Agent 面试题合集：规划、记忆、工具调用

关键词：AI Agent、LangGraph、MCP、Multi-Agent、Function Calling

---

Q1：什么是 AI Agent？和普通 LLM 调用有什么区别？

答：

普通 LLM 是"单轮问答机器"：你给一个 Prompt，它返回一个回答，就结束了。

AI Agent 是"自主执行任务的系统"，具备四个核心能力：

1. 规划（Planning）：将复杂目标分解为可执行步骤

2. 工具调用（Tool Use）：调用外部 API、代码执行、数据库查询

3. 记忆（Memory）：短期记住对话历史，长期存储重要信息

4. 反馈循环：根据工具返回结果动态调整下一步行动

   普通LLM：用户输入 → LLM → 输出（结束）

   Agent：
   用户目标
   → LLM 规划第一步
   → 执行工具
   → 观察结果
   → LLM 规划下一步
   → 执行工具
   → ... （直到目标达成）

---

Q2：ReAct 框架是什么？和 CoT 的区别？

答：

CoT（Chain-of-Thought）：只有推理，没有行动。模型在上下文窗口内推理，但无法获取外部信息。

ReAct = Reasoning（推理）+ Acting（行动），交替进行思考和工具调用：

Thought: 需要知道今天的美元汇率
Action: search("美元兑人民币汇率 今日")
Observation: 1 USD = 7.24 CNY（2024-01-15）

Thought: 现在可以计算了，100美元 = 724元
Final Answer: 100美元约等于724元人民币

关键区别：

• CoT 在"脑子里"推理，无法接触实时/私有信息
• ReAct 可以调用工具获取真实世界数据，能力边界大幅扩展

---

Q3：Agent 的记忆系统如何设计？

答：

Agent 记忆系统分四层：

① 工作记忆（Working Memory）：当前对话上下文（在 LLM 的 context window 内）

② 情节记忆（Episodic Memory）：历史对话摘要，压缩后存于向量数据库，按需检索

③ 语义记忆（Semantic Memory）：用户画像、偏好、重要事实（结构化存储，如 JSON/数据库）

④ 程序记忆（Procedural Memory）：完成特定任务的 SOP（通过 Few-shot 或 System Prompt 实现）

class AgentMemorySystem:
    def __init__(self):
        self.working_memory = []         # 当前对话消息列表
        self.episodic_memory = VectorDB  # 历史对话，向量检索
        self.semantic_memory = {}        # 用户信息字典
    
    def before_response(self, user_message):
        # 1. 检索相关历史记忆
        relevant_history = self.episodic_memory.search(user_message, k=3)
        # 2. 加载用户偏好
        user_prefs = self.semantic_memory.get("preferences", {})
        # 3. 构建增强 Prompt
        context = f"用户偏好：{user_prefs}\n历史相关：{relevant_history}"
        return context
    
    def after_response(self, conversation):
        # 4. 压缩并存储本次对话
        summary = llm.summarize(conversation)
        self.episodic_memory.add(summary)
        # 5. 提取并更新用户信息
        extracted = llm.extract_user_info(conversation)
        self.semantic_memory.update(extracted)

---

Q4：Multi-Agent 有哪些常见架构模式？

答：

① 监督者模式（Supervisor-Worker）

一个 Supervisor Agent 负责任务分配和结果汇总，多个 Worker Agent 专注执行：

用户：写一份 AI 市场报告

Supervisor：
  → 研究员Agent（收集数据）
  → 分析师Agent（SWOT分析）  
  → 写作Agent（撰写报告）
  → 收集所有结果，整合输出

② 流水线模式（Pipeline）

Agent 序列处理，前一个的输出是后一个的输入：

爬虫Agent → 清洗Agent → 分析Agent → 报告Agent

③ 辩论模式（Debate）

多个 Agent 持不同观点辩论，最终达成共识（提高推理可靠性）：

Agent A（支持论）→ Agent B（反驳）→ Agent C（仲裁）→ 最终结论

④ 并行执行（Parallel）

多个 Agent 同时处理不同子任务，最后合并：

用户：分析苹果公司
├── Agent1：财务分析（并行）
├── Agent2：竞争对手分析（并行）
└── Agent3：技术趋势分析（并行）
        ↓
    结果汇总Agent

---

Q5：什么是 MCP 协议？为什么重要？

答：

MCP（Model Context Protocol） 是 Anthropic 在 2024 年提出的开放标准，定义了 AI 模型与外部工具/数据源之间通信的规范。

为什么需要 MCP？

在 MCP 之前，每个 AI 平台都有自己的工具调用格式：

• OpenAI 有 Function Calling（一种格式）
• LangChain 有 Tool（另一种格式）
• 开发者为每个平台都要重新开发工具

MCP 解决了什么：

没有 MCP（工具碎片化）：
工具开发者：为 Claude 写一套 → 为 GPT 写一套 → 为 Gemini 写一套

有 MCP（统一标准）：
工具开发者：写一次 MCP Server → 所有支持 MCP 的 AI 都能用

MCP 的三类能力：

1. Resources：让模型读取文件、数据库等
2. Tools：让模型调用函数、API
3. Prompts：提供可复用的提示模板

目前 OpenAI、Google、Microsoft 等主流厂商已宣布支持 MCP，正成为 Agent 生态的事实标准。

---

Q6：Agent 如何处理工具调用失败？

答：

工具调用失败是生产 Agent 必须处理的问题，策略分三层：

第一层：工具级重试

import tenacity

@tenacity.retry(
    stop=tenacity.stop_after_attempt(3),
    wait=tenacity.wait_exponential(multiplier=1, min=1, max=10),
    retry=tenacity.retry_if_exception_type(Exception)
)
def call_tool_with_retry(tool_name: str, args: dict):
    return tools[tool_name](**args)

第二层：Agent 自适应（让 LLM 决策）

# 在工具返回错误时，将错误信息告诉 LLM
observation = f"工具调用失败：{error_message}。请尝试其他方法或告知用户无法完成。"
messages.append({"role": "user", "content": observation})
# 让 LLM 决定：换个工具/换个参数/告知用户/优雅放弃

第三层：降级策略

def search_with_fallback(query: str) -> str:
    try:
        return tavily_search(query)       # 首选：Tavily
    except Exception:
        try:
            return serpapi_search(query)   # 备选：SerpAPI
        except Exception:
            return f"搜索服务暂时不可用，以下是基于模型知识的回答..."  # 降级

---

Q7：如何评估 Agent 的质量？

答：

Agent 评估比单模型评估复杂，因为有中间步骤：

指标体系：

指标	计算方式	意义
任务成功率	成功完成任务数 / 总任务数	最核心指标
步骤效率	最优步骤数 / 实际步骤数	是否"走弯路"
工具精准率	正确工具调用数 / 总工具调用数	工具选择准确性
Token 消耗	每个任务平均 Token 数	成本效率
错误恢复率	遇错后成功恢复数 / 遇错总数	鲁棒性

测试基准集：

• 为每个核心场景准备 20-50 个测试用例
• 包含正常路径、边界情况、工具失败情况
• 人工验证最终结果（LLM 作为评判者也可辅助）