【大模型面试宝典】开源啦！！！

大模型面试宝典

介绍：本项目是作者们根据个人面试和经验总结出的 大模型(LLMs)面试准备的学习笔记与资料，该资料目前包含 大模型(LLMs)各领域的 面试题积累。

Github 地址：

https://github.com/km1994/AIGC-Interview-Bookhttps://link.zhihu.com/?target=https%3A//github.com/km1994/AIGC-Interview-Book

大模型RAG 面试高频160题

第一部分：基础篇（1-40题）

模块一：RAG核心概念与流程（1-15题） :fire:

1. 【⭐】RAG全称是什么？一句话说清楚它解决了什么问题。

2. 【⭐】RAG和Fine-tuning的根本区别在哪？各适用什么场景？

3. 【⭐】RAG的标准Pipeline分几步？画出来。

4. 【⭐】为什么RAG能减少幻觉？原理别背书，用自己的话说。

5. 【⭐】Embedding模型在RAG里具体负责什么？输入输出分别是什么？

6. 【⭐】向量检索和关键词检索（BM25）各自的优缺点？什么时候用哪个？

7. 【⭐】什么是Top-K检索？K=1和K=10各有什么问题？

8. 【⭐】相似度计算用余弦距离还是欧氏距离？Embedding归一化前后有区别吗？

9. 【⭐】"检索-生成"闭环怎么理解？检索失败LLM能自己补救吗？

10. 【⭐】长上下文LLM（比如Gemini 1.5 Pro 1M token）能取代RAG吗？为什么？

11. 【⭐】什么是"上下文注入"？Prompt里检索结果放开头还是结尾？

12. 【⭐】RAG的召回率和精确率哪个更重要？在客服场景和科研场景分别怎么取舍？

13. 【⭐】HyDE（Hypothetical Document Embeddings）是什么？举个具体例子说明。

14. 【⭐】什么是"查询改写"（Query Rewriting）？什么时候需要？

15. 【⭐】RAG里LLM扮演什么角色？只负责生成吗？

模块二：分块策略（16-30题） :fire:

1. 【⭐】为什么说"RAG 70%的效果由分块决定"？不服来辩。

2. 【⭐】固定长度分块怎么实现？重叠窗口设多大？给个代码片段。

3. 【⭐】递归分块的分隔符优先级怎么设计？中文和英文有什么区别？

4. 【⭐】语义分块怎么判断语义边界？相似度阈值一般设多少？

5. 【⭐】结构化分块（按标题/段落）的解析库有哪些？遇到长章节怎么办？

6. 【⭐⭐】延迟分块（查询时分块）反转了什么顺序？存什么、什么时候切？

7. 【⭐】chunk size太小和太大分别会导致什么问题？给个具体例子。

8. 【⭐】chunk_overlap太大会有什么副作用？重叠部分会被重复检索吗？

9. 【⭐⭐】代码文件怎么分块？按函数、按类还是按语义？AST有用吗？

10. 【⭐】表格在RAG里怎么处理？整表embedding还是转成文本描述？

11. 【⭐⭐】图片里的文字怎么处理？OCR之后再分块？还是用多模态embedding？

12. 【⭐】PDF文档分块有什么坑？页眉页脚、双列排版怎么处理？

13. 【⭐⭐】章节标题和正文的关系怎么保持？每个chunk里要带父标题吗？

14. 【⭐⭐】滑动窗口分块和固定分块有什么不同？什么时候用滑动窗口？

15. 【⭐⭐】怎么评估一种分块策略好不好？人工评估还是自动指标？

模块三：嵌入与向量（31-40题） :fire:

