AI Agent 智能体面试题续写清单

来源：用户提供的完整新增题单，原始题号与 P 级别保持不变。此文件记录发布进度，供新会话接着执行。

当前进度

• 博客章节原有精选题：Q1–Q6。
• Q1–Q143 已全部发布，题单已完成。
• 每题要求：原创、通俗但深入的面试回答与原理拆解；按用户要求优先用 gpt-image-2.5 生成解释图，复杂题按理解需要增加图片；若当前工具不能确认模型 ID，不得声称已使用指定版本。生成后确认图片存在，再写文章引用。
• 检查本文件、章节首页 featured_questions、对应文章与图片文件，避免重复发布或覆盖已有内容。
• Q7–Q143 保留用户给出的完整顺序；部分主题相近但问题侧重点不同，续写时应显式解释差异。
• 后续写作先读AI Agent 面试题写作规范：面向零基础读者，专门解释新术语与代码变量，展开原理与边界，禁止模板化标题。配图再读仓库的 xiaolin-explainer-diagrams skill。
• Q7–Q9 已按上述写作规范重写正文并保留配图；Q7、Q8 的示例代码已分别验证正常输出，Q8 另验证了资料不足转人工路径。后续每题的正文与配图以对应文章及资源文件为准。

本轮图片记录

Q7–Q9 的六张配图已按新图解规范重做，并通过 Codex 内置 imagegen 单独生成、人工查看；右下角带“不吃辣的Chris”文字水印。内置工具未暴露模型版本参数，因此无法从工具结果核实具体模型 ID。

后续配图规范：先读仓库 skill xiaolin-explainer-diagrams。借鉴小林 Coding 技术笔记“一图讲清一个关系”的方法，明确主阅读方向、标签与箭头，复杂机制拆图；不要把场景、路牌和多条路径塞在一张图里。个人形象样例只能作画风参考，不要直接放入文章：短黑发、简洁圆润五官、手绘轮廓、米色外套可用于原创小讲解者。人物只辅助说明动作，不能取代机制实体。右下角必须有准确水印；不复制样例衣服上的品牌标志。精确的扩展流程继续由文章中的 Mermaid、代码和文字承担。

题目	图片	最终提示词要点
Q7	/interview-notes/04-agent/assets/q07-langchain-story.webp	检索器找政策、工具查订单，两类证据按需交给模型综合。
Q7	/interview-notes/04-agent/assets/q07-lcel-agent-story.webp	两栏对比：LCEL 顺序预先确定，Agent 运行时选择。
Q8	/interview-notes/04-agent/assets/q08-langgraph-journey.webp	唯一条件回环：资料不全回到查询，齐全进入生成建议。
Q8	/interview-notes/04-agent/assets/q08-checkpoint-story.webp	两格动作图：给 State 笔记标记执行位置，恢复时从同一标记处继续。
Q9	/interview-notes/04-agent/assets/q09-prompt-before-after-story.webp	一张输入契约写明任务目标、参考依据、处理边界、输出格式。
Q9	/interview-notes/04-agent/assets/q09-prompt-eval-loop-story.webp	样例测试 → 定位失败 → 修改 Prompt → 复测。

