Appearance
02 · AI Agent 智能体
章节定位 聚焦 Agent 工程主线：概念、工具调用、MCP、框架、记忆、评测与多智能体 当前收录 100 题，已删除明显属于通用 LLM / 训练 / 推理 / 纯 RAG 的串章题 预计阅读 可按模块分批阅读 配图 单题平均 2~4 张 mermaid 图 + 1 张章节全景大图
阅读方式
本章节支持两种阅读形态：
- 沉浸式合集（本页）— 章节封面 + 全景大图 + 题目导览，整体把握
- 单题深度（点链接）— 每题独立页含元信息卡、TL;DR、图解、详解、踩坑、追问延伸
建议先读前 6 题搭主线，再按工具调用、MCP、记忆、多智能体这些模块往后读。
本章学习重点
Agent 面试题容易被答成概念堆砌，本章重点不是背名词，而是建立一条工程主线：为什么需要 Agent → 如何调用工具 → 如何处理失败 → 如何接入工具生态 → 如何用框架落地。
读完本章，你应该能把 Agent 从“会聊天的模型”讲成“能感知、规划、调用工具、处理异常的应用系统”。
Agent 全景知识图谱
下图是 Agent 完整能力体系，所有题目都能在这张图上找到位置。建议先看图建立全局心智模型，再展开具体题目。
本章题目导览
本章题目导览
以下列表按题号自动排序；后续新增题目或中途插题会自动出现在正确位置。
Q1P012 min
什么是大模型 Agent？它与传统 AI 系统有什么不同？
大模型 Agent 是能自主完成复杂目标的 AI 系统，与传统 AI 的核心差异在于「自主性 + 行动力 + 闭环」三大能力，而非简单的工具调用包装。
agentintroautonomytool-use
Q2P010 min
什么是工具调用（Tool Calling / Function Calling）？
Function Calling 是大模型输出结构化 JSON 调用请求的机制，本质是「模型决策 + 代码执行」的两轮对话闭环，是 Agent 实现行动力的基础。
tool-callingfunction-callingjson-schemaparallel-call
Q3P09 min
Agent 在工具调用过程中如何处理错误和重试？
Agent 工具错误处理分三层——瞬态错误指数退避自动重试、详细错误反馈给 LLM 让其重新规划、兜底保护防死循环——核心是让 LLM 自主决策而非硬编码错误处理。
error-handlingretryrobustnessagent-loop
Q4P08 min
什么是 MCP（Model Context Protocol）？
MCP 是 Anthropic 2024 年推出的「AI 应用与外部能力之间的 USB-C 标准」，把 N×M 集成爆炸压缩到 N+M，覆盖 Tools/Resources/Prompts 三类上下文，是 Agent 工具生态的统一协议。
mcpprotocoltool-discoveryjson-rpc
Q5P09 min
什么是 LangChain？LangChain 包含哪些核心概念？
LangChain 是 LLM 应用的「操作系统」，提供 Models/Prompts/Chains/Memory/Retrievers/Agents 六大模块和 LCEL 管道符语法，核心价值是标准化接口、组件化、生态集成。
langchainlcelchainmemory
Q6P014 min
什么是 LangGraph？它与 LangChain 有什么区别？
相比 LangChain 的线性 Chain，LangGraph 的核心优势：
framework
Q7P18 min
没有强化学习经验，如何快速入手 AI 智能体开发？
现代 LLM Agent 主要靠 Prompt Engineering + Tool Calling 实现，不需要经典强化学习。零 RL 基础也能两周上手 Agent 开发。
agentlearning-pathbeginnerrl
Q8P05 min
如何用 Spring AI 实现联网搜索工具？
用 @Tool 注解声明联网搜索工具，Spring AI 自动处理工具调用的 JSON Schema 生成和结果回传。工具描述要写清楚「什么时候调用」，否则 LLM 不知道什么场景该用这个工具。
framework
Q9P15 min
分层智能体架构是什么？怎么设计？
单 Agent 处理复杂任务有上下文污染和注意力分散的问题，分层 Agent 是更好的方案。