1. 【⭐】Embedding模型有哪些主流选择？OpenAI text-embedding-3、BGE、M3E怎么选？

2. 【⭐】Embedding维度越高越好吗？1024维和384维差在哪？

3. 【⭐】Embedding模型需要针对垂直领域微调吗？怎么微调？

4. 【⭐⭐】什么是"对称嵌入"和"非对称嵌入"？Query和Document的Embedding可以用同一个模型吗？

5. 【⭐】Embedding计算太慢怎么办？批处理、GPU加速、缓存哪个更有效？

6. 【⭐】文档更新后，Embedding要重新算吗？增量更新怎么搞？

7. 【⭐】CLIP模型在多模态RAG里怎么用？图文怎么对齐？

8. 【⭐⭐】ColBERT的"晚交互"是什么？比普通双塔好在哪里？

9. 【⭐⭐】SPLADE稀疏向量是什么？和稠密向量比有什么优势？

10. 【⭐】Embedding的"维度诅咒"在RAG里会出现吗？

第二部分：进阶篇（41-95题）

模块四：索引与向量数据库（41-55题）

1. 【⭐】主流向量数据库：Faiss、Milvus、Pinecone、Chroma、Qdrant，你选哪个？为什么？

2. 【⭐】HNSW索引的原理一句话说清楚。构建参数M和ef_construction怎么调？

3. 【⭐】IVF索引的nprobe参数怎么设？调大了会怎样？

4. 【⭐】倒排索引和HNSW能结合吗？

5. 【⭐】标量过滤（Metadata Filtering）在向量检索里怎么实现？先过滤再检索还是先检索再过滤？

6. 【⭐⭐】什么是"混合检索"？向量检索+BM25怎么融合？RRF是什么？

7. 【⭐】RRF的k参数是什么意思？设60还是100？

8. 【⭐⭐】向量数据库的QPS上不去，瓶颈一般在哪？磁盘IO还是CPU？

9. 【⭐】百万级、千万级、亿级向量的检索延迟大概多少？

10. 【⭐】索引构建时间怎么估算？10万条768维向量要多久？

11. 【⭐⭐】什么是"多向量检索"？一个文档存多个向量（比如按句子）有什么好处和坏处？

12. 【⭐】向量数据库支持删除和更新吗？逻辑删除还是物理删除？

13. 【⭐】什么是"量化"（PQ、SQ）？压缩后精度损失多少？

14. 【⭐⭐】Faiss的IDMap和Flat索引有什么区别？

15. 【⭐】生产环境里向量数据库怎么做高可用和容灾？

模块五：检索优化技术（56-75题）

1. 【⭐⭐】Query Rewriting有哪些具体方法？让LLM生成多个相关查询？还是HyDE？

2. 【⭐⭐】Multi-Query检索怎么做？多个查询的结果怎么合并？

3. 【⭐⭐】Step-back Prompting用在检索上：先问"更宏观的问题"再检索，怎么实现？

4. 【⭐⭐】父文档检索和子文档检索是什么？各自在什么阶段用？

5. 【⭐⭐】Re-ranking模型有哪些？Cohere rerank、BGE-reranker、Cross-Encoder区别？

6. 【⭐⭐】Re-ranking和二次检索有什么区别？计算量哪个大？

7. 【⭐⭐】MMR（最大边际相关性）怎么避免检索结果太相似？公式里的λ怎么调？

8. 【⭐⭐】Self-Query Retrieval：怎么让LLM从自然语言里抽取出结构化过滤条件？

9. 【⭐⭐】Query Expansion怎么扩充？同义词、相关词、还是让LLM生成假设答案？

10. 【⭐⭐】检索结果太少（小于K）怎么办？降低阈值还是Query Expansion？

11. 【⭐⭐】检索结果太多（远超K）怎么压缩？只取Top-K还是做聚类去重？

12. 【⭐】相似度阈值设多少？0.7还是0.8？不同Embedding模型一样吗？

13. 【⭐⭐】跨语言检索：中文Query怎么匹配英文文档？用多语言Embedding还是翻译Query？

14. 【⭐】什么是"密集检索"和"稀疏检索"？哪个可解释性更好？

15. 【⭐⭐】DPR（Dense Passage Retrieval）的训练原理是什么？正负样本怎么构造？

16. 【⭐⭐】ANCE是什么？异步更新负样本有什么用？

17. 【⭐】检索的召回率和延迟怎么trade-off？HNSW的ef_search参数就是干这个的。

18. 【⭐⭐】什么是"迭代检索"？检索完生成，再拿生成结果二次检索？

19. 【⭐⭐】FLARE（Forward-Looking Active REtrieval）是什么？怎么决定什么时候该检索？

20. 【⭐⭐⭐】RAG里检索模块能不能用图数据库？知识图谱+向量检索怎么做？

模块六：生成与上下文融合（76-90题）

1. 【⭐⭐】多个检索chunk怎么塞进Prompt？按相关性排序，还是按原文顺序？

2. 【⭐⭐】上下文太长超过LLM限制怎么办？压缩、截断还是重新检索？

3. 【⭐⭐】什么是"上下文压缩"？LLMLingua、Selective Context怎么用？

4. 【⭐⭐】检索到的多个chunk有矛盾怎么办？让LLM自己判断还是设计投票机制？

5. 【⭐⭐】Chain-of-Thought RAG怎么做？让LLM先列出检索到的证据再回答？

6. 【⭐】检索结果里没有答案，应该让LLM说"不知道"还是强行回答？

7. 【⭐⭐】Self-RAG的四个步骤是什么？检索、生成、批判、反思？

8. 【⭐⭐】Adaptive-RAG的"自适应"体现在哪？什么时候跳过检索直接生成？

9. 【⭐⭐】CRAG（Corrective RAG）的纠正机制：检索结果质量差怎么触发联网搜索或其他工具？

10. 【⭐】RAG+Fine-tuning能一起上吗？先微调LLM还是先微调Embedding？

11. 【⭐⭐】生成阶段怎么加引用？让LLM输出json标记还是用特殊token？

12. 【⭐】流式输出下RAG怎么处理？检索完第一个chunk就开始生成，还是等所有检索结果？

13. 【⭐⭐】多轮对话里每轮都重新检索吗？历史消息怎么参与检索？

14. 【⭐⭐】"记忆型RAG"和普通RAG结构不同在哪？记忆模块存储了什么？

15. 【⭐⭐】Prompt里怎么写检索指令效果最好？给个模板。

大模型RAG 模块七：评估与可观测性（91-95题）

1. 【⭐⭐】RAG的效果怎么评估？有哪些指标：Hit Rate、MRR、NDCG、Faithfulness、Answer Relevance？

2. 【⭐⭐】RAGAS框架是什么？它怎么评估Faithfulness和Context Relevance？

3. 【⭐】什么是"端到端评估"？用LLM as Judge靠谱吗？

4. 【⭐⭐】RAG的可观测性需要监控哪些点？检索延迟、召回率、生成token数、用户反馈？

5. 【⭐】A/B测试在RAG上怎么做？实验组和对照组怎么分流？

第三部分：生产实战篇（96-140题）

模块八：工程部署与性能优化（96-110题）

1. 【⭐⭐】RAG系统的延迟瓶颈一般在哪？Embedding计算、向量检索、LLM生成？

2. 【⭐⭐】Embedding计算怎么优化？GPU推理、批处理、结果缓存？

3. 【⭐】向量检索的QPS上不去，加副本还是换索引？

4. 【⭐⭐】LLM生成太慢怎么办？小模型、投机采样、流式输出？

5. 【⭐】百万级文档的RAG系统，端到端延迟能做到多少毫秒？

6. 【⭐⭐】RAG系统怎么缓存？Embedding结果缓存、检索结果缓存、LLM生成缓存？

7. 【⭐】什么是"语义缓存"？相同语义的Query直接返回历史结果？

8. 【⭐⭐】RAG系统的成本大头在哪里？Embedding API调用、LLM API、向量数据库存储？

9. 【⭐】10万条文档，每天10万次查询，一个月大概花多少钱？

10. 【⭐⭐】RAG怎么处理实时性要求高的场景？文档更新到索引生效要多久？

11. 【⭐】增量索引怎么做？定时全量重建还是实时更新？

12. 【⭐⭐】RAG系统的SOP：从数据清洗、分块、建索引、上线到监控的完整流程。

13. 【⭐】Bad Case分析怎么搞？给个排查树。

14. 【⭐⭐】用户反馈怎么用来优化RAG？收集反馈 -> 标注 -> 微调Embedding或重排序模型。

15. 【⭐】RAG系统需要几个人维护？小团队怎么做？

模块九：多模态与结构化数据RAG（111-125题）

1. 【⭐⭐】图文混合文档怎么RAG？提取图片描述还是用多模态Embedding？

2. 【⭐】表格RAG：把表格转成Markdown还是向量化每一行？

3. 【⭐⭐】Text-to-SQL + RAG怎么做？先检索相关表结构再生成SQL？

4. 【⭐⭐】PDF里复杂图表（柱状图、流程图）怎么处理？OCR+图描述生成？

5. 【⭐⭐】音频/视频RAG：先ASR转文字再进RAG？

6. 【⭐】结构化数据（CSV、JSON）能直接向量化整行吗？会丢失字段关系吗？

7. 【⭐⭐】GraphRAG是什么？微软那个GraphRAG的社区检测有什么用？

8. 【⭐⭐】GraphRAG和普通RAG比，建索引复杂度高多少？适用什么数据？

9. 【⭐⭐】RAPTOR（树状摘要检索）怎么构建摘要树？检索时怎么遍历？

10. 【⭐】PDF解析库哪家强？PyPDF2、pdfplumber、PDFium、Unstructured？

11. 【⭐⭐】HTML转Markdown怎么保留结构？Readability、Trafilatura？

12. 【⭐】嵌套表格、合并单元格怎么处理？

13. 【⭐⭐】多模态Embedding模型有哪些？CLIP、BridgeTower、Fuyu？

14. 【⭐】医疗影像+报告的RAG怎么设计？

15. 【⭐⭐】代码仓库RAG：需要AST解析变量作用域吗？还是直接把函数体当chunk？

模块十：前沿变体与高阶技巧（126-140题）

1. 【⭐⭐】Speculative RAG是什么？和普通RAG的"检索-生成"顺序有什么不同？

2. 【⭐⭐】Rich Context RAG：除了文本chunk，还带哪些上下文（标题、摘要、相邻chunk）？

3. 【⭐⭐】Self-RAG的反思token（Reflection token）怎么训练？

4. 【⭐⭐】Adaptive-RAG的动态阈值怎么设？用LLM判断是否要检索？

5. 【⭐⭐⭐】检索即生成（Retrieval-as-Generation）是什么概念？

6. 【⭐⭐】SKR（Self-Knowledge Retrieval）怎么做？让LLM先判断自己知不知道。

7. 【⭐⭐】PAL（Program-Aided Language Models）和RAG能结合吗？执行代码之后拿结果检索？

8. 【⭐⭐】Tool-augmented RAG：检索不到答案时自动调用搜索引擎、计算器、数据库？

9. 【⭐】ReAct + RAG：规划和检索怎么交替进行？

10. 【⭐⭐】为什么有时候RAG比纯LLM回答更差？可能原因：检索到噪音、分块破坏语义、LLM过信检索。

11. 【⭐⭐】怎么让LLM在检索结果和内部知识冲突时选择正确的？提示词设计还是额外训练？

12. 【⭐⭐⭐】"检索结果不可知"的生成评估怎么做？有没有避免直接复制检索结果的指标？

13. 【⭐⭐】DPO（Direct Preference Optimization）能用来优化RAG的生成吗？

14. 【⭐】RAG蒸馏：用小模型代替大LLM做生成，能保留多少效果？

15. 【⭐⭐】长上下文LLM（如1M token）出现后，RAG的索引结构还会保留吗？检索会变成"扫描+相关性排序"吗？

第四部分：场景题与开放题（141-160题）

模块十一：经典业务场景设计（141-150题）

1. 【⭐⭐】企业内部门户的QA机器人：文档格式五花八门（Word、PDF、PPT、邮件），你怎么设计RAG？

2. 【⭐⭐】客服RAG：用户问题很口语化、短文本，怎么提升检索命中率？

3. 【⭐⭐】科研论文RAG：需要处理引用关系、图表、公式，分块策略怎么定？

4. 【⭐⭐】法律文书RAG：文本超长、结构固定、对准确率要求极高，你会用哪种分块？要不要人工标注？

5. 【⭐⭐】医疗RAG：涉及患者隐私和诊断准确性，怎么保证检索结果的安全和可靠？

6. 【⭐】新闻RAG：时效性极强，索引更新频率设多少？怎么处理突发新闻？

7. 【⭐⭐】代码助手RAG：跨文件引用怎么处理？需要建立代码依赖图吗？

8. 【⭐⭐】金融研报RAG：表格数据多、数字精度要求高，怎么处理数值比较类的Query？

9. 【⭐】教育答疑RAG：同一知识点在不同年级有不同解释，怎么区分检索版本？

10. 【⭐⭐】电商商品RAG：图片+文字+属性表，怎么实现多模态检索？

模块十二：开放思路与面试官追问（151-160题）

1. 【⭐⭐⭐】你觉得RAG未来3年会被长上下文LLM取代吗？给出你的论据。

2. 【⭐⭐⭐】如果LLM上下文无限且成本为零，RAG还有必要存在吗？为什么？

3. 【⭐⭐⭐】RAG的"幻觉"还能怎么进一步缓解？前沿方向有哪些（如检索置信度校准、RAG验证器）？

4. 【⭐⭐⭐】你怎么评估一个Embedding模型的好坏？除了MTEB榜单，你会做哪些额外测试？

5. 【⭐⭐⭐⭐】面试官反问：RAG检索到的信息和LLM预训练知识矛盾，LLM该信谁？设计一个决策逻辑。

6. 【⭐⭐⭐】RAG系统的效果天花板在哪里？是检索上限还是LLM理解上限？

7. 【⭐⭐⭐】如果让你从零设计一个RAG系统，你的技术选型、分块策略、检索优化方案是什么？画架构图。

8. 【⭐⭐⭐】RAG有没有可能在离线环境跑？全部本地模型怎么搭？

9. 【⭐⭐⭐】RAG的"安全"问题：恶意用户能不能通过Prompt注入污染检索结果或泄露私有文档？

10. 【⭐⭐⭐⭐】开放性：RAG系统上线后，用户投诉说"问A答出B"，你怎么排查？从数据、分块、检索、生成一步步讲。

大模型Agent 面试高频100题

之前发了很多RAG面经发出后，后台直接被"催更"淹没了。很多人说："Agent的题能不能也来一个全集？"、"面试官一问到多智能体协作我就卡壳"、"ReAct和Function Calling到底怎么区分？" 安排。 我花了整整一周，把近半年各大厂Agent方向的面经题全部扒了一遍，去重、归类、分层，提炼出这100道高频题。 这篇文章有点长，但我保证------你花40分钟看完，面试Agent岗至少多拿30分。

第一部分：基础篇（1-40题）

模块一：Agent基础概念（1-12题） :fire:

1. 【⭐】什么是Agent？和大语言模型有什么区别？

2. 【⭐】Agent的核心组件有哪些？

3. 【⭐】ReAct模式是什么？和CoT有什么区别？

4. 【⭐】Plan-and-Solve模式是什么？比ReAct好在哪里？

5. 【⭐】什么是工具调用（Tool Calling）？大模型怎么知道该调用哪个工具？

6. 【⭐】Function Calling和Tool Calling是一回事吗？

7. 【⭐】Agent如何管理多个工具？工具冲突怎么处理？

8. 【⭐】Agent的"幻觉"问题怎么缓解？

9. 【⭐】什么是Embedding？在Agent里有什么用？

10. 【⭐】Agent的输入输出格式一般怎么设计？

11. 【⭐】多轮对话中如何保持上下文不超限？

12. 【⭐】什么是System Prompt？设计原则有哪些？

模块二：记忆系统（13-24题） :fire:

1. 【⭐】Agent的记忆分为哪几类？

2. 【⭐⭐】向量数据库在Agent里怎么用？选型标准是什么？

3. 【⭐⭐】长期记忆怎么存储和检索？

4. 【⭐】记忆怎么压缩？压缩会丢失信息吗？

5. 【⭐⭐】Agent如何记住用户的个性化偏好？

6. 【⭐⭐】多个Agent之间怎么共享记忆？

7. 【⭐】记忆的时效性怎么处理？

8. 【⭐】什么是Episodic Memory？和Semantic Memory有什么区别？

9. 【⭐⭐】记忆和上下文怎么融合？

10. 【⭐】Agent需要"遗忘"机制吗？怎么实现？

11. 【⭐】向量检索的Top-K怎么选？

12. 【⭐】BM25和向量检索有什么区别？什么时候用BM25？

模块三：规划与执行（25-40题）

1. 【⭐⭐】任务分解（Task Decomposition）有哪些方法？

2. 【⭐⭐】Agent执行过程中遇到错误怎么办？

3. 【⭐】什么是Self-Consistency？怎么用在Agent里？

4. 【⭐⭐】Agent如何知道自己"做完"了？

5. 【⭐】什么是多Agent系统？和单Agent比有什么优势？

6. 【⭐⭐】多Agent的通信方式有哪些？

7. 【⭐⭐】怎么防止Agent陷入死循环？

8. 【⭐】什么是Chain-of-Thought？提示词怎么写？

9. 【⭐⭐】Tree-of-Thoughts比CoT好在哪里？

10. 【⭐】Agent的规划频率怎么设置？

11. 【⭐⭐】什么是GraphRAG的规划能力？

12. 【⭐】Agent怎么处理用户的中途打断？

13. 【⭐⭐】什么是"Chain of Density"？用在什么场景？

14. 【⭐】Agent的能力边界怎么定义？

15. 【⭐⭐】什么是"反思"（Reflection）机制？

16. 【⭐】Agent的Prompt和普通LLM Prompt有什么区别？

第二部分：进阶篇（41-80题）

模块四：工具系统设计（41-55题）

41. 【⭐⭐】MCP（Model Context Protocol）是什么？和Function Calling什么关系？ 42. 【⭐⭐⭐】Tool Calling的底层原理是什么？大模型怎么输出JSON？ 43. 【⭐⭐】多个工具的参数冲突了怎么办？ 44. 【⭐⭐】工具调用超时了怎么处理？ 45. 【⭐⭐】工具调用的结果太长超出上下文怎么办？ 46. 【⭐⭐】怎么评估一个工具是否"好用"？ 47. 【⭐⭐】工具可以调用另一个工具吗？怎么实现？ 48. 【⭐⭐】什么情况下应该把多个工具合并成一个？ 49. 【⭐⭐】工具的描述怎么写效果最好？ 50. 【⭐⭐】工具调用的并行执行怎么实现？ 51. 【⭐⭐⭐】工具的版本管理怎么做？ 52. 【⭐⭐】用户自定义工具需要支持吗？怎么实现？ 53. 【⭐⭐】工具调用的安全边界怎么控制？ 54. 【⭐⭐】什么是"沙箱执行"？怎么实现工具隔离？ 55. 【⭐⭐】工具调用的Token消耗怎么优化？

模块五：多Agent协作（56-70题）

56. 【⭐⭐】AutoGen、CrewAI、MetaGPT这些框架有什么区别？ 57. 【⭐⭐】多Agent的协调机制有哪些？ 58. 【⭐⭐】什么是"主从模式"和"对等模式"？怎么选？ 59. 【⭐⭐】多个Agent意见不一致怎么办？ 60. 【⭐⭐】多Agent怎么避免"互相复读"？ 61. 【⭐⭐】Agent之间的任务委托怎么实现？ 62. 【⭐⭐】什么场景下适合用多Agent而不是单Agent？ 63. 【⭐⭐⭐】多Agent系统的性能瓶颈在哪里？怎么优化？ 64. 【⭐⭐】Agent"角色"怎么设计？有哪些经典角色？ 65. 【⭐⭐】多Agent的调试比单Agent难在哪里？ 66. 【⭐⭐】什么是"辩论式Agent"？怎么实现？ 67. 【⭐⭐】Agent如何"模仿"特定人格或风格？ 68. 【⭐⭐】LLM-as-Judge的偏见怎么消除？ 69. 【⭐⭐】多Agent系统的状态同步怎么处理？ 70. 【⭐⭐】Agent的长期记忆在多Agent场景下怎么共享？

模块六：生产环境挑战（71-80题）

71. 【⭐⭐】Agent的延迟怎么优化？ 72. 【⭐⭐】Agent的成本怎么控制？ 73. 【⭐⭐】流式输出对Agent有什么影响？ 74. 【⭐⭐】Agent的并发处理怎么做？ 75. 【⭐⭐】Agent的可观测性怎么搭建？ 76. 【⭐⭐⭐】A/B测试怎么在Agent上做？ 77. 【⭐】Agent的效果怎么评估？有哪些指标？ 78. 【⭐⭐】用户反馈怎么用来优化Agent？ 79. 【⭐⭐】Agent从开发到上线的流程是什么？ 80. 【⭐⭐】Agent的"冷启动"问题怎么解决？

第三部分：实战篇（81-100题）

模块七：经典场景与案例（81-95题）

81. 【⭐⭐】论文阅读Agent怎么设计？ 82. 【⭐⭐】代码助手Agent的Tools怎么设计？ 83. 【⭐⭐】客服Agent的长期记忆怎么构建？ 84. 【⭐⭐】数据分析Agent怎么处理表格？ 85. 【⭐⭐】Browser Agent怎么控制浏览器？ 86. 【⭐⭐】怎么让Agent主动提问？什么时候应该提问？ 87. 【⭐⭐】Agent的多种输出形式（文本、图表、代码）怎么组织？ 88. 【⭐⭐】Agent怎么处理模糊需求？ 89. 【⭐⭐】Agent怎么利用用户的历史行为数据？ 90. 【⭐⭐⭐】OpenAI Swarm是什么？和传统多Agent有什么区别？

模块八：思路题与开放题（96-100题）

96. 【⭐⭐⭐】如果让你设计一个Agent系统，从零开始，你的技术选型和架构是什么？ 97. 【⭐⭐⭐】你认为Agent未来3年的发展方向是什么？ 98. 【⭐⭐⭐】Agent的"安全性"问题有哪些？怎么防护提示词注入？ 99. 【⭐⭐⭐】LLM能力边界在哪里？Agent能突破这个边界吗？ 100. 【⭐⭐⭐⭐】面试官反问：你觉得Agent真的"理解"自己在做什么吗？

大模型强化学习后训练（RL Post-Training）面试高频题

第一部分：基础篇（1-50题）

模块一：强化学习后训练基础概念（1-15题） :fire:

1. 【⭐】什么是大模型的强化学习后训练（RL Post-Training）？为什么要做后训练？ 2. 【⭐】大模型训练的三个阶段（Pre-training、SFT、RL）分别解决什么问题？ 3. 【⭐】RLHF 的全称是什么？它的核心流程是什么？ 4. 【⭐】RLHF 中的「人类反馈」具体指什么？ 5. 【⭐】奖励模型（Reward Model）在 RLHF 中扮演什么角色？ 6. 【⭐】RLHF 和 PPO 是什么关系？ 7. 【⭐】什么是「对齐（Alignment）」？RL 后训练和 Alignment 是什么关系？ 8. 【⭐】SFT 和 RL 在后训练中的定位有什么区别？ 9. 【⭐】为什么要用强化学习而不是继续做 SFT 来优化模型？ 10. 【⭐】什么是「奖励黑客（Reward Hacking）」？在 RLHF 中为什么会出现？ 11. 【⭐】RLHF 中的 KL 散度惩罚是什么？为什么需要它？ 12. 【⭐】强化学习后训练中的数据从哪里来？ 13. 【⭐】策略模型（Policy Model）在 RLHF 中指的是什么？ 14. 【⭐】什么是「基座模型（Base Model）」和「对齐模型（Aligned Model）」？ 15. 【⭐】RL 后训练适合所有类型的模型吗？

模块二：PPO 深度解析（16-30题） :fire:

16. 【⭐⭐】PPO 的全称是什么？它的核心思想是什么？ 17. 【⭐⭐】PPO 相比 TRPO 有什么优势？ 18. 【⭐⭐】PPO 在 RLHF 中为什么需要同时加载 4 个模型？ 19. 【⭐⭐】PPO 中的「裁剪机制（Clipping）」具体是怎么工作的？ 20. 【⭐⭐】PPO 训练中如何计算优势函数（Advantage）？ 21. 【⭐⭐】RLHF 中为什么说 PPO 的超参数很敏感？ 22. 【⭐⭐】什么是「奖励坍塌（Reward Collapse）」？如何应对？ 23. 【⭐⭐】PPO 中的「策略熵（Policy Entropy）」惩罚有什么用？ 24. 【⭐⭐】在超大模型（>70B）上做 PPO 训练面临哪些工程挑战？ 25. 【⭐⭐】RLHF 中参考模型（Reference Model）的作用是什么？ 26. 【⭐⭐】PPO 训练中，优势函数为正和为负的样本分别怎么处理？ 27. 【⭐⭐】为什么要用 PPO 而不是直接用策略梯度（REINFORCE）？ 28. 【⭐⭐】RLHF 中为什么 PPO 比 DPO 更贵？贵在哪里？ 29. 【⭐⭐】PPO 中 Value Network（Critic）的损失函数是什么？ 30. 【⭐⭐】PPO 在 RLHF 中如何处理变长的序列（不同长度的回答）？

模块三：DPO 深度解析（31-40题） :fire:

31. 【⭐⭐】DPO 的全称是什么？它的核心思想是什么？ 32. 【⭐⭐】DPO 是如何绕过奖励模型训练的？ 33. 【⭐⭐】DPO 和 RLHF 的核心差异是什么？ 34. 【⭐⭐】DPO 的损失函数是什么？

其中

是偏好回答（win），

是不偏好回答（lose），

是 Sigmoid 函数，

是温度参数。这个损失函数鼓励模型增大被偏好回答的相对概率，减少不偏好回答的相对概率，同时通过

约束模型不偏离参考策略太远。 35. 【⭐⭐】DPO 中的温度参数 β 有什么作用？ 36. 【⭐⭐】DPO 相比 PPO 有哪些优势和劣势？ 37. 【⭐⭐】什么场景下 DPO 比 PPO 更合适？什么场景下 PPO 仍有不可替代的价值？ 38. 【⭐⭐】DPO 对偏好数据的质量要求有多高？数据噪声会影响什么？ 39. 【⭐⭐】DPO 能否与 PPO 结合使用？ 40. 【⭐⭐】DPO 和 RLHF 在最终模型质量上有本质差异吗？

模块四：GRPO 深度解析（41-50题）

41. 【⭐⭐】GRPO 的全称是什么？它是在什么背景下提出的？ 42. 【⭐⭐】GRPO 是如何移除 Critic 模型的？ 43. 【⭐⭐】GRPO 中的「组（Group）」是怎么设置的？组的大小如何影响训练？ 44. 【⭐⭐】GRPO 的优势函数计算和 PPO 的 GAE 有什么本质区别？ 45. 【⭐⭐】GRPO 的损失函数是什么？

其中

是重要性采样比率，

是组内标准化优势，

。与 PPO 相比，GRPO 的损失函数中去掉了 Value Network 的损失项，计算更简洁。 46. 【⭐⭐】GRPO 相比 PPO 在资源消耗上节省了多少？ 47. 【⭐⭐】GRPO 在 DeepSeek-R1 中是如何应用的？ 48. 【⭐⭐】GRPO 中组内奖励的标准化为什么有效？ 49. 【⭐⭐】GRPO 是否适用于所有 RL 后训练场景？有哪些局限性？ 50. 【⭐⭐】GRPO 和 PPO 在训练稳定性上有什么区别？

