一、基础概念类
Q1：什么是 AI Agent？它和直接调用 LLM 有什么区别？
答： AI Agent 是以 LLM 为大脑，具备感知-决策-执行闭环的自主系统。核心区别三点：
- 直接调LLM：单轮问答，给输入出输出就结束，没有主动性
- AI Agent ：能自主规划任务步骤、调用外部工具、根据反馈动态调整、多轮迭代直到完成目标
- 一句话：LLM 是"一个聪明的问答器"，Agent 是"会用工具干活的员工"
Q2：Agent 的核心组成要素是什么？
答： 四大件：
- 大脑（LLM）：推理、决策
- 记忆（Memory）：短期对话历史 + 长期知识存储
- 工具（Tools）：函数调用、API、搜索、代码执行
- 规划（Planning）：任务分解、反思、纠错
Q3：ReAct 模式是什么？
答： Reasoning + Acting，让 LLM 交替进行"思考（Thought）→ 行动（Action）→ 观察（Observation）"循环：
- 先想一步该干什么
- 调用工具执行
- 看工具返回结果
- 再根据结果决定下一步
- 直到任务完成
这是最经典的 Agent 框架，几乎所有 Agent 系统都基于这个模式变种。
二、架构与规划类
Q4：ReAct 和 Plan-and-Execute 有什么区别？
答：
| 模式 | 思路 | 优缺点 |
|---|---|---|
| ReAct | 走一步看一步，边想边做 | 灵活但容易跑偏、绕远路 |
| Plan-and-Execute | 先全局规划出完整步骤，再逐步执行 | 更有条理，但计划容易过时 |
实际工程中常用混合模式：先粗规划，执行中动态修正。
Q5：什么是 Reflection（反思）机制？为什么需要？
答： Agent 执行完一步后，回头检查自己做对了没有，发现错误就自我纠正。
- 解决 LLM "一条路走到黑"的问题
- 典型实现：让 Agent 对自己的输出做 critic（评审），不合格就重做
- 代价：多一轮 LLM 调用，慢但准确率高
Q6：Multi-Agent 系统有哪些典型协作模式？
答：
- 主管-工人模式：一个主 Agent 拆任务，分给多个子 Agent 执行，汇总结果
- 流水线模式：A Agent 输出给 B，B 输出给 C，像工厂流水线
- 辩论/讨论模式：多个 Agent 互相辩论，最后收敛答案
- 竞争模式：多个 Agent 独立做同一件事，选最好的
你做的 Subagent 就是典型的主管-工人模式。
三、工具调用类
Q7：Function Calling 的原理是什么？
答：
- 你告诉 LLM 有哪些工具可用（函数名、参数描述）
- LLM 判断需要调用工具时，不直接生成最终回答，而是输出一个结构化的函数调用请求（JSON）
- 你的代码解析这个 JSON，真正执行函数
- 把函数返回结果再喂给 LLM
- LLM 根据结果生成最终回答
Q8：MCP（Model Context Protocol）是什么？解决了什么问题？
答： MCP 是 Anthropic 提出的标准化工具接入协议。
- 解决的痛点：之前每个 Agent 框架接工具都要写一套定制代码，工具和框架紧耦合
- MCP 的思路 ：工具方按照 MCP 标准写一个 server，任何支持 MCP 的 Agent 都能直接接入，一次开发到处用
- 类比：USB 接口统一了外设，MCP 统一了 AI 工具
Q9：工具调用失败了怎么办？工程上怎么处理？
答：
- 重试机制：网络抖动/超时 → 自动重试 N 次
- 参数纠错：LLM 传错参数 → 把错误信息喂回去让它自己改
- 降级方案：这个工具不行，换个备选工具
- 人工介入：实在搞不定，停下来问用户
- 记录日志：哪一步失败了、为什么，方便调试
四、记忆与上下文类
Q10：Agent 的记忆系统分哪几层？
答：
- 短期记忆：当前对话的上下文（存在窗口里），有长度限制
- 长期记忆：持久化存储（向量数据库/数据库），需要时检索回来
- 工作记忆：当前任务的中间状态（比如"我已经查过A了，接下来查B"）
Q11：上下文窗口不够用了怎么办？
答： 几种工程手段：
- 截断/压缩：把早期对话总结压缩成摘要
- RAG 检索：不把全部历史塞进去，需要什么检索什么
- 分层记忆：重要信息存长期记忆，短期窗口只放当前任务相关的
- 子任务隔离：把复杂任务拆成子 Agent，每个子 Agent 用独立上下文，互不干扰
Q12：RAG 在 Agent 里是怎么用的？
答：
- 把文档切片 → 向量化 → 存向量库
- 用户提问时 → 把问题也向量化 → 检索最相关的几段
- 把检索到的内容塞进 prompt 里 → LLM 基于这些资料回答
- Agent 场景下，RAG 是一种"工具"：Agent 自己决定什么时候该去查资料
五、工程实践类（结合你做 WorkBuddy 的经验）
Q13：你怎么设计一个 Skill/Subagent？要考虑哪些问题？
答：
- 边界清晰：这个 Skill 只干一件事，不要什么都包
- 输入输出明确：参数是什么、返回什么、错误情况怎么处理
- 触发条件：什么时候该用这个 Skill，什么时候不该用
- 失败兜底：调用失败了怎么办，有没有备选方案
- 可观测：日志、调试信息要够，出问题能定位
Q14：怎么评估一个 Agent 好不好用？
答：
- 任务成功率：能不能独立把任务做完
- 完成路径效率：绕了多少弯路、调了多少次工具、烧了多少 token
- 错误恢复能力：遇到报错能不能自己改，还是直接崩
- 人工介入率：10 个任务里有几个需要人插手
- 用户满意度：实际用的人觉得好不好
Q15：Agent 幻觉和跑偏怎么控制？
答：
- 强约束输出格式：要求 JSON Schema 校验，不合法就重试
- 工具返回强校验：工具返回的数据必须检查，不相信 LLM 的"脑补"
- 关键节点人工确认：写文件、删数据、发消息这种危险操作，先问用户
- 限制工具权限范围：Agent 能调用什么工具提前定死，不给它乱来的机会
六、开放/项目经验题
Q16：你做过最复杂的 Agent 项目是什么？怎么设计的？
答： （结合你自己的经历说，比如 WorkBuddy 自定义模型接入、Skill-mini 集成）
- 背景：要解决什么问题
- 架构：主 Agent + 几个子 Agent，各自职责
- 难点：上下文管理、工具调用可靠性、多轮对话不跑偏
- 结果：效果怎么样、踩过什么坑
Q17：为什么很多人说"AI Agent 看起来很美，落地很难"？
答：
- 幻觉：LLM 一本正经胡说八道，工程上要层层校验
- 成本：多轮调用 + 工具调用 + 反思，token 消耗是普通问答的 5-10 倍
- 可靠性：演示效果好，真实场景动不动就跑偏
- 边界模糊：什么该让 Agent 做、什么不该，很难划清楚