agentarchitecture
Q10P111 min
Spring AI 中如何实现工具调用（Tool Calling）？
Spring AI 的工具调用机制比原生 Function Calling 更工程化。下面把完整实现讲清楚。
tool-useframework
Q11P014 min
什么是 ReAct？如何基于 ReAct 模式构建具备自主规划能力的 AI 智能体？
ReAct 是最经典的智能体架构模式，下面把原理和实现讲清楚。
agent
Q12P117 min
在 AI 智能体项目中，你如何解决 Agent Loop 可能出现的死循环问题？
死循环是 Agent 系统的经典问题，下面把完整的防护机制讲清楚。
agent
Q13P06 min
什么是 AI Agent？它和传统 AI 应用的区别是什么？
好吧，这个问题确实是概念重灾区。下面我把 Agent 的本质讲清楚。
agent
Q14P15 min
RAG 应该如何接入 Agent 执行链路？
|------|------|---------|
ragagent
Q15P05 min
什么是 Agentic RAG？它和"一次检索后直接生成"有什么区别？
| | 传统 RAG | Agentic RAG |
ragagent
Q16P15 min
工具描述（Tool Description）应该怎么写？
工具描述是模型判断"要不要调、调哪个"的唯一依据。
tool-use
Q17P15 min
工具调用失败时，Agent 应该怎么处理？
| 错误分类 | 可重试（网络超时、限流）vs 不可重试（参数错误、权限不足） |
agenttool-use
Q18P15 min
多个工具如何选择？如何防止选错工具或循环调用？
1. 描述清晰：功能边界明确，区分相似工具
llm
Q19P05 min
如何实现工具的并行调用？什么时候该串行？
|------|------|------|
llm
Q20P15 min
Agent 与 Workflow 中工具调用的差异是什么？
| 维度 | Workflow | Agent |
agenttool-use
Q21P15 min
工具调用的安全性与沙箱隔离怎么做？
| 应用层 | 白名单工具、schema 校验、参数过滤 |
tool-usesafety
Q22P15 min
Function Calling 和 Tool Calling 有什么区别？
|------|------|------|
tool-use
Q23P18 min
工具返回的结果太大时，Agent 怎么处理？
Agent 面对海量返回数据时的处理策略，包括摘要、分块、结构化提取、分页、二次查询等技术手段。
agenttool-usecontext-managementdata-processing
Q24P16 min
LangChain 的链式调用（Chain）和 LCEL 是什么关系？
| 对比项 | 老 Chain API | LCEL |
framework
Q25P15 min
LangGraph 解决了什么问题？和 LangChain 的区别是什么？
1. 循环能力：支持复杂循环（ReAct、规划-执行-反思）
framework
Q26P15 min
LCEL 的 `|` 管道符背后是什么原理？
1. or 重载：每个组件（Prompt、LLM、Parser）都继承 Runnable，重载 | 操作符
llm
Q27P15 min
LangGraph 的 State、Node、Edge 各自职责是什么？
|------|------|------|
framework
Q28P15 min
LangGraph 中的持久化与 Checkpointer 是什么？
1. 自动保存：每个 step 后自动 checkpoint
framework
Q29P07 min
如何在 LangGraph 中实现条件分支和循环？
workflow.addconditionaledges(
framework
Q30P06 min
如何设计 LangChain 到 LangGraph 的迁移路径？
|------|------|------|
framework
Q31P15 min
你会如何设计一个 AI 应用的记忆系统？
| 层级 | 内容 | 存储 | 保留时间 |
memory
Q32P18 min
短期、中期、长期记忆各自适合什么场景？
