AI Agent面试题怎么准备？重点是可控地完成任务

AI Agent是什么？

ReAct论文探索了推理与行动交错的方式：模型根据观察更新计划并调用外部环境。实际系统不必暴露或保存模型内部推理文本，重点是能记录可审计的输入、工具选择、参数、结果和状态变化。

工作流和Agent有什么区别？

面试中的成熟回答不是“Agent一定更先进”，而是说明什么时候固定工作流已经足够。高频、规则清楚、风险高的流程通常应尽量确定；只有任务路径难以预先枚举、收益足以覆盖风险时，再增加自主决策。

一个可落地Agent有哪些组件？

1. 任务入口：解析目标、约束、截止条件和用户权限。
2. 模型与策略：决定下一步、生成结构化工具参数或请求澄清。
3. 工具层：用清晰schema定义输入输出，执行检索、查询或外部动作。
4. 状态：保存当前任务、已完成步骤、工具结果和错误，不等同于把全部对话无限累积。
5. 控制器：限制循环次数、预算、超时、重试与终止条件。
6. 安全边界：鉴权、最小权限、参数校验、人工确认和审计。
7. 可观测性：记录每一步耗时、错误、模型版本、工具调用和最终结果。

LangGraph官方文档用状态、节点和边描述有状态工作流，并强调持久化、人工介入和调试能力。这是一种实现思路，不是Agent的通用定义，也不是所有项目必须选择的框架。

工具调用怎样保证安全？

模型输出的工具名称和参数都应视为不可信输入。系统必须在执行层重新鉴权、校验参数、限制资源范围。读取天气与删除数据的风险完全不同，工具权限不应共享一套默认策略。

• 只暴露完成任务必需的工具和字段。
• 读操作与写操作分离，敏感写操作要求明确确认。
• 使用幂等键避免超时重试造成重复扣款、重复发信或重复写入。
• 对URL、文件路径、数据库条件和命令参数使用白名单与结构化校验。
• 工具返回内容也可能包含提示注入，不能自动提升为系统指令。
• 记录谁在什么上下文授权了哪次操作，并提供撤销或补偿路径。

安全边界：自然语言约束不能替代服务端权限。NIST的生成式AI与Agent安全资料强调持续风险管理；涉及资金、账号、隐私或外部消息时，应默认采用最小权限和人工确认。

状态、记忆和上下文有什么区别？

持久化不是越多越好。应定义每类数据的用途、保留时间、访问权限和删除方式。恢复时还要判断上一步是否已经产生外部副作用，不能简单从失败节点重复执行。

Agent卡住或反复调用工具怎样排查？

Agent如何评测？

最终答案分数不足以解释Agent系统。评测应覆盖任务成功率、步骤效率、工具选择、参数正确性、恢复能力、安全违规、延迟和成本。对有外部动作的任务，还应在沙箱中检查副作用是否符合预期。

1. 建立正常、歧义、工具失败、权限不足和恶意输入用例。
2. 定义完成、部分完成、拒绝和人工接管的判定规则。
3. 检查轨迹，但不要要求模型输出私有思维过程；关注可观测动作与状态。
4. 按模型、工具和流程版本保存回归结果。
5. 上线后监控循环次数、失败节点、重试和人工接管率。

如果系统主要依赖知识检索，应同时使用RAG评测方法；如果问题来自基础模型能力，则回到大模型评测维度。

常见问题

多Agent一定比单Agent好吗？

不一定。多Agent增加角色隔离和并行可能性，也增加通信、状态、延迟和错误归因成本。只有任务天然可分且单体边界已经清楚时才值得评估。

Agent为什么需要人工介入？

当信息不足、动作不可逆、风险超出阈值或策略冲突时，人工确认是正常控制机制，不是系统失败。

怎样避免无限循环？

设置明确终止状态、最大步骤、时间和费用预算；识别重复状态；失败后选择降级、澄清或人工接管。

没有Agent项目经验怎么回答？

区分亲自做过与理论设计。可以基于真实工作流说明如何加入模型决策、工具约束和评测，但不要声称不存在的线上结果。