模块五：KTO 与 Rejection Sampling（51-58题）

51. 【⭐⭐】KTO 的全称是什么？它的理论基础是什么？ 52. 【⭐⭐】KTO 和 DPO 的核心区别是什么？ 53. 【⭐⭐】KTO 的损失函数和 DPO 有什么不同？ 54. 【⭐⭐】Rejection Sampling 在 RL 后训练中扮演什么角色？ 55. 【⭐⭐】Rejection Sampling 和 PPO 的核心区别是什么？ 56. 【⭐⭐】Rejection Sampling 的效果为什么会存在上限？ 57. 【⭐⭐】KTO 的「损失厌恶」机制如何体现在训练中？ 58. 【⭐⭐】KTO 相比 DPO 对数据标注有什么影响？

模块六：RLVR 与新兴方向（59-65题）

59. 【⭐⭐】RLVR 的全称是什么？它和 RLHF 的本质区别在哪里？ 60. 【⭐⭐】RLVR 适合哪些任务类型？不适合哪些任务？ 61. 【⭐⭐】RLVR 的奖励信号如何设计？ 62. 【⭐⭐】RLVR 的「可验证奖励」是否完美无缺？有哪些隐患？ 63. 【⭐⭐⭐】DAPO 是什么？它解决了什么问题？ 64. 【⭐⭐⭐】多智能体 RL（MARL）在后训练中可能怎么用？ 65. 【⭐⭐⭐】LLMZero 这类「动态优化训练策略」的方法是什么思路？

第二部分：进阶篇（66-90题）

模块七：方法对比与选型（66-75题）

66. 【⭐⭐】RLHF、DPO、GRPO、KTO 这四种方法应该如何选型？ 67. 【⭐⭐】如何评估 RL 后训练的效果？有哪些关键指标？ 68. 【⭐⭐】RL 后训练中如何避免「灾难性遗忘（Catastrophic Forgetting）」？ 69. 【⭐⭐】RL 后训练中「数据飞轮」是什么？如何构建？ 70. 【⭐⭐】RL 后训练中的「冷启动」问题是什么？如何解决？ 71. 【⭐⭐】RLHF 中奖励模型训练的数据量通常需要多少？ 72. 【⭐⭐】什么是「离策略（Off-Policy）」和「在策略（On-Policy）」学习？RL 后训练中用哪种？ 73. 【⭐⭐】RL 后训练中的「信用分配（Credit Assignment）」问题是什么？ 74. 【⭐⭐】「RL 后训练 + 推理时 Scaling」是未来方向吗？两者如何配合？ 75. 【⭐⭐】RL 后训练中的「奖励模型过优化（Reward Model Over-optimization）」如何检测和应对？

模块八：数据与评估（76-85题）

76. 【⭐⭐】RL 后训练中「偏好数据」和「验证数据」分别解决什么问题？ 77. 【⭐⭐】RL 后训练中如何做「数据飞轮」的数据质量控制？ 78. 【⭐⭐】RL 后训练中的「课程学习（Curriculum Learning）」怎么用？ 79. 【⭐⭐】RL 后训练中如何评估奖励模型本身的质量？ 80. 【⭐⭐】RL 后训练的「可复现性」为什么比 SFT 更难？ 81. 【⭐⭐】RL 后训练中如何做「人类评估（Human Evaluation）」？ 82. 【⭐⭐】RL 后训练中「奖励模型的偏差」会如何影响最终模型？ 83. 【⭐⭐】RL 后训练中如何处理「长尾任务」------那些偏好数据很少的任务？ 84. 【⭐⭐】RL 后训练中「奖励模型」和「策略模型」的关系可以类比什么？ 85. 【⭐⭐】RL 后训练中「探索（Exploration）」和「利用（Exploitation）」如何平衡？

模块九：工程实践（86-90题）

86. 【⭐⭐⭐】如何在大规模集群上高效训练 RLHF？需要哪些并行策略？ 87. 【⭐⭐⭐】RL 后训练中「显存优化」有哪些工程手段？ 88. 【⭐⭐⭐】RL 后训练的「训练效率」如何衡量和优化？ 89. 【⭐⭐⭐】RL 后训练中如何做实验管理和版本控制？ 90. 【⭐⭐⭐】RL 后训练从「研究」到「产品」需要跨越哪些工程鸿沟？

第三部分：实战篇（91-120题）

模块十：经典场景与案例分析（91-105题）

91. 【⭐⭐⭐】如何用 RL 后训练提升数学推理能力（如 DeepSeek-R1 风格）？ 92. 【⭐⭐⭐】如何用 RL 后训练提升代码生成能力（通过测试用例验证）？ 93. 【⭐⭐⭐】如何用 RL 后训练做安全性对齐（Red Teaming）？ 94. 【⭐⭐⭐】RL 后训练在「多轮对话」场景中有什么特殊考虑？ 95. 【⭐⭐⭐】如何设计「RL 后训练 + 搜索（如 MCTS）」的混合系统？ 96. 【⭐⭐⭐】RL 后训练中如何做「多目标优化」（如既要有用又要安全）？ 97. 【⭐⭐⭐】RL 后训练中「奖励模型」从人类偏好中学会了什么？ 98. 【⭐⭐⭐】DPO 的数学推导核心是什么？ 99. 【⭐⭐⭐】RL 后训练的「Scaling Law」------更大模型、更多数据、更多 RL 步数的关系是什么？ 100. 【⭐⭐⭐】开源模型（如 Llama）做 RL 后训练和闭源模型（如 GPT）做 RL 后训练有什么不同？

模块十一：前沿与开放题（106-120题）

106. 【⭐⭐⭐】「RL 后训练」是否会导致模型趋同（所有模型都变得一样）？ 107. 【⭐⭐⭐】如果给你无限算力，你会怎么设计 RL 后训练系统？ 108. 【⭐⭐⭐】RL 后训练是否会被「更强的 SFT」或「更好的预训练」取代？ 109. 【⭐⭐⭐】如何用 RL 后训练让模型学会「承认不知道」？ 110. 【⭐⭐⭐】RL 后训练中的「奖励模型」是否也可以被 RL 优化？ 111. 【⭐⭐⭐】「弱到强泛化（Weak-to-Strong Generalization）」在 RL 后训练中如何体现？ 112. 【⭐⭐⭐】RL 后训练是否可能产生「不可解释的优化」------模型变得更好但无法解释为什么？ 113. 【⭐⭐⭐】如果 RL 后训练中的奖励信号「有毒」（如对抗性标注），模型会怎么反应？ 114. 【⭐⭐⭐】RL 后训练在「具身 AI」（机器人）和「语言模型」中的挑战有什么不同？ 115. 【⭐⭐⭐】「后训练」和「测试时（推理时）优化」的边界在哪里？ 116. 【⭐⭐⭐】RL 后训练在「多模态大模型」（文本+图像）中有什么特殊考虑？ 117. 【⭐⭐⭐】如何用 RL 后训练让模型学会「长期规划」（超过 100 步的推理链）？ 118. 【⭐⭐⭐】RL 后训练中的「过程奖励模型（Process Reward Model）」和「结果奖励模型（Outcome Reward Model）」有什么区别？ 119. 【⭐⭐⭐】RL 后训练中如何利用「合成数据」来扩展训练数据？ 120. 【⭐⭐⭐】5 年后 RL 后训练的格局会是什么样？

大模型Agent面试高频题------Hermes Agent 专题

引言

2026年，如果你还只会背LangChain的文档、只知道ReAct循环，面试官大概率会礼貌性地点头，然后默默在你名字旁边画个叉。为什么？因为大厂现在根本不缺"会调API的"，缺的是能把Agent当成一个"会成长的数字生命"来设计和运维的人。

Hermes Agent，这个由Nous Research推出的开源项目，上线不到半年GitHub狂揽10万+Star，在OpenRouter平台增速高达204%------它不是又一个"会调用工具"的Agent框架，而是第一个真正把"自进化"写进基因的Agent。

这一篇，我们把Hermes Agent面试中可能遇到的所有问题 一网打尽。从基础概念到源码实现，从记忆系统到多Agent协作，从部署运维到生产调优------100+道题，够你啃一阵子了。

模块一：Hermes Agent 基础概念（1-10题）

1. 【⭐】Hermes Agent是什么？由谁开发？

2. 【⭐】Hermes Agent和普通AI助手有什么区别？

3. 【⭐】Hermes Agent的核心设计理念是什么？

4. 【⭐】Hermes Agent支持哪些运行环境？

5. 【⭐】Hermes Agent支持哪些消息平台接入？

6. 【⭐】Hermes Agent内置了多少工具？有哪些类型？

7. 【⭐】Hermes Agent兼容哪些大语言模型？

8. 【⭐】Hermes Agent的CLI是什么样子的？

9. 【⭐】Hermes Agent的官方文档和代码仓库在哪里？

10. 【⭐】Hermes Agent为什么突然火了？

模块二：Hermes Agent 核心机制------自进化（11-22题）

11. 【⭐⭐】Hermes Agent的"自我进化"功能是什么原理？

1. **技能自动生成**：任务完成后自动检测"可复用价值"，生成标准化Skill文件；
2. **技能持续进化**：基于DSPy框架和GEPA核心算法，定期复盘和优化已有技能；
3. **Nudge Engine（提醒引擎）** ：定时提醒Agent回顾近期执行记录，确保不遗漏任何有价值的经验。

12. 【⭐⭐】Hermes Agent的"技能自动生成"是如何触发的？

13. 【⭐⭐】Hermes Agent的Skill和OpenClaw的Skill有什么区别？（高频题）

- **OpenClaw的Skill是静态的**------需要用户手动创建，或通过特定指令触发安装，Skill一旦创建就不会自动变化。社区中虽有超过2.8万个Skills，但每一个都是人写的。
- **Hermes的Skill是动态的**------每次任务完成后，系统会自动将执行经验提炼为Skill文件，并在后续使用中持续优化。OpenClaw的Skill是手写的Markdown文件------你写多少它会多少，你不写它就不会。Hermes做了一件OpenClaw架构上做不了的事：**Agent干完活之后，会自动把踩坑经验提炼成可复用的Skill**。

14. 【⭐⭐】Hermes Agent的"技能持续进化"是怎么实现的？

15. 【⭐⭐】Nudge Engine在Hermes中起什么作用？

16. 【⭐⭐】Hermes Agent的学习闭环包含哪些步骤？

1. **任务执行追踪**：记录Agent在执行任务过程中的所有动作和结果；
2. **复杂度评估**：判断本次执行是否具有"可复用价值"；
3. **反思引擎**：分析执行过程中的成功经验和失败教训；
4. **技能提炼**：将反思结果抽象为标准化的Skill文件；
5. **存储索引**：将新生成的Skill存入本地技能库，供未来检索和加载。

这个闭环将**一次性的任务执行转化为永久性的能力资产**。

17. 【⭐⭐】Hermes Agent的自我纠错和普通重试有什么区别？

18. 【⭐⭐】Hermes Agent的"自进化"和模型微调（Fine-tuning）有什么区别？

19. 【⭐⭐】Hermes Agent的"自进化"能替代人工编写Skill吗？

20. 【⭐⭐】Hermes Agent的"自进化"有没有风险？

1. **错误经验固化**：如果Agent在错误的前提下成功执行了任务（比如用了不安全的Workaround），这个错误的模式可能被固化为Skill，反复使用；
2. **技能膨胀**：随着使用时间增长，Skill数量可能无限膨胀，导致检索效率下降和上下文污染；
3. **权限扩散**：如果一个Skill在生成时拥有较高权限，后续被低权限场景调用时可能产生越权风险。

缓解措施包括：定期人工审查Skill库、设置Skill的权限边界、以及利用Hermes的**渐进式披露**机制让Skill按需加载。

21. 【⭐⭐】如何验证Hermes Agent的"自进化"真的有效？

1. **工具调用次数**：同一类任务，有Skill时比没有Skill时工具调用次数是否减少；
2. **任务完成时间**：有Skill时任务执行耗时是否缩短；
3. **错误率**：有Skill时任务失败率是否下降；
4. **Token消耗**：有Skill时API调用成本是否降低；
5. **A/B测试**：同一模型、同一任务，分别用"有历史经验的Hermes"和"全新启动的Hermes"执行，对比效果差异。

22. 【⭐⭐】Hermes Agent的自进化可以"关闭"吗？

模块三：Hermes Agent 记忆系统（23-32题）

23. 【⭐⭐】Hermes Agent的记忆系统有哪几层？

1. **长效语义记忆**：跨会话持久化的核心记忆，存储在`~/.hermes/memories/`目录下的`MEMORY.md`和`USER.md`文件中；
2. **工作记忆**：当前会话中的临时上下文，会话结束后可被选择性沉淀到长效记忆；
3. **情景日志**：完整的对话历史和工具调用记录，用于回溯和调试。

另有技术分析指出实际是**四层栈**，但三层是官方文档的明确划分。

24. 【⭐⭐】Hermes Agent的持久化记忆是如何实现的？

25. 【⭐⭐】Hermes Agent如何跨会话检索记忆？

- **FTS5全文搜索**：对记忆文件中的内容进行关键词匹配和语义检索，快速定位相关记忆片段；
- **LLM摘要**：当检索到的记忆片段过多时，由大模型进行摘要浓缩，提取关键信息注入当前会话的上下文。

这种"**检索+摘要**"的双层机制，既保证了记忆的覆盖面，又控制了上下文窗口的Token消耗。

26. 【⭐⭐】Hermes Agent的记忆和向量数据库（如Pinecone）有什么区别？

27. 【⭐⭐】Hermes Agent的MEMORY.md和USER.md有什么区别？

- **`MEMORY.md`** ：存储Agent自己的"工作经验"------学会了什么技能、踩过什么坑、有什么最佳实践；
- **`USER.md`** ：存储对用户的"认知模型"------用户的偏好、习惯、项目背景、常用命令等。

两者都在会话开始时以冻结快照注入系统Prompt。Agent通过memory工具自主管理这两个文件的内容------可以添加、替换或删除条目。

28. 【⭐⭐】Hermes Agent的记忆会不会"遗忘"？

29. 【⭐⭐】Hermes Agent能否接入外部记忆服务？

30. 【⭐⭐】Hermes Agent的子Agent有记忆吗？

31. 【⭐⭐】Hermes Agent的"记忆"和"Skill"有什么区别？

- **记忆（Memory）** ：存储**静态事实**------用户的偏好、项目背景、环境信息等；
- **技能（Skill）** ：存储**动态流程**------完成某类任务的步骤、工具调用顺序、常见坑点。

两者协同工作：记忆提供"背景知识"，技能提供"操作指南"。Agent在执行任务时，先读取记忆了解用户和项目的上下文，再加载对应的Skill按流程执行。

32. 【⭐⭐】Hermes Agent的记忆系统如何防止Prompt注入？

1. **冻结快照注入**：记忆文件在会话开始时以**冻结快照**的形式注入系统Prompt，会话期间不会动态更新。这防止了Agent在会话中被恶意诱导修改记忆；
2. **严格扫描**：Hermes对记忆内容进行**strict扫描**，降低Prompt注入的持久化风险；
3. **字符上限**：严格的字符上限（MEMORY.md 2200字符）限制了恶意内容的注入空间；
4. **子Agent隔离**：子Agent默认没有memory工具，从架构层面隔离了记忆污染风险。