Agent 记忆系统分层设计：短期记忆保精确约束，中期记忆保任务状态，长期记忆保用户画像与知识积累。
agentmemorycontextarchitecture
Q33P15 min
超长多轮对话如何兼顾不断档和节省 Token？
|------|------|------|
llm
Q34P05 min
什么是 MCP？它解决的核心问题是什么？
| 概念 | 解决什么 | 与 MCP 关系 |
tool-useprotocol
Q35P15 min
MCP 和 Function Calling 的关系是什么？
|------|------|---------|
tool-useprotocol
Q36P18 min
MCP 技术协议的主体内容是什么？
MCP（Model Context Protocol）是 Anthropic 提出的开放协议，标准化 LLM 与外部工具、数据源的集成。核心包含四层架构：角色、能力、通信、传输。
mcpprotocoltool-usearchitecture
Q37P15 min
MCP 服务器开发流程是什么？
1. 明确能力边界：是 Tool、Resource 还是 Prompt？
tool-useprotocol
Q38P15 min
Agent 应该如何接入 MCP 工具？
1. 发现：查询 MCP Server 暴露的 Tools/Resources
agenttool-useprotocol
Q39P15 min
A2A 和 MCP 的区别是什么？什么时候需要多智能体？
|------|--------|---------|
agenttool-useprotocol
Q40P18 min
MCP 的流式 HTTP 传输核心优势是什么？
MCP 流式 HTTP 传输基于 SSE 协议，实现边产生边返回的实时通信，核心优势包括降低首包延迟、支持长任务进度回传、利于宿主控制（取消/超时/部分结果处理）。
mcpprotocolssestreaming
Q41P15 min
MCP 调用如何保证并发？
| 协议层 | 请求唯一标识（id），避免响应错配 |
tool-useprotocol
Q42P15 min
Coze / Dify 这类平台和 LangChain / LangGraph 的关系怎么理解？
|------|------|------|
framework
Q43P15 min
各类 Agent 开发框架应该如何选取？
| 快速原型、生态丰富 | LangChain |
agent
Q44P18 min
什么时候工作流比 Agent 更合适？
工作流适合固定流程、强可控、易审计的场景；Agent 适合开放任务、动态决策、路径不确定的场景。选型关键在于确定性与灵活性的权衡。
agentworkflowarchitecturedesign-pattern
Q45P15 min
你会如何评估一个 RAG 或 Agent 系统的效果？
|------|------|------|
ragagent
Q46P18 min
多用户场景下，如何为 Agent 做安全沙箱隔离？
多用户 Agent 安全沙箱三层隔离架构：环境层（容器/Docker）、系统层（seccomp/AppArmor）、应用层（权限白名单）。MCP 协议权限检查 + 沙箱环境隔离双层防护。
agentsecuritysandboxmulti-tenant
Q47P05 min
如何确保 Agent 的行为安全、可控且符合人类意图？
| 模型与提示层 | System Message 明确角色、边界、安全规则、拒答策略 |
agentsafety
Q48P15 min
Agent 链路耗时很长时，如何定位性能瓶颈？
| 模型层 | 单次推理时长、首 token 延迟、输出长度 |
agent
Q49P15 min
如果让你设计一个 NL2SQL Agent，你会重点控制哪些风险？
| Schema注入 | 按问题裁剪schema，schema linking |
agent
Q50P15 min
如果让你设计一个客服智能体，你会优先考虑哪些能力？
| 意图识别 | FAQ、订单查询、退款流程、工单流转、情绪安抚 |
agent
Q51P05 min
如何设计 Agent 的完成判断与终止条件，避免过早结束？
| 任务层 | 是否达成用户目标，是否拿到必须产物 |
agent
Q52P15 min
Code Agent 怎么设计？
