本文整理了作者在秋招面试AI Agent相关岗位时收集的各类技术面试题，涵盖了整体架构、执行模式、上下文工程、RAG、评测体系以及生产运维等多个核心维度，为求职者提供了全面的备考参考。
整体架构问题
这部分主要考察候选人对Agent项目宏观设计的理解，包括整体架构的组成以及主流开源框架的设计思路。
- 请描述Agent项目的整体架构。
- 请简述Claude Code的三层记忆架构。
- 你是否了解DeepSeek Harness？请分享它的整体设计思路。
- 一个完整的Harness系统至少应包含哪些核心组成部分？
ReAct模式问题
该部分聚焦于Agent的任务执行逻辑，重点考察不同执行模式的差异以及如何解决执行过程中遇到的路径重复等问题。 - 请对比Agent中Plan-and-Execute模式与ReAct模式的区别。
- 如何解决ReAct模式中出现的死循环和路径重复问题？
- Agent在执行任务时出现路径反复、重复尝试等现象，可能的原因是什么？有哪些优化方案？
Context工程问题
上下文管理是Agent开发中的关键环节，相关问题主要考察如何处理超长上下文、信息压缩以及工具调用带来的上下文膨胀等挑战。 - 面对Agent上下文越来越长的问题，有哪些应对策略？
- 在进行上下文压缩时，通常会保留哪些关键信息？如何判断哪些内容可以被丢弃？
- 如何避免在上下文压缩后，模型遗忘用户之前提出的重要需求？
- 在真实系统中，上下文压缩对Prefix Cache的影响有多大？具体能减少多少Token消耗量？
- 如何检测上下文压缩的实际效果？
- 如果系统中的Skill或MCP非常多，全部放入上下文占用了过多空间，有什么解决办法？
RAG部分问题
RAG（检索增强生成）是Agent获取外部知识的重要手段，相关问题深入考察了召回原理、优化手段、切分策略以及重排序等技术细节。 - 请简述BM25召回的基本原理。
- 什么是准确率和召回率？分别有哪些常用的检测方法？
- 在Text2SQL等场景中，针对行业黑话和专业术语，如何解决召回不准确的问题？
- 想要提升RAG的召回率，通常有哪些技术手段？
- RAG离线阶段的Chunk切分方式主要有哪些？各自有什么优势？
- 如果文档需要频繁更新，向量库应该如何进行设计和选型？
- 请简述ReRank的原理，以及它为什么能够优化Chunk的排序。
- 请写出RRF算法的公式，并说明K值一般如何设置。
评测体系问题
完善的评测体系是保障Agent系统质量的关键，相关问题考察了如何设计严谨的评测流程、构造高质量的数据集以及处理离线与线上体验的差异。 - 请描述一个完整严谨的评测流程应该如何设计。
- 在一次评测中，需要记录哪些关键信息？你需要重点关注哪些指标？
- 每一次系统迭代都需要进行完整的评测吗？如果希望建立更敏捷的评测流程，应该如何进行改造？
- 如果离线评测的效果很好，但到了生产环境用户反馈体验不佳，应该怎么处理？
- 评测数据集应该如何构造？需要重点关注哪些方面？
生产部分问题
生产环境的运维与排查能力是高级Agent工程师的必备技能，相关问题主要考察线上系统的监控指标、Badcase分析以及高并发应对策略。 - 如果线上的RAG系统准确率大幅下降，你会如何排查问题？
- 在运行线上Agent系统时，你会关注哪些核心指标？
- Agent系统一次运行的Trace会记录哪些关键信息？
- 如果线上出现了Badcase，你会如何进行分析？可以举一个你遇到过的例子。
- 如果Agent系统面临极高的请求量，达到了模型并发的上限，你会怎么处理？
这些面试题涵盖了Agent开发的核心环节，你想了解其中某道题的具体参考答案，或者想知道如何搭建一个AI Agent吗？