模块四：Hermes Agent 工具系统（33-42题）

33. 【⭐⭐】Hermes Agent内置了哪些类型的工具？

- **浏览器工具**（10个核心 + 2个CDP门控）：网页自动化、截图、表单填写等；
- **文件工具**（4个）：读写、编辑、搜索文件；
- **终端工具**（2个）：执行Shell命令、管理进程；
- **网页工具**（2个）：网页搜索、内容抓取；
- **Home Assistant工具**（4个）：智能家居控制；
- **飞书工具**（5个）：企业协作集成。

此外还支持**邮件、日历、图像生成**等多种工具。

34. 【⭐⭐】Hermes Agent的工具系统是如何架构的？

1. **工具注册层**：使用**单例注册表**管理所有工具，通过**AST分析自动发现**工具定义；
2. **工具加载层**：支持**按需加载**，只有被调用的工具才会被加载到内存；
3. **运行时分发层**：Agent Loop拦截工具调用请求，路由到对应的工具Handler；
4. **执行层**：工具在对应的终端后端（Docker、SSH等）中实际执行。

这种设计的核心优势是 **"import即注册"** ------开发者只需在代码中import工具模块，系统自动完成注册，无需手动配置。

35. 【⭐⭐】Hermes Agent如何支持MCP（Model Context Protocol）？

36. 【⭐⭐】Hermes Agent的工具调用和OpenAI Function Calling有什么区别？

1. **参数校验和转换**：将模型输出的JSON参数转换为工具实际需要的格式；
2. **权限检查**：确认当前会话是否有权调用该工具；
3. **执行和结果处理**：实际执行工具调用，并将结果格式化后返回给模型；
4. **错误处理和重试**：工具执行失败时的降级和重试逻辑。

原生Function Calling的局限在于"只定义格式，不定义执行"，而Hermes的Handler体系让工具调用成为**完整的执行链路**而非单纯的格式约定。

37. 【⭐⭐】Hermes Agent的工具如何实现"自动发现"？

38. 【⭐⭐】Hermes Agent的工具调用如何保证安全性？

1. **终端后端隔离**：工具在Docker、SSH等隔离的终端后端中执行，与宿主机环境隔离；
2. **工具集限制**：子Agent只能使用父Agent授权的工具集，不能访问未授权的工具；
3. **权限门控**：部分高危工具（如CDP门控浏览器工具）需要额外权限才能启用；
4. **沙箱策略**：OpenShell层负责文件和网络策略、凭证代理、沙箱隔离。

这些机制确保即使模型"想"做危险操作，Harness层也会在工具执行前将其拦截。

39. 【⭐⭐】Hermes Agent的Tool Gateway是什么？

40. 【⭐⭐】Hermes Agent如何实现工具的"按需加载"？

- **加载时机**：工具不是在Agent启动时全部加载到内存，而是在**首次被调用时才加载**；
- **加载方式**：Agent Loop在拦截到工具调用请求后，动态加载对应的工具模块；
- **缓存机制**：加载后的工具会在会话期间缓存，避免重复加载。

这种设计的好处是：1）**降低启动时间**------40+工具无需全部预加载；2）**节省内存**------只加载实际用到的工具；3）**支持动态扩展**------新工具可以在运行时加入而无需重启Agent。

41. 【⭐⭐】如何在Hermes Agent中添加自定义工具？

1. **编写工具函数**：在对应的工具模块中编写Python函数，定义函数签名、参数类型和描述信息；
2. **利用自动发现**：由于Hermes采用 **"import即注册"** 机制，只需在工具模块中import新工具，系统会自动通过AST分析完成注册；
3. **配置工具集**：在`config.yaml`中配置工具集的启用/禁用，控制哪些工具对当前会话可见；
4. **（可选）MCP扩展**：如果工具是外部服务，也可以通过接入MCP服务器的方式扩展。

整个流程无需手动维护配置文件，降低了工具开发的门槛。

42. 【⭐】Hermes Agent的工具调用有成本控制吗？

1. **Token预算**：通过配置限制单次会话或单次任务的Token消耗上限；
2. **工具调用次数限制**：可以限制单次任务中工具调用的最大次数，防止Agent陷入无限循环；
3. **模型选择**：支持主模型负责质量、辅助模型负责省钱的策略；
4. **Skill复用**：通过Skill减少重复探索，降低Token消耗。

这些配置都可以在`config.yaml`中按需调整。

模块五：Hermes Agent 多Agent与子Agent（43-52题）

43. 【⭐⭐】Hermes Agent支持多Agent模式吗？

44. 【⭐⭐】Hermes Agent的子Agent是如何工作的？

1. **完全独立的对话**：子Agent以**全新对话**启动，对父Agent的对话历史、之前的工具调用或委派前讨论的任何内容一无所知；
2. **只返回摘要**：只有**最终摘要**会返回父Agent的上下文，中间的工具调用和详细执行过程不会进入父Agent的上下文窗口；
3. **工具集受限**：父Agent在委派时可以指定子Agent能使用哪些工具集。

这种设计实现了**上下文隔离、并行处理、主会话轻量化**。

45. 【⭐⭐】为什么Hermes限制子Agent最大并发数为3？

46. 【⭐⭐】子Agent的上下文是如何构建的？

- **❌ 坏实践**：`delegate_task(goal="Fix the error")` ------子Agent不知道"the error"是什么；
- **✅ 好实践**：`delegate_task(goal="Fix the TypeError in api/handlers.py", context="文件路径、错误信息、项目结构...")` ------子Agent拥有完成任务所需的全部信息。

子Agent会收到一个基于goal和context构建的**专注系统Prompt**，指示其完成任务并提供结构化摘要。

47. 【⭐⭐】子Agent适合处理什么类型的任务？

- **推理密集型子任务**：调试、代码审查、研究综合；
- **会淹没上下文的中间数据**：大量网页抓取、日志分析；
- **并行独立工作流**：同时研究多个主题；
- **需要"全新视角"的任务**：希望Agent不带偏见地审视问题。

不适合的场景：
- **单次工具调用**------直接用工具即可；
- **步骤间有逻辑依赖的机械化多步工作**------用`execute_code`；
- **需要用户交互的任务**------子Agent不能使用`clarify`；
- **快速文件编辑**------直接做；
- **需要持久运行的长任务**------用`cronjob`或`terminal(background=True)`。

48. 【⭐⭐】子Agent之间可以共享文件吗？

1. 通过context明确告知子Agent各自负责的文件范围；
2. 避免让多个子Agent同时编辑同一个文件；
3. 利用父Agent在任务委派时进行文件分配的统筹规划。

49. 【⭐⭐】子Agent的执行是同步还是异步的？

1. 父Agent调用`delegate_task`后会**阻塞等待**所有子Agent完成执行；
2. 所有子Agent完成后，父Agent才继续后续的推理和行动；
3. 如果父Agent的当前轮次被**中断**，所有活跃的子Agent会被**取消**，它们的工作会被**丢弃**。

这种同步设计保证了任务执行的一致性------父Agent不会在子Agent还没完成时就开始做后续决策。对于需要持久运行的长任务，官方建议使用`cronjob`或`terminal(background=True, notify_on_complete=True)`。

50. 【⭐⭐】如何让子Agent"知道"父Agent的上下文？

```
delegate_task(
    goal="Fix the bug in api/handlers.py",
    context="""The bug is a TypeError on line 47: 'NoneType' object has no 
    attribute 'get'. The function process_request() receives a dict from 
    parse_body(), but parse_body() returns None when Content-Type is missing.
    Project at /home/user/myproject, Python 3.11."""
)
```


这种设计虽然增加了父Agent的"沟通成本"，但保证了**子Agent执行的独立性和可重复性**------它不依赖任何外部隐含状态。

51. 【⭐⭐】Hermes Agent能否实现Agent之间的"对话"？

1. 父Agent委派子AgentA完成任务A，获得摘要；
2. 父Agent将摘要作为context的一部分，委派子AgentB完成任务B；
3. 子AgentB的决策基于子AgentA的产出。

这种模式是**链式而非对话式**的。如果面试官追问"那和AutoGen有什么区别"，可以回答：Hermes的设计哲学是 **"一个大脑指挥多个手脚"** ，而AutoGen是 **"多个大脑平等讨论"** 。前者适合任务分解和执行，后者适合复杂决策和创意碰撞。

52. 【⭐⭐】子Agent的失败会影响父Agent吗？

1. 子Agent执行失败时，会在**返回的摘要中报告失败信息和错误原因**；
2. 父Agent收到失败摘要后，可以**自行决定**：重试、换方案、或者向用户报告失败；
3. 子Agent的失败**不会污染父Agent的上下文**，因为只有摘要进入父Agent的上下文。

这种隔离设计让父Agent可以**优雅地处理子任务的失败**，而不是整个系统崩溃。父Agent甚至可以委派另一个子Agent用不同的方法重试同一个任务，实现**故障转移**。

模块六：Hermes Agent 架构与源码（53-62题）

53. 【⭐⭐⭐】Hermes Agent的整体架构是怎样的？

1. **Harness层（Hermes）** ：负责**技能、记忆、会话管理、消息桥接**。这是Agent的"大脑"和"神经系统"------管理Agent学什么、记什么、怎么和人聊天；
2. **运行时层（OpenShell）** ：负责**文件和网络策略、凭证代理、沙箱隔离**。这是Agent的"手脚"和"免疫系统"------管理Agent能做什么、不能做什么。

核心编排引擎是`run_agent.py`中的**AIAgent类**------一个15k+行的大文件，负责从Prompt组装到工具分发再到Provider故障转移的所有逻辑。三种API模式（OpenAI、Anthropic、Google）在调用前后均收敛到相同的内部消息格式。

54. 【⭐⭐⭐】Hermes Agent的Agent Loop是如何工作的？

1. **Prompt组装**：将系统Prompt、记忆快照、工具定义、对话历史组装成完整的模型输入；
2. **模型调用**：根据配置的provider（OpenAI、Anthropic、Ollama等）调用大模型；
3. **响应解析**：根据当前模式（OpenAI风格/Anthropic风格）解析模型输出；
4. **工具分发**：如果模型请求工具调用，路由到对应的工具Handler；
5. **结果处理**：将工具执行结果返回模型，继续循环或结束。

Loop支持**故障转移**------如果某个provider不可用，自动切换到备用provider。三种API模式在调用前后均收敛到相同的内部消息格式（OpenAI风格的`role/content/tool_calls` dict）。

55. 【⭐⭐⭐】Hermes Agent的Prompt是如何组装的？

1. **已缓存的系统Prompt状态**：包括Agent身份（`SOUL.md`）、记忆快照（`MEMORY.md`、`USER.md`）、核心指令等；
2. **API调用时临时添加的内容**：包括当前任务描述、工具调用结果、用户最新消息等。

这是项目中**最重要的设计决策之一**，因为它影响：**Token用量、Prompt缓存效果、会话连续性**。已缓存的部分可以复用，大幅降低API调用的Token消耗。系统Prompt的组装顺序为：Agent身份 → 记忆快照 → 工具定义 → 当前任务上下文。

56. 【⭐⭐⭐】Hermes Agent的SOUL.md是什么？

1. **`SOUL.md`** ：定义Agent的**核心身份和人格**------"你是谁"；
2. **项目级配置**：定义**项目特定的规范和约束**------"在什么环境下工作"；
3. **会话级指令**：定义**当前任务的特定要求**------"这次要做什么"。

这种分层设计让身份、环境、任务三者解耦，修改任何一层都不会意外影响其他层。如果没有`SOUL.md`，Hermes会回退到`prompt_builder.py`中的默认身份。

57. 【⭐⭐⭐】Hermes Agent的Context Engine是如何工作的？

1. **监控Token用量**：实时跟踪当前会话已消耗的Token数量；
2. **决定压缩时机**：当Token用量接近上下文窗口上限时，决定何时进行压缩；
3. **选择压缩方式**：决定用什么方式进行压缩。

Hermes把ContextEngine做成了**可插拔接口**------默认实现叫`ContextCompressor`，第三方可以丢一个新引擎进`plugins/context_engine/<name>/`目录替换掉。这种设计让开发者可以根据自己的需求定制上下文管理策略------比如针对长文档场景、多轮对话场景等采用不同的压缩算法。

58. 【⭐⭐⭐】Hermes Agent支持哪些API模式？

1. **OpenAI风格**：使用OpenAI的chat completion格式；
2. **Anthropic风格**：使用Anthropic的messages格式；
3. **Google风格**：使用Google AI Studio的格式。

模式决定了消息的格式化方式、工具调用的结构、响应的解析方式，以及缓存/流式传输的工作方式。三种模式在API调用**前后均收敛到相同的内部消息格式**（OpenAI风格的`role/content/tool_calls` dict）。这种设计让Hermes可以在**不同Provider间无缝切换**，用户在配置中切换模型时无需修改任何业务逻辑。

59. 【⭐⭐⭐】Hermes Agent的"学习循环"在源码中是如何实现的？

1. **任务执行追踪**：`AIAgent`类在执行任务时，通过装饰器和钩子函数记录每一步的动作和结果；
2. **复杂度评估**：任务完成后，后台评估模块分析执行轨迹，判断是否达到技能生成的阈值（如工具调用次数>5、出现错误修复等）；
3. **反思引擎**：触发反思流程，调用大模型对执行轨迹进行分析，提炼成功模式和失败教训；
4. **技能提炼**：将反思结果格式化为标准化的`SKILL.md`文件，写入`~/.hermes/skills/`目录；
5. **存储索引**：更新技能索引，供未来的Agent Loop检索和加载。

整个闭环的核心设计原则是：**将"解决问题"的过程与"创造能力"的过程合二为一**。

60. 【⭐⭐⭐】Hermes Agent如何实现Provider故障转移？

1. **主Provider调用**：Agent Loop首先尝试使用配置的主Provider调用模型；
2. **失败检测**：如果主Provider返回错误（如API超时、配额耗尽、服务不可用等），系统捕获异常；
3. **自动切换**：系统自动切换到备用Provider，使用相同的Prompt和参数重新发起调用；
4. **链式故障转移**：如果备用Provider也失败，继续切换到下一个可用的Provider。

这种机制让Hermes可以在生产环境中**优雅地应对单一模型服务提供商的不可用**，大幅提升了系统的鲁棒性。用户可以在配置文件中按优先级列出多个Provider。

61. 【⭐⭐⭐】Hermes Agent的代码组织是怎样的？

- **`run_agent.py`** ：`AIAgent`类------核心对话循环，15k+行；
- **`cli.py`** ：命令行界面，TUI交互逻辑；
- **`agent/`** ：Agent核心逻辑，包括Prompt组装、工具分发等；
- **`tools/`** ：内置工具的定义和实现；
- **`plugins/`** ：插件系统，包括ContextEngine等可插拔组件；
- **`website/docs/`** ：官方文档源码。

官方架构文档提供了**顶层导图**，帮助开发者在代码库中定位自己，然后深入各子系统的专项文档。

62. 【⭐⭐⭐】如何为Hermes Agent贡献代码或开发插件？

1. **ContextEngine插件**：实现自定义的上下文管理策略，放入`plugins/context_engine/<name>/`目录即可替换默认实现；
2. **MemoryProvider插件**：实现自定义的记忆存储后端，如Tablestore插件；
3. **工具扩展**：通过"import即注册"机制添加自定义工具；
4. **MCP服务器**：通过MCP协议接入外部工具和服务。

贡献代码的流程遵循标准的GitHub开源流程：Fork → 开发 → 提交PR → Code Review → Merge。官方文档的开发者指南提供了详细的架构导图和子系统说明。