| 任务理解 | 判断是读代码、改bug、补测试、重构 |
agent
Q53P15 min
Deep Research 系统和普通 RAG 有什么不同？
| 维度 | 普通 RAG | Deep Research |
rag
Q54P05 min
如何设计一个 Deep Research 系统？
| 查询规划器 | 把复杂问题拆成子问题 |
llm
Q55P05 min
如何设计 Python 代码解释器？
| 代码生成 | 模型把需求转成 Python 代码 |
llm
Q56P05 min
如何设计类 Manus 通用智能体？
| 任务理解与规划 | 把目标拆成可执行步骤 |
agent
Q57P05 min
如何开发浏览器自动化 Agent？
| 页面感知 | 拿到 DOM、截图、可交互元素 |
agent
Q58P15 min
当 Agent 需要在真实或模拟环境中执行任务时，它和纯软件工具型 Agent 有什么本质区别？
| 维度 | 软件工具型 Agent | 真实/模拟环境 Agent |
agent
Q59P07 min
什么是 AI Agent？与大模型有什么本质不同？
被问懵了吧。其实答好这道题，抓住两个词就行：自主闭环。
agent
Q60P18 min
AI Agent 的主流设计模式有哪些？
AI Agent 五种主流设计模式：反射模式、工具使用模式、ReAct 模式、规划模式、多智能体模式。复杂度递进演化，实际产品通常为多种模式组合。
agentdesign-patternsarchitecture
Q61P18 min
反射模式（Reflection Pattern）
Agent 完成输出后回头自检、发现问题再迭代的增强回路，突破单次推理上限的核心设计模式。
agentreflectionself-correctiondesign-pattern
Q62P18 min
工具使用模式（Tool Use Pattern）
让 LLM 调用外部工具获取实时信息、执行操作的基础能力，解决知识冻结和不能行动两大核心局限。
agenttool-usefunction-callingmcp
Q63P18 min
ReAct 模式（Reason and Act）
将推理思考与工具行动结合的循环模式，Agent 通过「思考-行动-观察」闭环处理复杂任务的标准架构。
agentreactreasoningtool-use
Q64P18 min
规划模式（Planning Pattern）
先制定全局行动计划再执行的策略模式，将复杂任务拆分为子任务后逐个击破，处理长周期多步骤任务的标准架构。
agentplanningtask-decompositiondesign-pattern
Q65P110 min
多智能体模式（Multi-Agent Pattern）
多智能体模式是 AI Agent 五种设计模式中最复杂的层级，通过多个专属角色的子 Agent 协同工作处理超复杂任务。核心架构包括主从式、对等式、流水线式三种协作拓扑。
agentmulti-agentarchitecturecollaboration
Q66P15 min
AI Agent 和 AI Workflow 的区别在哪里？
这道题考的是你对两种架构模式的工程判断力，不只是说概念。
agent
Q67P18 min
上下文长度与规划缺陷
Agent 执行长任务时的核心瓶颈：上下文窗口有限导致历史信息丢失，引发规划失效。解决方案包括外部状态存储、历史摘要、结构化 Prompt、分阶段执行。
agentcontext-windowmemorylong-horizon
Q68P18 min
当前 AI Agent 有哪些主流的评价指标？
AI Agent 评估体系四大维度：任务成功率、工具调用准确率、推理质量、用户满意度。采用过程+结果双维度评估，用过程指标诊断问题，用结果指标评估价值。
agentevaluationmetricsquality-assurance
Q69P18 min
任务成功率（Task Completion Rate）
评估 Agent 完成用户请求能力的核心结果指标，需从完整率、层级化、轨迹精确度、长周期稳定性四个维度综合衡量。
agentevaluationmetricstask-completion
Q70P18 min
工具调用准确率（Tool Usage Accuracy）
评估 Agent 工具使用能力的核心过程指标，从工具选择、参数填写、调用时机三个维度衡量 Agent 与外部系统交互的准确性。
