Agent 设计面试题

基础

参考答案：Agent 是由大模型决定执行步骤的系统：根据目标和当前观察，选择调用工具、获取结果、继续决策，直到完成。普通调用是单次输入输出；工作流是代码固定步骤、模型完成其中的环节。Agent 更灵活，但更难控制和评测。

追问：你的项目为什么用 Agent 而不是工作流？→ 按实际说明哪些环节步骤不固定、需要模型决策；哪些环节固定成了工作流。

参考答案：Reasoning + Acting：模型交替进行推理和行动（调用工具），根据工具返回的观察结果继续推理，直到得出答案。现在基于原生工具调用的 Agent 循环就是 ReAct 的工程实现。

追问：ReAct 的缺点？→ 每一步都要调用模型，长任务成本高、容易偏离目标；需要最大步数和更好的规划。

参考答案：设计和管理每次模型调用时上下文窗口中的内容：系统提示词、工具、检索结果、历史、记忆、任务状态。手段包括选择相关内容、压缩、用子 Agent 隔离、把信息外部化存储后按需读取。

追问：上下文越长越好吗？→ 不是。无关信息会干扰模型、增加成本和延迟；关键信息放在显眼位置，长上下文中间的内容容易被忽略。

参考答案：步骤可以提前规划、需要给用户确认或展示进度的任务，用 Plan-and-Execute（执行阶段还能用便宜模型）；需要根据每一步结果动态调整的探索性任务，用 ReAct。也可以结合：先规划，执行中每一步用 ReAct，失败时重新规划。

追问：计划执行到一半失败怎么办？→ 把具体错误和已完成步骤反馈给规划器重新规划，已完成的步骤不重复执行；设置最大次数。

参考答案：把某类任务的说明、规范、脚本打包成目录，系统提示词中只放名字和描述，需要时加载全文（渐进式披露）。解决“专业知识太多放不进上下文”的问题，也便于团队沉淀和复用工作流。

追问：Skills 和 RAG 有什么区别？→ RAG 按相似度检索知识片段；Skill 是完整的操作说明，由模型根据描述决定是否加载，更像“按需打开的操作手册”。

参考答案：主管模式（分派和汇总）、转交模式（按领域转给专门的 Agent）、流水线。在需要上下文隔离、专业分工、并行处理时使用；代价是成本、延迟、信息丢失和调试难度，能用单 Agent 解决的不拆。

追问：A2A 和 MCP 有什么区别？→ MCP 是 Agent 调用工具和数据的协议；A2A 是不同 Agent 之间协作的协议（Agent Card 描述能力，Task 有状态）。

参考答案：固定流程 + 局部 Agent；指标口径作为 Skill；SQL 工具连只读库，用解析器限制只读和表白名单，强制时间范围、LIMIT、超时；结论结构化输出，数字必须来自查询结果；任务状态和进度通过 SSE 推送。详见报表 Agent 场景。

追问：用户问的指标没有定义怎么办？→ 不猜，回复“该指标没有统一口径”，引导用户选择已有指标或联系数据组。

参考答案：先用评测集确认错误类型；优化工具描述（何时用 / 何时不用）；按意图分组，每次只提供相关工具；把相关工具合并或拆分到子 Agent；规范改成 Skills 按需加载；修改后用评测集验证。

追问：怎么评估工具选择的准确率？→ 评测用例标注期望调用的工具和参数，统计工具选择正确率和参数正确率。