模块七：Hermes Agent vs 竞品对比（63-74题）

63. 【⭐⭐】Hermes Agent和OpenClaw的核心区别是什么？（最高频题）

- **OpenClaw**：定位是 **"强大的工具"** ------配置驱动的编排者。需要用户给出明确指令，AI按指令执行，能力边界取决于用户安装了哪些Skill。一切行为源于预设的配置文件；
- **Hermes Agent**：定位是 **"会成长的伙伴"** ------学习驱动的长期搭档。核心设计理念是"The agent that grows with you"。AI会在使用过程中自主积累经验、优化技能。

**本质差异不在功能列表的长短，而在"自进化 vs 静态执行"两种根本不同的架构范式**。OpenClaw靠人喂，Hermes自己长。

64. 【⭐⭐】OpenClaw和Hermes在技能系统上有什么本质区别？

- **OpenClaw的Skill**：**静态的**。需要用户手动创建，或通过特定指令触发安装。Skill一旦创建就不会自动变化。社区中虽有超过2.8万个Skills，但每一个都是人写的。OpenClaw的Skill是手写的Markdown文件------你写多少它会多少，你不写它就不会；
- **Hermes的Skill**：**动态自生长的**。每次任务完成后，系统会自动将执行经验提炼为Skill文件。技能生成后还会持续优化------如果后续执行中发现了更优路径或新的边界情况，系统会自动更新对应的Skill文件。

简单说：**OpenClaw的技能是人教的，Hermes的技能是自己学的**。

65. 【⭐⭐】OpenClaw和Hermes在记忆系统上有什么区别？

- **OpenClaw**：记忆系统以Markdown文件形式存储在本地，通过**向量语义搜索和BM25关键词搜索混合检索**，2026.2.2版本后可选支持QMD模式；
- **Hermes Agent**：记忆系统采用**FTS5全文搜索技术结合大模型摘要**实现跨会话记忆。明确划分了**长效语义记忆、工作记忆和情景日志三层结构**，记忆的组织和检索机制更加系统化。

核心差异：OpenClaw侧重**检索的灵活性**（向量+关键词混合），Hermes侧重**记忆的分层管理**（三层架构+摘要浓缩）。

66. 【⭐⭐】OpenClaw和Hermes在开发背景上有什么区别？

- **OpenClaw**：由奥地利程序员**彼得·斯坦伯格（Peter Steinberger）个人开发**，2025年11月首次发布，2026年1月正式定名；
- **Hermes Agent**：由美国正规AI实验室**Nous Research**开发，该团队因Hermes系列开源大模型在社区积累了大量口碑。2026年2月正式开源，**累计融资约7000万美元、估值达10亿美元**，团队规模和专业程度更高。

这个差异也反映在两个项目的代码质量、文档完整度和迭代速度上。

67. 【⭐⭐】OpenClaw和Hermes在社区热度上有什么区别？

- **OpenClaw**：发布较早，社区积累时间较长，Skill数量和生态成熟度较高------社区中已有**超过2.8万个Skills**；
- **Hermes Agent**：发布虽晚（2026年2月），但**增速惊人**，开源不到三个月GitHub Star突破**14万**。在OpenRouter平台上，Hermes是**使用量最高的开源Agent框架**，增速（+204%）远超其他Agent框架。

值得注意的是：OpenClaw社区规模约为Hermes的4.6倍，但Hermes的增长曲线更陡峭。

68. 【⭐⭐】什么场景下选OpenClaw，什么场景下选Hermes？

**选OpenClaw的场景**：
- 你是高级开发者或极客，享受搭建复杂自动化工作流的乐趣；
- 需求明确且流程固定（如定时抓取特定网站数据）；
- 需要一个统一的界面来调度多个不同的AI模型和本地脚本；
- 愿意投入时间维护配置文件和排查工具调用链中的Bug。

**选Hermes的场景**：
- 希望有一个能处理复杂、模糊指令的私人助理；
- 厌恶重复劳动，希望AI在执行同类任务时越来越快；
- 更看重长期的协作效率，而非短期的定制快感；
- 希望AI能自主学会操作习惯，而不是一遍遍地去教。

**一句话总结**：OpenClaw是**极致灵活的操作系统**，上限取决于你的技术水平；Hermes是**具备成长属性的员工**，价值取决于你与他共事的时间长度。

69. 【⭐⭐】Hermes Agent和Claude Code有什么区别？

- **Claude Code**：Anthropic推出的**IDE内编程助手**，专注于代码生成、代码审查、调试等软件开发场景，与IDE深度集成；
- **Hermes Agent**：**独立运行的自主Agent**，可以部署在服务器上通过消息平台访问，不限于编程场景，覆盖文件管理、浏览器自动化、智能家居等广泛领域。

Claude Code解决的是 **"怎么写代码"** ，Hermes解决的是 **"怎么让AI长期帮你干活"** 。两者可以互补使用。

70. 【⭐⭐】Hermes Agent和AutoGen有什么区别？

- **AutoGen**（微软）：**多Agent对话框架**。多个Agent可以平等地对话、辩论、协作。适合需要多角色分工、复杂决策、创意碰撞的场景；
- **Hermes Agent**：**单Agent+子Agent委派**。一个父Agent负责规划和决策，将子任务委派给隔离的子Agent执行。适合任务分解和并行执行的场景。

核心哲学差异：AutoGen是 **"多个大脑平等讨论"** ，Hermes是 **"一个大脑指挥多个手脚"** 。前者适合复杂决策，后者适合高效执行。

71. 【⭐⭐】Hermes Agent和LangChain Agent有什么区别？

- **LangChain Agent**：**开发框架**。提供了一套构建Agent的组件和抽象（工具、记忆、链等），但需要开发者自己组装、部署和维护。它是一个 **"Agent开发工具箱"** ；
- **Hermes Agent**：**可直接部署的Agent应用**。内置了完整的Harness、记忆系统、学习循环、消息网关。用户安装后即可使用，无需从零组装。它是一个 **"开箱即用的Agent"** 。

打个比方：LangChain是**乐高积木**（给你零件自己拼），Hermes是**成品机器人**（通电就能用，还会自己学习）。

72. 【⭐⭐】为什么Hermes能在短时间内超越OpenClaw的热度？

1. **解决了真实痛点**：OpenClaw等框架的Skill需要**手动编写和维护**。随着使用场景增多，维护成本线性增长。Hermes的**自动技能生成**让这一成本归零；
2. **"越用越聪明"的吸引力**：用户投入的时间有**复利效应**------用得越久，Agent能力越强；
3. **低迁移成本**：Hermes官方提供`hermes claw migrate`一键迁移工具，从OpenClaw迁移只需约10分钟；
4. **AI行业的"技术爆炸"节奏**：2026年AI领域迭代速度远超过去，用户对"新一代"产品的接受度极高。

73. 【⭐⭐】Hermes Agent是否意味着OpenClaw会被淘汰？

- OpenClaw的 **"配置驱动"** 模式在需要**高度可控、可审计**的企业场景中仍有不可替代的价值；
- Hermes的 **"学习驱动"** 模式在**个人助理、长期陪伴**场景中优势明显。

两者更像是 **"手动挡"和"自动挡"** 的关系------手动挡不会被淘汰，但自动挡会占据更大的市场份额。实际上，两个项目也在互相借鉴------OpenClaw开始引入更多自动化能力，Hermes也在加强配置的灵活性。

74. 【⭐⭐】如何从OpenClaw迁移到Hermes Agent？

- **记忆**：OpenClaw中的记忆文件会自动映射到Hermes的记忆格式；
- **配置**：模型配置会映射到Hermes的`config.yaml`文件；
- **技能**：OpenClaw的Skill会导入到Hermes的技能系统。

注意事项：
- API Keys**默认不迁移**（即user-data预设），需要手动配置；
- 迁移工具**只读**OpenClaw配置生成Hermes配置，**不会修改原文件**；
- 实际迁移过程约**10分钟**。

模块八：Hermes Agent 生产环境与部署（75-84题）

75. 【⭐⭐】Hermes Agent的最小部署要求是什么？

- **硬件**：可以在**$5/月的VPS**上运行；
- **操作系统**：支持**Linux、macOS、WSL2和Termux**；
- **部署方式**：支持**Docker、SSH和无服务器Modal**等6种终端后端。

这种轻量化设计让个人开发者也能轻松部署一个24小时在线的自进化Agent。

76. 【⭐⭐】Hermes Agent如何实现24小时在线？

1. **服务器部署**：Agent部署在云端VPS上，而非本地电脑，不依赖用户设备的开机状态；
2. **内置Cron调度器**：支持执行复杂的定时任务，可以按预设时间自动启动任务（如每日简报）；
3. **消息网关常驻**：通过Telegram、Discord、Slack等平台的网关统一接入，保持长连接，随时响应用户消息。

77. 【⭐⭐】Hermes Agent如何接入企业微信/飞书？

1. **企业微信**：通过配置企业微信的Bot Token和Webhook URL，将Hermes与企业微信机器人对接；
2. **飞书**：Hermes内置了**5个飞书工具**，支持通过飞书Bot与Agent交互；
3. **多平台同时接入**：一个Hermes实例可以**同时接入飞书和企业微信两大平台**，实现一个Agent同时服务两个平台的效果。

78. 【⭐⭐】Hermes Agent如何保证数据隐私和安全？

1. **自托管数据自主权**：Hermes强调**自托管与数据自主权**------所有记忆、配置、技能文件都存储在用户自己的服务器上；
2. **沙箱隔离**：OpenShell层负责文件和网络策略、凭证代理、沙箱隔离；
3. **凭证管理**：API Keys等敏感凭证存储在本地配置中，不会上传到任何第三方服务；
4. **子Agent隔离**：子Agent拥有独立的终端会话和受限工具集，即使子Agent被攻击也不会影响主Agent。

79. 【⭐⭐】Hermes Agent的Token消耗如何优化？

1. **Prompt缓存**：将系统Prompt（身份、记忆快照等）与临时内容分离，已缓存的部分可以复用，大幅降低重复的Token消耗；
2. **Skill复用**：通过Skill避免重复探索，Token消耗可从12次工具调用降至6次；
3. **模型分层**：主模型负责质量，辅助模型负责省钱；
4. **上下文压缩**：ContextEngine监控Token用量，在接近上限时自动压缩。

80. 【⭐⭐】Hermes Agent如何监控和调试？

1. **日志系统**：完整的执行日志记录，包括每次工具调用的输入输出；
2. **执行追踪**：Agent Loop中的每一步都可追踪；
3. **CLI调试**：TUI界面支持中断与重定向、流式工具输出，方便实时观察Agent行为；
4. **会话历史**：完整的对话历史和工具调用记录可回溯；
5. **子Agent摘要**：子Agent返回结构化摘要，包括所做的事情、发现的内容、修改的文件以及遇到的问题。

81. 【⭐⭐】Hermes Agent支持哪些终端后端？

1. **Docker**：容器隔离执行，适合需要环境隔离的场景；
2. **SSH**：远程服务器执行，适合管理远程机器；
3. **Modal**：无服务器执行，适合按需弹性伸缩；
4. **本地终端**：直接在宿主机执行，适合开发测试；
5. **WSL2**：Windows Subsystem for Linux；
6. **Termux**：Android终端，适合移动设备。

用户可以根据任务需求选择不同的终端后端------需要隔离的用Docker，需要远程执行的用SSH，需要移动端访问的用Termux。

82. 【⭐⭐】Hermes Agent如何与现有CI/CD流程集成？

1. **CLI调用**：通过`hermes`命令行工具触发Agent执行特定任务；
2. **Cron调度器**：内置Cron支持定时执行自动化任务；
3. **消息网关触发**：通过Webhook将CI/CD事件（如构建失败、部署完成）推送到Hermes，触发自动响应；
4. **Skill复用**：将常用的CI/CD操作（如部署、测试、回滚）沉淀为Skill，实现一键自动化。

这种集成方式让Hermes可以成为DevOps流程中的 **"智能助手"** ------不仅能执行脚本，还能在出错时自动分析和修复。

83. 【⭐⭐】Hermes Agent在多租户场景下如何隔离？

1. **独立实例**：为每个租户部署独立的Hermes实例，拥有独立的记忆、技能和配置目录；
2. **子Agent隔离**：在同一实例中，通过子Agent的独立对话、终端会话和工具集实现任务级隔离；
3. **配置隔离**：通过`config.yaml`中的工具集配置，控制不同租户可用的工具范围。

对于大规模多租户场景，可以结合**容器化**（每个租户一个Docker容器）和**云端记忆服务**（如Tablestore实现记忆共享与隔离）来实现更精细的隔离控制。

84. 【⭐⭐】Hermes Agent的版本升级如何影响已有Skill和记忆？

1. **Skill文件**：`SKILL.md`的格式规范保持稳定，新版本可以正常读取旧版本生成的Skill；
2. **记忆文件**：`MEMORY.md`和`USER.md`的格式同样保持稳定；
3. **配置文件**：`config.yaml`的字段变更通常有默认值，旧配置可以平滑迁移。

官方建议在重大版本升级前**备份`~/.hermes/`目录**（包含所有记忆、技能和配置）。从OpenClaw迁移时也有专门的一键迁移工具。

模块九：Hermes Agent 深度追问与进阶（85-100题）

85. 【⭐⭐⭐】Hermes Agent的"自进化"和"元认知"（Metacognition）有什么关系？

- **反思引擎**：Agent在执行任务后，会"思考"自己做得怎么样------这对应元认知中的 **"监控"** ；
- **技能提炼**：Agent将成功的经验抽象为可复用的Skill------这对应元认知中的 **"调节"** ；
- **Nudge Engine**：定时提醒Agent回顾和总结经验------这对应元认知中的 **"自省"** 。

普通Agent只 **"做事"** ，Hermes Agent既 **"做事"又"思考自己如何做事"** ------这正是元认知的核心。

86. 【⭐⭐⭐】Hermes Agent如何避免"技能固化"（Skill Fossilization）？

1. **持续进化算法**：基于DSPy框架定期对已有Skill进行复盘和优化。如果后续执行中发现了更优路径或新的边界情况，系统会自动更新对应的Skill文件；
2. **执行中修正**：Agent在执行Skill时如果发现命令过时（如CLI更新了命令格式），会**顺手把Skill里的旧命令自动修正**；
3. **Nudge Engine**：定期提醒反思，确保技能库不会停滞。

这种机制让技能质量随着使用时间的推移**持续提升而非僵化**。

87. 【⭐⭐⭐】Hermes Agent的"自进化"能否迁移到其他Agent框架？

1. **技能自动生成**：任务完成后自动检测"可复用价值"并生成Skill；
2. **技能持续进化**：定期复盘和优化已有Skill；
3. **反思触发器**：定时提醒Agent回顾经验。

将这些组件移植到其他框架需要：
- **Agent Loop拦截能力**：能在任务执行完成后触发反思流程；
- **外置存储系统**：能持久化存储Skill和记忆；
- **上下文注入能力**：能在后续会话中加载Skill。

理论上，任何支持**可插拔Harness**的Agent框架都可以实现类似的自进化能力。

88. 【⭐⭐⭐】Hermes Agent的"学习"和人类学习有什么异同？

- **相同点**：
    1. **从经验中学习**：都通过尝试-反馈-调整的循环来优化行为；
    2. **模式识别**：都能从重复出现的模式中抽象出规则；
    3. **错误中成长**：都能从失败中吸取教训。
- **不同点**：
    1. **理解深度**：人类学习伴随**真正的理解**，Hermes的学习是**模式匹配和流程复制**；
    2. **存储方式**：人类学习存储在**神经网络权重**中（隐式），Hermes学习存储在**Markdown文件**中（显式）；
    3. **抽象能力**：人类能进行**远距离类比和创造性迁移**，Hermes的Skill主要是**同类任务的流程复用**；
    4. **遗忘机制**：人类有主动和被动的遗忘，Hermes的遗忘是**字符上限强制截断**。