完整题单

• Q7 · P1 · LangChain 核心组件详解
• Q8 · P0 · 什么是 LangGraph？它与 LangChain 有什么区别？
• Q9 · P0 · 什么是 Prompt 工程？有哪些常用技巧？
• Q10 · P0 · 什么是 CoT？请解释思维链提示的原理和适用场景？
• Q11 · P0 · 什么是 Self-Consistency？它相比 CoT 解决了什么问题？
• Q12 · P0 · 什么是 Tree of Thoughts？它和 CoT 的区别是什么？
• Q13 · P1 · LangSmith 是什么？如何用于 LLM 可观测性监控？
• Q14 · P1 · DeepSeek-R1 是什么？推理模型和普通模型有什么本质区别？
• Q15 · P1 · 没有强化学习经验，如何快速入手 AI 智能体开发？
• Q16 · P0 · 如何用 Spring AI 实现联网搜索工具？
• Q17 · P1 · 分层智能体架构是什么？怎么设计？
• Q18 · P1 · Spring AI 中如何实现工具调用（Tool Calling）？
• Q19 · P0 · 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？
• Q20 · P0 · 什么是 CoT 思维链？如何实现 CoT 思维链？
• Q21 · P1 · 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？
• Q22 · P0 · 什么是 AI Agent？它和传统 AI 应用的区别是什么？
• Q23 · P1 · Token 和上下文窗口是什么？它们在工程上意味着什么？
• Q24 · P1 · 大模型应用上线前你最关心哪些工程指标？
• Q25 · P1 · System Message 和 User Message 应该怎么分工？
• Q26 · P1 · 结构化输出有哪些常见做法？各自的优缺点是什么？
• Q27 · P0 · 如何做 Prompt 版本管理与回归？
• Q28 · P1 · 文本切块应该怎么设计？有哪些常见坑？
• Q29 · P1 · RAG 效果不好时，你会怎么排查？
• Q30 · P1 · 混合检索、重排序和查询改写分别解决什么问题？
• Q31 · P1 · RAG 应该如何接入 Agent 执行链路？
• Q32 · P0 · 为什么企业项目里的 RAG 必须重视权限、版本和引用？
• Q33 · P0 · 什么是 Lost in the Middle？它对 RAG 设计有什么启示？
• Q34 · P1 · 有了超长上下文模型，还需要 RAG 吗？
• Q35 · P0 · 什么是 Agentic RAG？它和"一次检索后直接生成"有什么区别？
• Q36 · P0 · 什么是 HNSW？它和暴力检索有什么区别？
• Q37 · P1 · 混合检索的稠密 + 稀疏融合策略有哪些？
• Q38 · P1 · 工具描述（Tool Description）应该怎么写？
• Q39 · P1 · 工具调用失败时，Agent 应该怎么处理？
• Q40 · P1 · 多个工具如何选择？如何防止选错工具或循环调用？
• Q41 · P0 · 如何实现工具的并行调用？什么时候该串行？
• Q42 · P1 · Agent 与 Workflow 中工具调用的差异是什么？
• Q43 · P1 · 工具调用的安全性与沙箱隔离怎么做？
• Q44 · P1 · Function Calling 和 Tool Calling 有什么区别？
• Q45 · P1 · 工具返回的结果太大时，Agent 怎么处理？
• Q46 · P1 · LangChain 的链式调用（Chain）和 LCEL 是什么关系？
• Q47 · P1 · LangGraph 解决了什么问题？和 LangChain 的区别是什么？
• Q48 · P1 · LCEL 的 | 管道符背后是什么原理？
• Q49 · P1 · LangGraph 的 State、Node、Edge 各自职责是什么？
• Q50 · P1 · LangGraph 中的持久化与 Checkpointer 是什么？
• Q51 · P0 · 如何在 LangGraph 中实现条件分支和循环？
• Q52 · P0 · 如何设计 LangChain 到 LangGraph 的迁移路径？
• Q53 · P1 · 你会如何设计一个 AI 应用的记忆系统？
• Q54 · P1 · 短期、中期、长期记忆各自适合什么场景？
• Q55 · P1 · 超长多轮对话如何兼顾不断档和节省 Token？
• Q56 · P0 · 什么是 MCP？它解决的核心问题是什么？
• Q57 · P1 · MCP 和 Function Calling 的关系是什么？
• Q58 · P1 · MCP 技术协议的主体内容是什么？
• Q59 · P1 · MCP 服务器开发流程是什么？
• Q60 · P1 · Agent 应该如何接入 MCP 工具？
• Q61 · P1 · A2A 和 MCP 的区别是什么？什么时候需要多智能体？
• Q62 · P1 · MCP 的流式 HTTP 传输核心优势是什么？
• Q63 · P1 · MCP 调用如何保证并发？
• Q64 · P1 · Coze / Dify 这类平台和 LangChain / LangGraph 的关系怎么理解？
• Q65 · P1 · 各类 Agent 开发框架应该如何选取？
• Q66 · P1 · 什么时候工作流比 Agent 更合适？
• Q67 · P1 · 开源 RAG 平台比如 RAGFlow，应该如何选型？
• Q68 · P1 · 你会如何评估一个 RAG 或 Agent 系统的效果？
• Q69 · P1 · 多用户场景下，如何为 Agent 做安全沙箱隔离？
• Q70 · P0 · 如何确保 Agent 的行为安全、可控且符合人类意图？
• Q71 · P1 · Agent 链路耗时很长时，如何定位性能瓶颈？
• Q72 · P1 · 意图识别 / 任务路由应该怎么做？
• Q73 · P1 · 你会怎么做大模型应用的可观测性？
• Q74 · P1 · 控制大模型应用成本，你会优先从哪些层面下手？
• Q75 · P1 · 模型路由应该怎么做？
• Q76 · P1 · 如果让你设计一个 NL2SQL Agent，你会重点控制哪些风险？
• Q77 · P1 · 如果让你设计一个客服智能体，你会优先考虑哪些能力？
