http://124.222.218.203/ 不吃辣的Chris的 AI 实践站：GitHub 项目精选 + Agent 面试专题，聚焦 RAG 与 Agent。 zh-CN Sun, 02 Aug 2026 03:40:03 GMT http://124.222.218.203/llm-interview/ http://124.222.218.203/llm-interview/ Sun, 02 Aug 2026 03:40:03 GMT 不吃辣的 Chris 聚焦 RAG 与 Agent 的 Agent 面试专题，覆盖检索链路、召回优化、工具调用、MCP 与多智能体协作。 http://124.222.218.203/github/ http://124.222.218.203/github/ Sun, 02 Aug 2026 03:40:03 GMT 不吃辣的 Chris 精选高质量 GitHub 开源项目，按 AI 应用、Agent、RAG、本地模型等方向分类，帮助你快速发现值得学习和实践的项目。 http://124.222.218.203/llm-interview/04-agent/q-13-ai http://124.222.218.203/llm-interview/04-agent/q-13-ai Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-43-agent http://124.222.218.203/llm-interview/04-agent/q-43-agent Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-52 http://124.222.218.203/llm-interview/04-agent/q-52 Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-56-mcp http://124.222.218.203/llm-interview/04-agent/q-56-mcp Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-60-mcp http://124.222.218.203/llm-interview/04-agent/q-60-mcp Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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）。 http://124.222.218.203/llm-interview/04-agent/q-64-agent http://124.222.218.203/llm-interview/04-agent/q-64-agent Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-67-agent http://124.222.218.203/llm-interview/04-agent/q-67-agent Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-86-ai-agent http://124.222.218.203/llm-interview/04-agent/q-86-ai-agent Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-87-reflection-pattern http://124.222.218.203/llm-interview/04-agent/q-87-reflection-pattern Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-88-tool-use-pattern http://124.222.218.203/llm-interview/04-agent/q-88-tool-use-pattern Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-89-react http://124.222.218.203/llm-interview/04-agent/q-89-react Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-90-planning-pattern http://124.222.218.203/llm-interview/04-agent/q-90-planning-pattern Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-91-multi-agent-pattern http://124.222.218.203/llm-interview/04-agent/q-91-multi-agent-pattern Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-93 http://124.222.218.203/llm-interview/04-agent/q-93 Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-94-ai-agent http://124.222.218.203/llm-interview/04-agent/q-94-ai-agent Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-95-task-completion-rate http://124.222.218.203/llm-interview/04-agent/q-95-task-completion-rate Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-96-tool-usage-accuracy http://124.222.218.203/llm-interview/04-agent/q-96-tool-usage-accuracy Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-97-user-satisfaction http://124.222.218.203/llm-interview/04-agent/q-97-user-satisfaction Tue, 05 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/02-rag/ http://124.222.218.203/llm-interview/02-rag/ Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris RAG 检索增强生成章节页。 http://124.222.218.203/llm-interview/04-agent/ http://124.222.218.203/llm-interview/04-agent/ Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris AI Agent 智能体面试精讲 · 聚焦 Agent 概念、工具调用、MCP、LangGraph、记忆、评测、多智能体与典型 Agent 系统设计。 http://124.222.218.203/llm-interview/04-agent/langchain-core-concepts http://124.222.218.203/llm-interview/04-agent/langchain-core-concepts Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/mcp-protocol http://124.222.218.203/llm-interview/04-agent/mcp-protocol Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-100-ai-agent http://124.222.218.203/llm-interview/04-agent/q-100-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-101-system-prompt http://124.222.218.203/llm-interview/04-agent/q-101-system-prompt Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 这道题考的是你对 LLM 无状态性的理解。 http://124.222.218.203/llm-interview/04-agent/q-102-context-engineering http://124.222.218.203/llm-interview/04-agent/q-102-context-engineering Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-103-deepsearch http://124.222.218.203/llm-interview/04-agent/q-103-deepsearch Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-104-ai-agent http://124.222.218.203/llm-interview/04-agent/q-104-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 这道题考查的是你对 Agent 记忆工程的系统性认知。 http://124.222.218.203/llm-interview/04-agent/q-105-ai-agent http://124.222.218.203/llm-interview/04-agent/q-105-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-106-ai-agent http://124.222.218.203/llm-interview/04-agent/q-106-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-107-ai-agent http://124.222.218.203/llm-interview/04-agent/q-107-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-108-ai-agent http://124.222.218.203/llm-interview/04-agent/q-108-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-109-ai-agent http://124.222.218.203/llm-interview/04-agent/q-109-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-110-memory http://124.222.218.203/llm-interview/04-agent/q-110-memory Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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）。 http://124.222.218.203/llm-interview/04-agent/q-111-agent http://124.222.218.203/llm-interview/04-agent/q-111-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-112-ai-agent http://124.222.218.203/llm-interview/04-agent/q-112-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 这道题考查你对上下文工程的系统性认知，不能只答一招。 http://124.222.218.203/llm-interview/04-agent/q-113-ai-agent http://124.222.218.203/llm-interview/04-agent/q-113-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-114-ai-agent http://124.222.218.203/llm-interview/04-agent/q-114-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 这道题考查的是你对 Agent 生态的系统性了解，不只是背名字。 http://124.222.218.203/llm-interview/04-agent/q-115-ai-agent http://124.222.218.203/llm-interview/04-agent/q-115-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 三者的本质区别在执行控制权归谁： http://124.222.218.203/llm-interview/04-agent/q-116-agentos http://124.222.218.203/llm-interview/04-agent/q-116-agentos Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-117-ai-agent http://124.222.218.203/llm-interview/04-agent/q-117-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。 http://124.222.218.203/llm-interview/04-agent/q-118-ai-agent http://124.222.218.203/llm-interview/04-agent/q-118-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 这道题是 Q25 的工程深化版，考查你对 AgentOS 的实现细节理解。 http://124.222.218.203/llm-interview/04-agent/q-119-react http://124.222.218.203/llm-interview/04-agent/q-119-react Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 好，这道题的关键不是背流程，而是理解「每一步 Thought 在做什么」。 http://124.222.218.203/llm-interview/04-agent/q-130-ai-agent http://124.222.218.203/llm-interview/04-agent/q-130-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 好，这道题要深入理解 Agent 的本质和架构。 http://124.222.218.203/llm-interview/04-agent/q-131-plan-and-execute http://124.222.218.203/llm-interview/04-agent/q-131-plan-and-execute Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris | 特性 | ReAct | Plan-and-Execute | http://124.222.218.203/llm-interview/04-agent/q-132-langchain http://124.222.218.203/llm-interview/04-agent/q-132-langchain Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 好，这道题要对比两大框架在 Agent 开发中的角色。 http://124.222.218.203/llm-interview/04-agent/q-133-agent http://124.222.218.203/llm-interview/04-agent/q-133-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 好，这道题要理解 Agent-环境交互的设计原则。 http://124.222.218.203/llm-interview/04-agent/q-139-ai-agent http://124.222.218.203/llm-interview/04-agent/q-139-ai-agent Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 1. 当前：单轮工具调用（ReAct） http://124.222.218.203/llm-interview/04-agent/q-14-spring-ai http://124.222.218.203/llm-interview/04-agent/q-14-spring-ai Fri, 01 May 2026 00:00:00 GMT 不吃辣的 Chris 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。