试标准回答：

工具调度包括工具描述、路由选择、参数生成、执行解析、流程控制。通过清晰的工具描述让模型理解能力，用路由策略选择合适工具，支持串行/并行/条件执行，并增加异常重试与降级机制，保证稳定可用。

---

5. 长上下文怎么处理？

长上下文 = 文档太长、对话太长、模型装不下、注意力漂移

工业界方案（面试必说）

1. 文本分块（最基础）
   • 大文件切小块，只召回最相关的
2. 上下文压缩
   • 摘要压缩：把长文本提炼关键信息
   • 抽取式压缩：只保留答案相关片段
3. 动态窗口 / 滑动窗口
   • 只保留最近 N 轮对话 + 关键历史
4. 向量记忆（长期记忆）
   • 把历史对话存向量库，需要时检索回忆
5. 总结记忆
   • 旧历史自动生成摘要，节省 token
6. 注意力优化
   • 关键信息前置
   • 用更稳定的长上下文模型（Claude / Qwen Long 等）
7. 分层存储
   • 短期记忆（原始对话）+ 长期记忆（摘要/向量）

面试标准回答：

长上下文处理采用分块检索、动态压缩、分层记忆策略：长文档切分后只召回相关片段，对话历史用摘要+向量库管理，结合动态窗口控制长度，在有限上下文内保留最有价值信息。

---

最终面试万能总结（背会这一段就能通关）

• RAG 优化：数据清洗、语义分块、多路召回+重排、强约束 Prompt、自动化评估
• Agent 卡死：最大步数、异常捕获、格式容错、防循环、超时退出
• 降低幻觉：RAG 依据、禁止编造、检索精准、事实校验
• 工具调度：工具描述、路由选择、串行/并行/条件执行、重试降级
• 长上下文：分块检索、压缩、摘要、向量记忆、动态窗口