89. 【⭐⭐⭐】Hermes Agent的"自进化"是否意味着AGI更近了？

1. **从经验中持续改进**------不再是静态的模型；
2. **跨会话积累知识**------不再是"用完即忘"；
3. **自主优化行为**------不再完全依赖人工调优。

但Hermes的"自进化"仍然是**窄域的**------它只在**预定义的任务空间**内优化流程，不具备：
- **真正的理解**和**创造力**；
- **自主设定目标**的能力；
- **跨领域迁移**的通用智能。

可以说，Hermes展示了 **"如何让AI在特定领域越做越好"** ，但距离 **"让AI像人一样思考"** 还有很长的路。

90. 【⭐⭐⭐】Hermes Agent如何评估一个Skill的"好坏"？

1. **执行效率**：使用Skill后工具调用次数是否减少、执行时间是否缩短；
2. **成功率**：使用Skill的任务完成率是否高于无Skill时的基准；
3. **错误率**：使用Skill时是否出现新的错误或边界情况；
4. **用户反馈**：用户是否对执行结果进行了纠正或修改。

评估方式主要是**离线批量进化算法**------定期对已有Skill进行复盘，对比历史执行数据判断Skill是否需要优化。如果后续执行中发现了更优路径或新的边界情况，系统会自动更新对应的Skill文件。

91. 【⭐⭐⭐】如果Hermes Agent的生成了错误的Skill，如何纠正？

1. **自动纠正**：如果后续执行中使用某个Skill时发现了更优路径或新的边界情况，系统会自动更新对应的Skill文件。例如，Agent发现Skill中的命令已过时，会**顺手自动修正**；
2. **用户手动干预**：用户可以手动编辑或删除`~/.hermes/skills/`目录下的Skill文件；
3. **Nudge Engine触发反思**：定期提醒Agent回顾Skill的有效性；
4. **执行失败触发更新**：如果使用Skill执行任务失败，Agent在自我纠错过程中会更新Skill。

这种多层机制确保即使生成了错误的Skill，系统也能**自我修复**而非将错就错。

92. 【⭐⭐⭐】Hermes Agent的"记忆"会不会泄露隐私？

- **风险**：记忆文件（`MEMORY.md`、`USER.md`）以**明文形式**存储在本地`~/.hermes/memories/`目录。如果服务器被攻破，记忆内容可能泄露；Agent自主管理记忆也可能导致**意外记录敏感信息**。

**现有防护机制**：
1. **strict扫描**：降低Prompt注入的持久化风险；
2. **自托管**：数据存储在用户自己的服务器上，不经过第三方；
3. **字符上限**：限制记忆文件大小，减少敏感信息积累。

**改进建议**：
1. 对记忆文件进行**加密存储**；
2. 提供**敏感信息过滤**机制；
3. 支持**记忆审计**功能，让用户知道Agent记住了什么。

93. 【⭐⭐⭐】Hermes Agent能否在无网络环境下运行？

- **完全离线**：如果使用**自托管模型**（如Ollama、vLLM），Hermes可以在无网络环境下运行。所有记忆、技能、工具执行都在本地完成；
- **需要网络**：如果使用**云端API**（如OpenRouter、Anthropic），则需要网络连接。此外，网页搜索、浏览器自动化等工具也需要网络。

对于完全离线的部署方案，建议：
1. 使用Ollama或vLLM部署本地模型；
2. 禁用依赖外部API的工具（如网页搜索、图像生成）；
3. 所有文件操作和终端命令在本地执行。

94. 【⭐⭐⭐】Hermes Agent的"学习"会消耗额外的Token吗？

1. **反思引擎**：调用大模型对执行轨迹进行分析和总结；
2. **技能提炼**：将反思结果格式化为Skill文件；
3. **技能优化**：定期对已有Skill进行复盘。

但**长期收益远大于短期成本**：
- 生成一个Skill可能消耗**一次任务的Token成本**；
- 但Skill被复用后，**每次任务可节省50%以上的Token**；
- 随着复用次数的增加，**投资回报率持续上升**。

这就像**写文档**------写文档本身花时间，但写好之后每次查阅都省时间。

95. 【⭐⭐⭐】Hermes Agent的"自进化"能否被"教坏"？

- **风险场景**：
    1. **恶意用户诱导**：用户刻意让Agent执行有害操作并成功，系统可能将有害模式固化为Skill；
    2. **数据污染**：如果Agent访问了被污染的数据源（如恶意网站），可能学到错误模式；
    3. **权限扩散**：一个在髙权限下生成的Skill，可能在低权限场景中被滥用。
- **防护机制**：
    1. **strict扫描**：降低Prompt注入风险；
    2. **沙箱隔离**：工具在隔离环境中执行；
    3. **权限门控**：高危操作需要额外授权；
    4. **人工审查**：用户可以手动审查和删除Skill。

核心原则：**Harness层（沙箱、权限）永远高于学习层（Skill生成）** ------即使Agent"想"学坏，Harness也会在实际行动时将其拦住。

96. 【⭐⭐⭐】Hermes Agent的"自进化"在不同模型上有差异吗？

- **机制层面**：技能自动生成、反思引擎、Nudge Engine的逻辑是**框架层面的**，不依赖特定模型；
- **质量层面**：反思的质量、技能提炼的精确度**高度依赖**底层模型的推理能力。用GPT-4生成的Skill vs 用Llama 3生成的Skill，质量可能有显著差异；
- **建议**：生产环境中，建议**用强模型做反思和技能提炼**（质量优先），**用弱模型做日常执行**（成本优先）。Hermes支持在不同环节使用不同模型。

97. 【⭐⭐⭐】Hermes Agent的源码中，学习循环的代码在哪里？

- **核心编排**：`run_agent.py`中的`AIAgent`类------15k+行，负责从Prompt组装到工具分发的完整Loop；
- **Prompt组装**：`agent/prompt_builder.py`------负责系统Prompt的组装和缓存；
- **工具系统**：`tools/`目录------工具注册、发现、分发的实现；
- **记忆管理**：`memory/`相关模块------记忆的读写和检索；
- **技能系统**：Skill的生成和存储逻辑分布在`skills/`相关模块；
- **Context Engine**：`plugins/context_engine/`------可插拔的上下文管理。

官方架构文档提供了完整的代码导图。

98. 【⭐⭐⭐】Hermes Agent的设计中，哪些决策是为了"省Token"？

1. **Prompt缓存分离**：将系统Prompt（身份、记忆快照）与临时内容分离。已缓存的部分可以复用，大幅降低API调用的Token消耗；
2. **字符上限记忆**：`MEMORY.md`和`USER.md`有严格字符上限，防止记忆无限膨胀耗尽上下文窗口；
3. **子Agent摘要返回**：子Agent只返回最终摘要，中间工具调用不进入父Agent上下文；
4. **Skill复用**：通过Skill避免重复探索；
5. **按需加载工具**：工具在首次调用时才加载，减少系统Prompt中的工具定义数量；
6. **渐进式披露Skill**：Skill按需加载，而非全部注入上下文。

99. 【⭐⭐⭐】如何用Hermes Agent搭建一个"每日简报机器人"？

1. **部署Hermes**：在VPS上安装和配置Hermes Agent；
2. **配置消息平台**：接入Telegram或Discord；
3. **编写Prompt**：定义简报的内容范围、格式和长度；
4. **配置Cron调度**：使用Hermes内置的Cron调度器设置每天早晨自动运行；
5. **启用网页搜索工具**：让Agent能拉取最新新闻；
6. **（可选）沉淀为Skill**：一次成功后，Agent可自动将整个流程提炼为Skill，后续执行更高效。

整个流程约**45分钟**即可完成。

100. 【⭐⭐⭐】Hermes Agent的未来发展方向可能是什么？

1. **更强的跨Agent协作**：目前是"单大脑+多手脚"，未来可能演进为"多大脑协作"；
2. **更深度的用户建模**：从"记住偏好"演进为"预判需求"；
3. **多模态能力**：目前主要是文本，未来可能集成图像、音频、视频的理解和生成；
4. **更智能的技能进化**：从"优化已有Skill"演进为"创造全新Skill"；
5. **企业级功能**：更完善的RBAC、审计日志、SLA保障；
6. **边缘部署**：从$5 VPS演进到边缘设备、手机端。

挑战包括：**Skill质量的可控性、记忆的隐私安全、大规模部署的成本、以及"自进化"的不可预测性**。

总结

Hermes Agent面试的100道题，覆盖了从基础概念到源码实现、从单Agent到多Agent协作、从部署运维到生产调优的全链路知识图谱 。 面试官考察的核心逻辑只有一条：你是否真正理解"自进化Agent"的本质，而不仅仅是背了几个名词。

模型是天赋，Harness是骨架，自进化是灵魂。 天赋决定了Agent的起点，骨架决定了Agent的边界，而灵魂决定了Agent能走多远。 把这100道题啃透，面试官再问你Hermes，你就完全不畏惧了 。 觉得有用？转发给你身边那个还在手动写Prompt调教Agent的兄弟 ，让他知道什么叫 "放养式养蛊" 。评论区聊聊：你希望你的Agent自己学会什么奇奇怪怪的技能？👇

Loop Engineering 面试高频题

第一部分：基础篇（1-50题）

模块一：Loop Engineering 基础概念（1-15题）

1. 【⭐】什么是 Loop Engineering？和 Prompt Engineering 有什么区别？ 2. 【⭐】Loop Engineering 是在什么背景下兴起的？ 3. 【⭐】Loop Engineering 的核心组件有哪些？ 4. 【⭐】一个 Loop 到底在「循环」什么？ 5. 【⭐】Loop Engineering 和 ReAct 是什么关系？ 6. 【⭐】为什么 Agent 需要 Loop？ 7. 【⭐】Loop Engineering 中的「自动化」指什么？ 8. 【⭐】Loop Engineering 中的「Skill」是什么？ 9. 【⭐】Loop Engineering 和 Context Engineering 是什么关系？ 10. 【⭐】什么是 Harness Engineering？和 Loop Engineering 什么关系？ 11. 【⭐⭐】Loop Engineering 中的「子 Agent」模式是什么？为什么重要？ 12. 【⭐】MCP（Model Context Protocol）在 Loop Engineering 中扮演什么角色？ 13. 【⭐】Loop Engineering 和传统的自动化脚本有什么区别？ 14. 【⭐】个人开发者使用 AI 编程和企业在生产环境使用 Loop Engineering 有什么本质区别？ 15. 【⭐】Loop Engineering 的「记忆层」解决什么问题？

模块二：循环控制与终止机制（16-30题）

16. 【⭐】Loop 的终止条件有哪些？ 17. 【⭐⭐】如何防止 Agent 陷入死循环？ 18. 【⭐】Agent 陷入死循环时，如何在工程上解决？ 19. 【⭐】什么是「反思节点（Reflection Node）」？如何实现？ 20. 【⭐】工具调用失败时，应该返回什么信息给 LLM？ 21. 【⭐】Loop 的预算控制应该考虑哪些维度？ 22. 【⭐】Loop 的「收敛判断」是什么？怎么实现？ 23. 【⭐】设计 Loop 时，如何平衡「自动化程度」和「人工控制」？ 24. 【⭐】什么是「兜底方案」？在 Loop 中如何设计？ 25. 【⭐】Loop 中的「状态管理」为什么重要？ 26. 【⭐】Loop 的「工作树（Worktree）」解决什么问题？ 27. 【⭐】Loop 中如何实现「断点续传」？ 28. 【⭐】Loop 的「并行隔离」除了 Worktree 还需要什么？ 29. 【⭐】什么是「Goal 模式」？和普通 Loop 有什么区别？ 30. 【⭐】Loop 的「自动化触发器」有哪些类型？

模块三：工具与集成（31-40题）

31. 【⭐】Loop Engineering 中「连接器」的作用是什么？ 32. 【⭐】MCP 和 Function Calling 是什么关系？ 33. 【⭐】如何让 Loop 中的 Agent 安全地操作外部系统？ 34. 【⭐】Loop 中如何管理多个工具的调用顺序和依赖？ 35. 【⭐】Skill 和 Prompt 有什么区别？

模块四：监控与可观测性（41-50题）

41. 【⭐】Loop 的可观测性面临哪些挑战？ 42. 【⭐】如何设计 Loop 的日志和追踪系统？ 43. 【⭐】Loop 运行中如何发现「已经在错误方向上努力了很久」？ 44. 【⭐】Loop 的「成本可预算」如何实现？ 45. 【⭐】如何评估一个 Loop 的质量？ 46. 【⭐】Loop 的「状态快照」应该包含哪些信息？ 47. 【⭐】Loop 的可观测性如何与现有监控系统集成？

第二部分：进阶篇（51-80题）

模块五：架构设计与系统集成（51-65题）

51. 【⭐⭐】Loop Engineering 的三层技术栈是什么？ 52. 【⭐⭐】设计一个生产级 Loop 系统，技术选型应该考虑哪些因素？ 53. 【⭐⭐】Loop 中的「规划器-执行器」模式是什么？ 54. 【⭐⭐】什么是「评估者-优化者」模式？在 Loop 中如何应用？ 55. 【⭐⭐】Loop 中如何实现「上下文窗口溢出」的应对策略？ 56. 【⭐⭐】Loop 中如何选择合适的模型？不同环节用不同模型可行吗？ 57. 【⭐⭐】Loop 的「记忆层」和 RAG 有什么区别？ 58. 【⭐⭐】如何设计 Loop 的「错误恢复」机制？ 59. 【⭐⭐】Loop 中的「子 Agent」之间如何通信？ 60. 【⭐⭐】如何检测 Loop 中的「循环依赖」？ 61. 【⭐⭐】Loop 的「启动成本」和「运行成本」如何权衡？ 62. 【⭐⭐】Loop Engineering 中如何处理「幻觉」问题？ 63. 【⭐⭐】Loop 中的「测试驱动」模式是什么？ 64. 【⭐⭐】Loop Engineering 中「跨会话记忆」如何实现？ 65. 【⭐⭐】Loop 的「Skill」如何版本化管理？

模块六：性能与优化（66-75题）

66. 【⭐⭐】Loop 的延迟怎么优化？ 67. 【⭐⭐】Loop 的成本怎么控制？ 68. 【⭐⭐】如何评估 Loop 的「投入产出比」？ 69. 【⭐⭐】Loop 中如何处理「长尾延迟」问题？ 70. 【⭐⭐】Loop 的「Token 消耗」如何优化？ 71. 【⭐⭐】如何设计 Loop 的「降级策略」？ 72. 【⭐⭐】Loop 的「启动预热」有必要吗？

模块七：生产环境挑战（76-80题）

76. 【⭐⭐】Loop 在生产环境中面临哪些独特的失败模式？ 77. 【⭐⭐】Loop 上线前需要做哪些测试？ 78. 【⭐⭐】如何设计 Loop 的「人工介入」流程？ 79. 【⭐⭐】Loop 的「可治理性」如何实现？ 80. 【⭐⭐】Loop 的「长期运行」会带来哪些新问题？

第三部分：实战篇（81-100题）

模块八：经典场景与案例（81-90题）

81. 【⭐⭐】设计一个「代码修复 Loop」------当 CI 失败时，Agent 自动修复并重新提交 82. 【⭐⭐】设计一个「代码审查 Loop」------Agent 自动审查 PR 并给出修改建议 83. 【⭐⭐】设计一个「数据分析 Loop」------Agent 自动完成数据提取、分析和可视化 84. 【⭐⭐】设计一个「文档同步 Loop」------当代码变更时，自动更新相关文档 85. 【⭐⭐】设计一个「安全扫描 Loop」------定期扫描代码仓库的安全漏洞 86. 【⭐⭐】设计一个「性能基准测试 Loop」------自动跑 Benchmark 并追踪性能变化 87. 【⭐⭐】设计一个「知识库更新 Loop」------从对话和文档中提取知识并更新知识库 88. 【⭐⭐】设计一个「多项目并行 Loop」------同时管理多个项目的自动化任务 89. 【⭐⭐】设计一个「测试用例生成 Loop」------根据代码变更自动生成和更新测试用例 90. 【⭐⭐】设计一个「依赖更新 Loop」------自动检测并更新项目依赖