• Q78 · P0 · 如何设计 Agent 的完成判断与终止条件，避免过早结束？
• Q79 · P1 · Code Agent 怎么设计？
• Q80 · P1 · Deep Research 系统和普通 RAG 有什么不同？
• Q81 · P0 · 如何设计一个 Deep Research 系统？
• Q82 · P0 · 如何设计 Python 代码解释器？
• Q83 · P0 · 如何设计类 Manus 通用智能体？
• Q84 · P0 · 如何开发浏览器自动化 Agent？
• Q85 · P1 · 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？
• Q86 · P1 · Cursor、Claude Code、Copilot 这类 AI 编码工具的差异该怎么理解？
• Q87 · P0 · 什么是 AI Agent？与大模型有什么本质不同？
• Q88 · P1 · AI Agent 的主流设计模式有哪些？
• Q89 · P1 · 反射模式（Reflection Pattern）
• Q90 · P1 · 工具使用模式（Tool Use Pattern）
• Q91 · P1 · ReAct 模式（Reason and Act）
• Q92 · P1 · 规划模式（Planning Pattern）
• Q93 · P1 · 多智能体模式（Multi-Agent Pattern）
• Q94 · P1 · AI Agent 和 AI Workflow 的区别在哪里？
• Q95 · P1 · 上下文长度与规划缺陷
• Q96 · P1 · 当前 AI Agent 有哪些主流的评价指标？
• Q97 · P1 · 任务成功率（Task Completion Rate）
• Q98 · P1 · 工具调用准确率（Tool Usage Accuracy）
• Q99 · P1 · 用户满意度（User Satisfaction）
• Q100 · P0 · 什么是 AI Agent 中的 Function Call？
• Q101 · P1 · AI Agent 中 Function Call 和 MCP 的区别是什么？
• Q102 · P1 · AI Agent 中 A2A 和 MCP 的区别是什么？
• Q103 · P1 · System Prompt 在 AI Agent 内部是如何工作的？
• Q104 · P0 · 什么是上下文工程（Context Engineering）？
• Q105 · P0 · 什么是 DeepSearch？它和 RAG 有什么区别？
• Q106 · P1 · AI Agent 如何实现长期记忆能力？
• Q107 · P1 · AI Agent 的记忆机制有哪些作用和原理？
• Q108 · P1 · AI Agent 的记忆机制和 RAG 有什么区别？
• Q109 · P1 · AI Agent 的 Memory 子记忆类型有哪些？
• Q110 · P1 · AI Agent 记忆机制的核心组件和流程是什么？
• Q111 · P1 · AI Agent 长期记忆的主流数据库有哪些？
• Q112 · P1 · Memory 机制的核心设计目标是什么？解决了哪些痛点？
• Q113 · P0 · 如何实现跨 Agent 的记忆复用？
• Q114 · P1 · AI Agent 上下文窗口溢出如何解决？
• Q115 · P1 · AI Agent 的 Skills 机制是什么？有什么作用？
• Q116 · P1 · AI Agent 开发有哪些主流框架？各自有什么特点？
• Q117 · P1 · AI Agent 中 Agents、Teams、Workflows 的区别是什么？
• Q118 · P0 · 什么是 AgentOS？它的核心概念是什么？
• Q119 · P1 · AI Agent 如何实现子 Agent 的动态加载？
• Q120 · P1 · AI Agent 中的 AgentOS 概念及核心功能是什么？（进阶）
• Q121 · P1 · 描述一下 ReAct 模型在解决一个实际问题时的完整动态过程？
• Q122 · P0 · 什么是 Plan-and-Solve Prompting（PS）技术的核心思想及其要解决的主要问题？
• Q123 · P1 · PS+ 在基础 PS 版本上做了哪些重要改进？这些改进如何具体提升性能？
• Q124 · P1 · 从错误分析来看，PS 方法对语义理解错误的改善不明显，可能的原因是什么？有什么改进思路？
• Q125 · P1 · 在 LLM 的推理阶段，有哪些常见的解码策略？请解释 Greedy Search, Beam Search, Top-K Sampling 和 Nucleus Sampling (Top-P) 的原理和优缺点。
• Q126 · P1 · L1 和 L2 正则化分别是什么，什么场景适合使用呢？
• Q127 · P1 · "涌现能力"是大型模型中一个备受关注的现象，请问你如何理解这个概念？它通常在模型规模达到什么程度时出现？
• Q128 · P1 · 在训练一个百或千亿参数级别的 LLM 时，你会面临哪些主要的工程和算法挑战？（例如：显存、通信、训练不稳定性等）
• Q129 · P1 · 显存瓶颈：单卡无法容纳模型
• Q130 · P1 · 显存优化技术
• Q131 · P1 · 容错与长期训练
• Q132 · P0 · 什么是 AI Agent？它和传统的 LLM 有什么区别？
• Q133 · P0 · 什么是 Plan-and-Execute 模式？它和 ReAct 有什么区别？
• Q134 · P1 · LangChain 和 LlamaIndex 在 Agent 开发中的作用是什么？
• Q135 · P1 · Agent 如何与外部环境交互？环境接口设计有哪些要点？
• Q136 · P0 · 如何评估大语言模型的性能？有哪些评估指标？
• Q137 · P0 · 什么是 MMLU？如何解读 MMLU 分数？
• Q138 · P0 · 如何设计一个模型评估的 A/B 测试？
• Q139 · P0 · 什么是 GSM8K？如何评估数学推理能力？
• Q140 · P1 · 大模型的 Scaling Law 会持续有效吗？
• Q141 · P0 · 如何看待 AI Agent 的未来发展？
• Q142 · P1 · 大模型的训练数据如何处理？
• Q143 · P1 · 大模型的 Prompt 设计有哪些技巧？