agentevaluationmetricstool-use
Q71P18 min
用户满意度（User Satisfaction）
用户满意度是 Agent 评估的终极目标，但需结合过程指标进行双维度评估。包括显式反馈（点赞/评分）和隐式信号（重试/放弃/转人工），用过程指标诊断问题，用满意度评估整体效果。
agentevaluationuser-experiencemetrics
Q72P010 min
什么是 AI Agent 中的 Function Call？
这道题的核心就一句话：模型是大脑，代码是手脚，两者职责严格分离。
agent
Q73P15 min
AI Agent 中 Function Call 和 MCP 的区别是什么？
Function Call 和 MCP 解决的是不同层次的问题，不是替代关系，而是层叠关系：
agenttool-useprotocol
Q74P15 min
AI Agent 中 A2A 和 MCP 的区别是什么？
这道题是典型的「能不能把两个相关概念说清楚关系」的考察。
agenttool-useprotocol
Q75P17 min
System Prompt 在 AI Agent 内部是如何工作的？
这道题考的是你对 LLM 无状态性的理解。
agentprompt
Q76P06 min
什么是上下文工程（Context Engineering）？
这是 2025 年 AI 工程领域最热门的概念之一，Andrej Karpathy 等人明确提出，值得深入理解。
llm
Q77P05 min
什么是 DeepSearch？它和 RAG 有什么区别？
DeepSearch 是一种「迭代搜索-阅读-推理」循环，专门用于回答需要多步信息整合的复杂问题。它和 RAG 的本质区别在于：RAG 是单次检索 + 生成，DeepSearch 是多轮动态搜索 + 边搜边推理，更像一个在自主「做研究」的 Agent，而不是一个「查资料」的工具。
rag
Q78P15 min
AI Agent 如何实现长期记忆能力？
这道题考查的是你对 Agent 记忆工程的系统性认知。
agentmemory
Q79P15 min
AI Agent 的记忆机制有哪些作用和原理？
AI Agent 的记忆机制本质上是在解决「LLM 天生失忆」的根本缺陷。LLM 本身完全无状态——每次调用结束，什么都不记得。记忆机制通过结构化地存储、索引和动态检索信息，让 Agent 能「跨会话记住」用户偏好、任务历史和领域知识，从而实现真正意义上的长期智能协作。
agentmemory
Q80P15 min
AI Agent 的记忆机制和 RAG 有什么区别？
记忆机制和 RAG 都用向量检索，但服务于完全不同的目的：RAG 是知识增强，解决「模型不知道这个领域知识」的问题；记忆机制是个性化和状态持续，解决「Agent 不记得这个用户/任务的历史」的问题。前者是外挂知识库，后者是个人档案。
ragagentmemory
Q81P15 min
AI Agent 的 Memory 子记忆类型有哪些？
成熟的 Agent 记忆机制通常把记忆细分为四类：Personal Memory（个人记忆）、Task Memory（任务记忆）、Tool Memory（工具记忆）、Working Memory（工作记忆）。每种记忆服务于不同维度的「记住什么」，四者合力才构成完整的 Agent 记忆体系。
agentmemory
Q82P15 min
AI Agent 记忆机制的核心组件和流程是什么？
完整的 Agent 记忆机制至少包含八个核心组件：存储、检索、优化、管理、用户隔离、异步支持、AI 驱动、主题分类。单纯的「存 + 取」只是最基础的两个，缺少其他组件的记忆系统在生产环境里很快会遇到瓶颈。
agentmemory
Q83P15 min
AI Agent 长期记忆的主流数据库有哪些？
Agent 长期记忆通常需要四类数据库的组合，因为不同类型的记忆有截然不同的存储和检索需求：向量数据库管语义检索，关系型数据库管结构化精确查询，图数据库管实体关系，时序数据库管时间维度查询。
agentmemory
Q84P15 min
Memory 机制的核心设计目标是什么？解决了哪些痛点？
Memory 机制的核心设计目标是让 Agent 具备持续学习和个性化服务的能力——从无状态的「工具」变成有状态的「伙伴」。它主要解决三个痛点：身份识别割裂（每次对话都不认识你）、任务持续性缺失（长任务无法跨会话继续）、知识无法积累（每次都从零开始）。