模块九：思路题与开放题（91-100题）

91. 【⭐⭐⭐】如果让你从零设计一个 Loop Engineering 系统，你的技术选型和架构是什么？ 92. 【⭐⭐⭐】Loop Engineering 的未来发展趋势是什么？ 93. 【⭐⭐⭐】Loop Engineering 可能带来哪些「副作用」？如何应对？ 94. 【⭐⭐⭐】Loop Engineering 和「Vibe Coding」是什么关系？ 95. 【⭐⭐⭐】Loop 适合所有任务吗？哪些任务不适合用 Loop？ 96. 【⭐⭐⭐】如何判断一个 Loop 是「好 Loop」还是「坏 Loop」？ 97. 【⭐⭐⭐】Loop Engineering 对工程师的能力要求有什么变化？ 98. 【⭐⭐⭐】Loop Engineering 是否会取代 Prompt Engineering？ 99. 【⭐⭐⭐】Loop Engineering 和「Agentic Engineering」是什么关系？ 100. 【⭐⭐⭐】如果 Loop 在凌晨 3 点跑了 47 轮输出了一堆问题代码，你怎么 Debug？

知识图谱 GraphRAG 面试高频题

第一部分：基础篇（1-40题）

模块一：知识图谱基础概念（1-15题）

1. 【⭐】什么是知识图谱？它和传统数据库（关系型、图数据库）有什么区别？

2. 【⭐】知识图谱的核心组成部分有哪些？

3. 【⭐】什么是RDF、SPARQL？什么是属性图（Property Graph）？两者有什么区别？

4. 【⭐】知识图谱的构建流程是什么？从非结构化文本如何构建？

5. 【⭐】知识图谱中常见的知识表示方式有哪些？简述TransE模型。

6. 【⭐】知识图谱如何更新？增量更新与全量更新各有什么优缺点？

7. 【⭐】什么是实体链接（Entity Linking）？有哪些常用方法？

8. 【⭐】什么是关系抽取？有监督、远程监督、少样本方法分别有什么特点？

9. 【⭐】知识图谱中的共指消解（Coreference Resolution）是什么？为什么重要？

10. 【⭐】什么是知识图谱的本体（Ontology）？请举例说明。

11. 【⭐】常见的图数据库有哪些？各自的适用场景是什么？

12. 【⭐】Cypher和Gremlin有什么区别？什么场景用哪个？

13. 【⭐】知识图谱的推理是什么？列举两种推理方法。

14. 【⭐】什么是知识图谱中的对齐（Entity Alignment）？有什么挑战？

15. 【⭐】知识图谱的质量如何评估？有哪些维度？

模块二：GraphRAG 核心概念（16-28题）

1. 【⭐】什么是GraphRAG？与传统RAG有什么区别？

2. 【⭐】GraphRAG的核心流程包括哪几个步骤？

3. 【⭐】为什么GraphRAG可以缓解大模型幻觉？

4. 【⭐】GraphRAG中，子图检索的常见方法有哪些？

5. 【⭐⭐】GraphRAG如何将检索到的子图输入给大模型？有哪几种表示方式？

6. 【⭐】GraphRAG在查询时如何处理多跳问题？请举例。

7. 【⭐】什么是GraphRAG中的"检索粒度"？通常检索节点、边还是子图？

8. 【⭐】GraphRAG如何处理动态更新的知识？与向量数据库RAG对比。

9. 【⭐】构建GraphRAG的知识图谱时，如何平衡细粒度与规模？

10. 【⭐】GraphRAG需要哪些预处理？相比向量RAG额外开销是什么？

11. 【⭐】GraphRAG适合哪些场景？不适合哪些？

12. 【⭐】什么是"基于知识图谱的检索增强"与"基于知识图谱的生成"区别？

13. 【⭐】简述微软提出的GraphRAG方案（见论文"From Local to Global"）。

模块三：GraphRAG 关键技术（29-40题）

1. 【⭐⭐】GraphRAG中如何做查询的实体识别和链接？与信息抽取有什么区别？

2. 【⭐⭐】如何设计GraphRAG的检索评分函数？多种信息如何融合？

3. 【⭐⭐】GraphRAG中，上下文窗口有限，如何压缩检索到的子图？

4. 【⭐⭐】GraphRAG如何处理查询中的隐式关系（如"影响""相关"）？

5. 【⭐⭐】GraphRAG中，图谱的存储选择（图数据库 vs 内存图）对性能有何影响？

6. 【⭐⭐】如何评估GraphRAG系统的效果？有哪些指标？

7. 【⭐⭐】GraphRAG如何利用图结构进行反事实推理或解释生成？

8. 【⭐⭐】GraphRAG中如何处理跨文档的实体共指？实体ID冲突怎么办？

9. 【⭐⭐】GraphRAG中，图谱的质量问题（缺失边、错误关系）如何影响最终答案？如何鲁棒处理？

10. 【⭐⭐】GraphRAG是否可以用大模型直接生成图查询（如Cypher）代替子图检索？优缺点？

11. 【⭐⭐】GraphRAG与传统基于符号推理的问答（如FAQ、逻辑编程）有何区别？

12. 【⭐】GraphRAG中，图谱的版本管理怎么做？比如知识更新的同时保持旧查询一致性？

第二部分：进阶篇（41-80题）

模块四：图谱索引与检索优化（41-55题）

1. 【⭐⭐】在大规模知识图谱（亿级节点）上，GraphRAG检索如何做到低延迟？

2. 【⭐⭐⭐】什么是图上的"近似最近邻检索"？如何用于GraphRAG？

3. 【⭐⭐】GraphRAG中如何设计图谱的索引结构？除了B树，图相关索引有哪些？

4. 【⭐⭐】如何利用图神经网络（GNN）提升GraphRAG的检索质量？

5. 【⭐⭐】GraphRAG中如何进行查询重写（Query Rewriting）来改善检索？

6. 【⭐⭐】冷启动问题：没有现成知识图谱，如何快速部署GraphRAG？

7. 【⭐⭐】GraphRAG中，如何处理数值范围查询（如"价格>100的商品"）？

8. 【⭐⭐】如何设计GraphRAG的缓存策略以提升重复查询性能？

9. 【⭐⭐】GraphRAG的检索复杂度如何度量？请给出典型的时间复杂度。

10. 【⭐⭐】GraphRAG与向量数据库RAG如何混合使用？有什么架构模式？

11. 【⭐⭐】GraphRAG中如何支持多模态知识（图像、视频）？

12. 【⭐⭐】GraphRAG如何与知识图谱的补全（KGC）相结合？

13. 【⭐⭐】GraphRAG中，不同LLM（小模型 vs 大模型）对最终效果影响大吗？

14. 【⭐⭐】评价一下"图RAG优于向量RAG"这一说法是否绝对？为什么？

15. 【⭐⭐】GraphRAG的"全局检索"如何实现？比如问"请总结所有关于环保政策的讨论"。

模块五：GraphRAG 与 LLM 协作（56-70题）

1. 【⭐⭐】GraphRAG中，Prompt应该如何设计以充分利用子图信息？

2. 【⭐⭐⭐】是否可以训练一个专门编码知识图谱的适配器（Adapter）插入LLM？

3. 【⭐⭐】GraphRAG中，LLM是否可以直接用来做图上的路径查找（如思考链）？

4. 【⭐⭐】GraphRAG的答案生成阶段，如何避免模型忽略图谱中的矛盾信息？

5. 【⭐⭐】如何利用LLM迭代式改进GraphRAG的检索？（主动学习）

6. 【⭐⭐】GraphRAG如何处理多语言知识图谱？查询语言可能与图谱语言不一致。

7. 【⭐⭐】什么是"图增强的LLM智能体"？与GraphRAG有何关系？

8. 【⭐⭐】GraphRAG中，如何让LLM生成带结构的答案（如表格、JSON）？

9. 【⭐⭐】GraphRAG如何与对话上下文结合，实现多轮对话？

10. 【⭐⭐】如何评估GraphRAG中LLM对子图的理解程度？能否自动测试？

11. 【⭐⭐】GraphRAG中，是否可以完全不用图数据库，只用LLM内部化存储知识？

12. 【⭐⭐】GraphRAG如何处理时序知识（如"2023年之前微软CEO是谁"）？

13. 【⭐⭐】GraphRAG在生产系统中，如何监控和调试检索失败？

14. 【⭐⭐】GraphRAG的隐私与安全：图谱包含敏感信息，如何控制访问权限？

15. 【⭐⭐⭐】你认为GraphRAG未来的发展方向有哪些？

模块六：GraphRAG 系统设计与工程挑战（71-80题）

1. 【⭐⭐】设计一个中型的GraphRAG系统，请画出架构图并说明各模块。

2. 【⭐⭐】GraphRAG在实时性要求高的场景（<100ms）下可行吗？如何做？

3. 【⭐⭐】GraphRAG中，如何解决LLM输出不遵循子图约束的问题？

4. 【⭐⭐】在分布式环境下，GraphRAG的图检索如何避免跨节点通信瓶颈？

5. 【⭐⭐】GraphRAG的CI/CD流程中，如何自动化测试图谱变更对问答效果的影响？

6. 【⭐⭐】GraphRAG中，如何处理用户输入中的不确定性（如"可能""大概"）？

7. 【⭐⭐】GraphRAG与"语义搜索"有何异同？

8. 【⭐⭐】GraphRAG中，如何处理循环关系（如A喜欢B，B喜欢A）？会对生成造成困扰吗？

9. 【⭐⭐】在资源受限（如嵌入式设备）上能否运行GraphRAG？如何简化？

10. 【⭐⭐】GraphRAG如何与基于规则的专家系统结合？

第三部分：实战篇（81-100题）

模块七：经典场景案例（81-95题）

1. 【⭐⭐】设计一个金融领域的GraphRAG系统，用于分析企业关联交易和风险传导。

2. 【⭐⭐】医疗问答场景：如何用GraphRAG回答"XX症状可能是什么疾病？需要做什么检查？"

3. 【⭐⭐】推荐系统场景：如何利用GraphRAG做可解释推荐？

4. 【⭐⭐】智能客服场景：如何处理产品故障排查的GraphRAG？

5. 【⭐⭐】代码库理解场景：用GraphRAG回答关于代码调用关系的问题。

6. 【⭐⭐】法律文书问答：构建法律知识图谱，GraphRAG回答"某条款与另一条款是否有冲突？"

7. 【⭐⭐】学术文献问答：GraphRAG如何帮助回答"这篇论文的方法受哪些之前工作影响？"

8. 【⭐⭐】电商客服：用户问"这个手机和那个手机有什么不同？"GraphRAG如何处理？

9. 【⭐⭐】旅游规划场景：用户问"从北京出发，想去西安和成都，有什么路线推荐？"

10. 【⭐⭐】企业知识库场景：GraphRAG如何回答"上次项目失败的复盘结论是什么？"

11. 【⭐⭐】社交媒体分析：如何利用GraphRAG识别虚假信息传播路径？

12. 【⭐⭐】物流调度：用GraphRAG回答"从仓库A到客户B的最优路径考虑实时交通？"

13. 【⭐⭐】游戏NPC对话：如何利用GraphRAG让NPC回答游戏世界观问题？

14. 【⭐⭐】工业制造：设备故障预测问答系统，GraphRAG如何集成传感器数据？

15. 【⭐⭐】教育领域：构建学科知识图谱，GraphRAG回答"勾股定理有哪些证明方法？"