memory
Q85P05 min
如何实现跨 Agent 的记忆复用？
跨 Agent 记忆复用的核心是建立统一的记忆服务层（Memory Service），所有 Agent 通过这个中心化服务读写记忆，而不是各自维护独立的记忆库。这个服务负责：统一存储格式、访问权限管理、记忆的归属和隔离。
agentmemory
Q86P16 min
AI Agent 上下文窗口溢出如何解决？
这道题考查你对上下文工程的系统性认知，不能只答一招。
agent
Q87P15 min
AI Agent 的 Skills 机制是什么？有什么作用？
Skills（技能）是 AI Agent 中的自包含知识与行为包，把某个特定领域的知识、操作步骤、最佳实践预先打包在一起，Agent 加载 Skill 就能立即具备该领域的专业能力，而不需要用户反复在 Prompt 里解释背景和规范。
agent
Q88P16 min
AI Agent 开发有哪些主流框架？各自有什么特点？
这道题考查的是你对 Agent 生态的系统性了解，不只是背名字。
agent
Q89P15 min
AI Agent 中 Agents、Teams、Workflows 的区别是什么？
三者的本质区别在执行控制权归谁：
agent
Q90P05 min
什么是 AgentOS？它的核心概念是什么？
AgentOS 是 AI Agent 系统的底层基础设施层，类比操作系统对应用程序的作用：提供资源管理、进程调度、权限控制、通信机制等基础能力，让上层 Agent 不需要自己解决这些底层问题。它的出现是因为随着 Agent 越来越复杂，反复造轮子的成本太高，需要一个标准化的底座。
agent
Q91P15 min
AI Agent 如何实现子 Agent 的动态加载？
子 Agent 的动态加载通过Agent 注册中心 + 按需实例化机制实现：主 Agent 维护一个子 Agent 的「目录」（注册中心），里面描述了每个子 Agent 的能力；主 Agent 根据当前任务的需要，从目录里找到最合适的子 Agent，动态创建实例并分配任务；任务完成后销毁实例，释放资源。
agent
Q92P16 min
AI Agent 中的 AgentOS 概念及核心功能是什么？（进阶）
这道题是 Q25 的工程深化版，考查你对 AgentOS 的实现细节理解。
agent
Q93P17 min
描述一下 ReAct 模型在解决一个实际问题时的完整动态过程？
好，这道题的关键不是背流程，而是理解「每一步 Thought 在做什么」。
llm
Q94P010 min
什么是 AI Agent？它和传统的 LLM 有什么区别？
好，这道题要深入理解 Agent 的本质和架构。
agent
Q95P011 min
什么是 Plan-and-Execute 模式？它和 ReAct 有什么区别？
| 特性 | ReAct | Plan-and-Execute |
llm
Q96P116 min
LangChain 和 LlamaIndex 在 Agent 开发中的作用是什么？
好，这道题要对比两大框架在 Agent 开发中的角色。
agentframework
Q97P115 min
Agent 如何与外部环境交互？环境接口设计有哪些要点？
好，这道题要理解 Agent-环境交互的设计原则。
agent
Q98P05 min
如何看待 AI Agent 的未来发展？
1. 当前：单轮工具调用（ReAct）
agent
Q99P111 min
Spring AI 工具调用与工具管理
Spring AI 的工具调用设计得很简洁：用 @Tool 和 @ToolParam 注解直接标记 Java 方法，框架自动帮你生成 JSON Schema，并且处理整个调用分发流程。
tool-useframework
Q100P119 min
LangChain 核心组件详解
LangChain 的核心组件我分几类来理解：
framework
反馈与勘误
发现错别字、技术错误、表达不清？欢迎反馈：
- GitHub Issue：提交问题
- 邮件勘误：xxx@example.com（待补充）
延伸阅读
如果你准备 AI 应用开发岗位，建议把本章和 RAG 章节 一起看：RAG 负责把知识链路讲清楚，Agent 负责把工具调用、MCP 和协作链路讲完整。