模块八：开放思路与设计题（96-100题）

1. 【⭐⭐⭐】如果从零开始设计一个GraphRAG系统，要求支持千万级实体和百亿边，你会如何选型并说明架构？

2. 【⭐⭐⭐】假设有一个已经存在的向量RAG系统，如何渐进式地迁移到GraphRAG？

3. 【⭐⭐⭐】请提出一种衡量GraphRAG系统"可解释性"的定量指标。

4. 【⭐⭐⭐】GraphRAG如何抵抗对抗性查询，比如故意加入噪音实体误导检索？

5. 【⭐⭐⭐】如果LLM成本极高，如何优化GraphRAG使得对LLM调用次数最少但效果不下降？

目标检测与机器视觉 面试高频题

第一部分：基础篇（1-40题）

模块一：目标检测基础概念（1-15题）

1. 【⭐】什么是目标检测？它和图像分类、图像分割有什么区别？

2. 【⭐】目标检测中的边界框（Bounding Box）有哪些表示方式？

3. 【⭐】什么是交并比（IoU）？如何计算？有哪些改进变种？

4. 【⭐】非极大值抑制（NMS）的作用是什么？其原理是怎样的？

5. 【⭐】目标检测中常用的公开数据集有哪些？各自特点是什么？

6. 【⭐】什么是感受野（Receptive Field）？它对目标检测有什么影响？

7. 【⭐】图像金字塔和特征金字塔有什么区别？在目标检测中如何应用？

8. 【⭐】什么是锚框（Anchor Box）？为什么需要锚框？

9. 【⭐】正负样本不平衡问题在目标检测中如何解决？

10. 【⭐】目标检测中常用的数据增强方法有哪些？哪些对检测特别有效？

11. 【⭐】什么是迁移学习？在目标检测中如何使用预训练模型？

12. 【⭐】One-stage和Two-stage目标检测算法的主要区别是什么？各有哪些优缺点？

13. 【⭐】什么是ROI Pooling？它和ROI Align有什么区别？

14. 【⭐】FPN（特征金字塔网络）的核心思想是什么？它如何解决多尺度检测问题？

15. 【⭐】空洞卷积（Dilated Convolution）的作用是什么？在目标检测中有哪些应用？

模块二：传统目标检测方法（16-25题）

1. 【⭐】传统目标检测（深度学习之前）的基本流程是什么？

2. 【⭐】HOG特征是如何计算的？它有哪些优缺点？

3. 【⭐】选择性搜索（Selective Search）是如何生成候选区域的？

4. 【⭐】DPM（Deformable Parts Model）模型的原理是什么？与HOG+SVM相比有何改进？

5. 【⭐】传统目标检测方法为什么被深度学习取代？

模块三：深度学习方法基础（26-40题）

1. 【⭐】R-CNN系列的发展脉络是怎样的？请简述R-CNN、Fast R-CNN、Faster R-CNN的核心改进。

2. 【⭐】YOLO系列的核心思想是什么？它如何实现实时检测？

3. 【⭐】SSD（Single Shot MultiBox Detector）的设计特点是什么？与YOLO有何不同？

4. 【⭐】RetinaNet中提出的Focal Loss是什么？它解决了什么问题？

5. 【⭐】什么是可变形卷积（Deformable Convolution）？在目标检测中有何优势？

6. 【⭐】Transformer在目标检测中如何应用？以DETR为例说明。

7. 【⭐】什么是多尺度训练（Multi-scale Training）？在目标检测中如何实现？

8. 【⭐】目标检测中常用的骨干网络（Backbone）有哪些？各自的特点？

9. 【⭐】什么是轻量化目标检测？常用的轻量检测网络有哪些？

10. 【⭐】目标检测中的分类和回归分支通常如何设计？能否共享卷积层？

11. 【⭐】什么是位置敏感得分图（Position-Sensitive Score Map）？在R-FCN中如何工作？

12. 【⭐】CornerNet是如何检测目标的？它有什么特点？

13. 【⭐】FCOS（Fully Convolutional One-Stage）的核心思想是什么？如何解决anchor-free中的多尺度问题？

14. 【⭐】YOLOv5相对于YOLOv3有哪些改进？

15. 【⭐】目标检测中的小目标检测为什么困难？有哪些专门优化方法？

16. 【⭐】什么是级联检测器（Cascade R-CNN）？它为何能提升精度？

17. 【⭐】如何解决目标检测中的类别不平衡问题（除了正负样本不平衡）？

18. 【⭐】目标检测中如何使用上下文信息？举例说明。

19. 【⭐】什么是模型量化？在目标检测中如何应用来加速推理？

20. 【⭐】NMS有哪些改进算法？请至少列举三个并说明原理。

第二部分：进阶篇（41-80题）

模块四：经典检测网络详解（41-60题）

1. 【⭐⭐】Faster R-CNN中的RPN是如何训练的？正负样本如何定义？

2. 【⭐⭐】Mask R-CNN在Faster R-CNN基础上做了哪些改进？它如何同时完成实例分割？

3. 【⭐⭐】YOLOv4中的CSPNet、Mish激活函数、PANet分别起什么作用？

4. 【⭐⭐】什么是自适应注意力（Adaptive Attention）在DETR中的作用？

5. 【⭐⭐】Swin Transformer如何用于目标检测？相比CNN backbone有何优势？

6. 【⭐⭐】CenterNet中目标检测是如何表示为点的？如何处理重叠框？

7. 【⭐⭐】检测模型中的IoU预测分支（如IoU-Net）有什么用？

8. 【⭐⭐】什么是特征重标定（Feature Recalibration）？SE模块在检测中如何应用？

9. 【⭐⭐】检测中常用的归一化方法有BatchNorm、LayerNorm、GroupNorm，它们各适用于什么场景？

10. 【⭐⭐】什么是知识蒸馏？如何在目标检测中应用？

11. 【⭐⭐】检测模型训练时，学习率策略通常有哪些？Warmup的作用是什么？

12. 【⭐⭐】目标检测中的标签分配（Label Assignment）方法有哪些？为什么动态分配更好？

13. 【⭐⭐】什么是端到端目标检测？为何主流检测器仍需要NMS？如何实现真正的端到端？

14. 【⭐⭐】如何在检测网络中处理旋转目标（如遥感图像、文本检测）？

15. 【⭐⭐】如何评价目标检测模型的推理速度？常用指标有哪些？

16. 【⭐⭐】什么是TPU、NPU？目标检测模型如何在这些硬件上优化？

17. 【⭐⭐】在视频目标检测中，如何利用时序信息提升性能？

18. 【⭐⭐】什么是弱监督目标检测？它与全监督的区别以及典型方法？

19. 【⭐⭐】检测中的注意力机制通常加在哪里？有哪些常见变体？

20. 【⭐⭐】如何评价检测模型在真实场景中的泛化能力？有哪些测试基准？

模块五：损失函数与优化（61-70题）

1. 【⭐⭐】Smooth L1 Loss相比L2 Loss有什么优点？为什么检测回归常用它？

2. 【⭐⭐】GIoU Loss、DIoU Loss、CIoU Loss依次解决了什么问题？

3. 【⭐⭐】目标检测中如何设计针对小目标的损失函数？

4. 【⭐⭐】Focal Loss中的γ和α如何影响训练？如何调参？

5. 【⭐⭐】什么是辅助损失（Auxiliary Loss）？在检测中有哪些应用？

6. 【⭐⭐】在训练两阶段检测器时，如何解决ROI分类和回归的不一致性？

7. 【⭐⭐】检测中的损失函数是否可以完全不需要边界框回归？如何实现？

8. 【⭐⭐】如何平衡多个损失项（分类、回归、掩码等）的权重？

9. 【⭐⭐】目标检测中的OHEM（Online Hard Example Mining）原理是什么？与Focal Loss相比有何异同？

10. 【⭐⭐】什么是感知损失（Perceptual Loss）？在目标检测中可能用在哪里？

模块六：评估指标与数据集（71-80题）

1. 【⭐】COCO评估指标中的AP、AP50、AP75、APS、APM、APL分别代表什么？

2. 【⭐】mAP的计算流程是怎样的？为什么需要计算PR曲线下的面积？

3. 【⭐】检测中为什么有时候mAP高但实际效果并不好？可能的原因有哪些？

4. 【⭐】目标检测数据集的标注质量如何影响模型训练？有哪些方法清洗标签？

5. 【⭐】KITTI数据集用于目标检测的特点是什么？评价指标有哪些？

6. 【⭐】如何构建一个自定义目标检测数据集？需要注意哪些问题？

7. 【⭐】目标检测中常见的数据集划分策略有哪些？如何避免数据泄露？

8. 【⭐】在COCO数据集中，评估指标AP@0.5:0.95相比VOC mAP@0.5有什么优势？

9. 【⭐】VisDrone数据集的特点和挑战是什么？

10. 【⭐】如何评估目标检测模型在实际部署中的内存和功耗？

第三部分：实战篇（81-100题）

模块七：工程实践与优化（81-90题）

1. 【⭐⭐】训练一个目标检测模型时，你如何判断是欠拟合还是过拟合？如何应对？

2. 【⭐⭐】你的检测模型在训练集上mAP很高，但在验证集上很低，可能的原因及解决方案？

3. 【⭐⭐】在实时检测系统中，如何平衡精度和速度？列举具体策略。

4. 【⭐⭐】检测模型部署到移动端（Android/iOS）时，常见的问题和解决方案有哪些？

5. 【⭐⭐】如何实现检测模型的增量学习？例如增加新类别而不遗忘旧类别？

6. 【⭐⭐】检测模型的测试时增强（TTA）有哪些常见方法？效果如何？

7. 【⭐⭐】在目标检测系统中，如何设计和评估一个难例挖掘（Hard Mining）策略？

8. 【⭐⭐】检测模型中的多任务学习：分类和回归分支如何避免负迁移？

9. 【⭐⭐】如何对检测模型进行可解释性分析？比如为什么某个目标被漏检？

10. 【⭐⭐】在自动化标注或半监督目标检测中，如何利用伪标签？

模块八：前沿趋势与开放题（91-100题）

1. 【⭐⭐⭐】请比较DETR、YOLOv8和RT-DETR，谈谈你对实时Transformer检测器前景的看法。

2. 【⭐⭐⭐】谈谈你对通用目标检测（General Object Detection）和特定领域检测（如遥感、医疗）差异的理解，以及如何迁移？

3. 【⭐⭐⭐】未来三年目标检测领域可能有哪些突破方向？

4. 【⭐⭐⭐】如何设计一个高精度且快速的工业缺陷检测系统？请给出架构思路。

5. 【⭐⭐⭐】在低算力设备（如树莓派）上检测多类别物体，你会如何优化？

6. 【⭐⭐⭐】你是如何看待目标检测与SLAM、3D视觉结合的？有什么实际应用？

7. 【⭐⭐⭐】目前目标检测是否存在"饱和"现象？你觉得哪些问题还未解决？

8. 【⭐⭐⭐】如果你要去参加Kaggle目标检测竞赛，你会怎么规划你的方案？

9. 【⭐⭐⭐】你能设计一个无需标注的零样本目标检测方法吗？简述思路。

10. 【⭐⭐⭐】请深入谈谈目标检测中模型参数初始化的重要性，以及如何选择合适的初始化方法。

【由于篇幅原因，后面内容 请直接访问 https://github.com/km1994/AIGC-Interview-Book 查看】

• 三十七、大模型------ Qwen3 篇 :fire:

  • Qwen3-RL训练过程详解

• 三十六、大模型------ 上下文工程 Context Engineering 篇 :fire:

• 三十五、大模型------ MCP 百问百搭 篇 :fire:

• 三十二、大模型------DeepSeek-R1 百问百搭 篇 :fire:

• 十九、LLMs 对比篇 :fire:

  • 从 DeepSeek-V3 到 Kimi K2：八种现代大语言模型架构设计:fire:

  • LLMs 对比篇

  • LLMs 对比篇

  • 百川智能baichuan7B、13B、53B、baichuan2 总结篇

  • LLaMa 篇

  • GPT 经验篇

• 十七、大模型（LLMs）加速篇 :fire:

  • beam search及其变种

  • Continuous Batching 与 Selective Batching 实现

  • 大模型(LLM)部署框架对比篇

  • 大模型（LLMs）推理加速篇

  • 大模型（LLMs）加速篇

  • LLMs 推理性能面

  • LLM（大语言模型）部署加速方法------PagedAttention篇

  • 大模型推理加速工具 ------ vLLM

  • LLM（大语言模型）部署加速方法------Faster Transformer篇

  • 纯Python超轻量高性能LLM推理框架 ------ LightLLM

  • LLM推理技术之StreamingLLM：如何拥有无限长生成能力

  • SwiftInfer ------ 大模型无限流式输入推理飙升46%，打破多轮对话长度限制

• 二十九、大模型推理加速------KV Cache篇 :fire:

• 一、大模型（LLMs）基础面

  • 大模型（LLMs）基础面

  • Layer normalization 篇

  • LLMs 激活函数篇

  • Attention 升级面

  • transformers 操作篇

  • LLMs 损失函数篇

  • 相似度函数篇

• 二、大模型（LLMs）进阶面

• 三、大模型（LLMs）微调面

  • 大模型（LLMs）微调面

  • 大模型 SFT Trick 篇

  • 大模型（LLMs）训练经验帖

• 四、大模型（LLMs）langchain 面

  • 大模型（LLMs）langchain 面

  • 多轮对话中让AI保持长期记忆的8种优化方式篇

  • 基于langchain RAG问答应用实战

• 五、大模型（LLMs）RAG 检索增强生成面

  • 5.1 大模型（LLMs）RAG 入门篇

    • 基于LLM+向量库的文档对话 经验面

    • RAG（Retrieval-Augmented Generation）面

    • 5.2 大模型（LLMs）RAG 版面分析篇

  • 大模型（LLMs）RAG ------ pdf解析关键问题

  • 大模型（LLMs）RAG 版面分析------表格识别方法篇

  • 大模型（LLMs）RAG 版面分析------文本分块面

  • 5.3 大模型（LLMs）RAG 检索策略篇

    • 大模型外挂知识库优化------如何利用大模型辅助召回？

    • 大模型外挂知识库优化------负样本样本挖掘篇

  • 5.4 大模型（LLMs）RAG 评测篇

    • RAG（Retrieval-Augmented Generation）评测面

  • 5.5 大模型（LLMs）RAG 优化策略篇

    • 检索增强生成(RAG) 优化策略篇

    • RAG 关键痛点及对应解决方案

    • 大模型（LLMs）RAG 优化策略 ------ RAG-Fusion篇

  • 5.6 大模型（LLMs）Graph RAG篇

    • Graph RAG（Retrieval-Augmented Generation） 面 ------ 一种 基于知识图谱的大模型检索增强实现策略

• 六、大模型（LLMs）参数高效微调(PEFT) 面

  • 大模型（LLMs）参数高效微调(PEFT) 面

  • 配器微调（Adapter-tuning）篇

  • 提示学习（Prompting）

  • LoRA 系列篇

  • 如何使用 PEFT库 中 LoRA？

  • 大模型 SFT 方式对比篇

• 七、大模型（LLMs）推理面

  • 大模型（LLMs）推理面

• 八、大模型（LLMs）增量预训练篇

  • 从0到1：揭秘LLM预训练前的海量数据清洗全流程 :fire:

  • 大模型（LLMs）增量预训练篇

  • 增量预训练（Pretrain）样本拼接篇

  • 增量预训练（Pretrain）样本拼接篇

  • 基于lora的llama2二次预训练

• 九、大模型（LLMs）评测面

• 十、大模型（LLMs）强化学习面

  • 大模型（LLMs）强化学习面

  • 大模型（LLMs）强化学习------RLHF及其变种面

  • 大模型（LLMs）强化学习------ PPO 面

  • RLHF平替算法DPO篇

  • reward 篇

  • 强化学习在自然语言处理下的应用篇

• 十一、大模型（LLMs）训练集面

  • 大模型（LLMs）训练集面

  • 大模型（LLMs）LLM生成SFT数据方法面

• 十二、大模型（LLMs）显存问题面

  • 大模型（LLMs）显存问题面

  • 大模型（LLMs）显存优化策略篇

• 十三、大模型（LLMs）分布式训练面

  • 大模型（LLMs）分布式训练面

  • 图解分布式训练（一） ------ 流水线并行（Pipeline Parallelism）面

  • 图解分布式训练（二） ------ nn.DataParallel面

  • 图解分布式训练（三） ------ nn.parallel.DistributedDataParallel

  • 图解分布式训练（四） ------ torch.multiprocessing 详细解析

  • 图解分布式训练（五） ------ AMP混合精度训练 详细解析

  • 图解分布式训练（六） ------ Pytorch的 DeepSpeed 详细解析

  • 图解分布式训练（七）------ accelerate 分布式训练 详细解析

  • 图解分布式训练（八）------ ZeRO 学习

  • 大模型分布式训练故障恢复篇

  • 图解分布式训练（九）------ Megatron-LM 篇

  • 分布式训练 Trick 汇总篇

  • pytorch 分布式计算 坑/bug 梳理篇

• 十四、大模型（LLMs）agent 面 :fire:

  • 大模型（LLMs）agent 面

  • 函数调用 Function Call 篇

• 十五、LLMs 位置编码篇

• 十六、LLMs Tokenizer 篇

  • LLMs Tokenizer 篇

  • 怎么让英文大语言模型支持中文？（一） ------ 构建中文tokenization

  • 怎么让英文大语言模型支持中文？（二） ------ 继续预训练篇

  • 怎么让英文大语言模型支持中文？（三） ------ 对预训练模型进行指令微调

• 十八、大模型幻觉（LLM Hallucination）面

  • 大模型幻觉（LLM Hallucination）面

  • 大模型的幻觉问题篇

  • 如何缓解大模型幻觉？

• 二十、思维链 Chain-of-Thought（COT）篇

  • 思维链 Chain-of-Thought（COT）篇

  • 思维链 Chain-of-Thought（COT）变体篇

  • 小样本提示学习篇

• 二十一、LLMs 测试集 中 数据泄露 问题篇

• 二十二、MOE（Mixture-of-Experts）篇 :fire:

  • 22.1 MOE（Mixture-of-Experts）篇

  • 22.2 MOE大模型对比篇

  • 22.3 MoE 大模型负载均衡策略演进的回顾

• 二十三、大模型蒸馏篇 :fire:

  • 大模型知识蒸馏技术方法（DeepSeek， Llama 4 & Gemma 3中使用的技术）

  • 大模型蒸馏篇

  • LLMs 浮点数篇

  • 自定义 CUDA 函数的轻量级包装器 ------ bitsandbytes篇

• 二十四、大模型（LLMs）软硬件配置面

• 二十五、Token及模型参数准备篇

• 二十六、多模态常见面试篇

  • 多模态常见面试篇

• 二十七、NLP常见面试篇

  • NLP Trick 篇

  • 文本分类常见面试篇

  • 文本摘要常见面试篇

  • 命名实体识别常见面试篇

  • 向量检索常见面试篇

• 二十八、其他常见面试篇

  • LLMs 其他 Trick

• 三十、大模型------角色扮演大模型篇

  • 大模型------角色扮演大模型篇

• 三十四、大模型------Kimi1.5 篇 :fire:

• 三十三、大模型------推理大模型面 :fire:

• 三十一、大模型------Chat o1 篇 :fire: