AI Agent 面试全景知识图谱

LLM 的本质

LLM（大语言模型）本质是一个条件概率模型：给定一段输入 token 序列，预测下一个 token 最可能是什么。可以把它当成一个无状态函数——输入 Prompt，输出文本。每次调用独立，没有记忆、没有状态、对外部世界一无所知。

Agent 的本质

一个例子说清楚

任务：帮我查明天北京天气，如果下雨就取消日历里的跑步计划。

Agent 四模块详解

量化对比

模式一：ReAct（推理 + 行动）

最经典的模式，LangChain/LangGraph 默认选择。核心是三步循环：

模式二：Plan-and-Execute（先规划再执行）

ReAct 每步都重新思考全局，Token 消耗大。Plan-and-Execute 先用 Planner LLM 一次性生成完整计划，再由 Executor 逐步执行。规划开销约为 ReAct 的 20%。

关键问题：计划不合理怎么办？加入重新规划检查点——执行完某步后检查偏差，触发重新规划。

模式三：Reflection（自我反思）

让一个 Agent 生成，另一个 Agent 审查，循环迭代直到质量达标。适用于代码生成、法律文书、学术论文等对输出质量要求高的场景。

模式四：Multi-Agent（多智能体协作）

多个专业 Agent 协作完成复杂任务：Orchestrator 分配，Research/Coder/Reviewer 各司其职。

Function Call 四步流程

Step 1：定义工具（JSON Schema）

{
  "tools": [{
    "type": "function",
    "function": {
      "name": "get_weather",
      "description": "获取指定城市的实时天气",
      "parameters": {
        "type": "object",
        "properties": {
          "city": { "type": "string", "description": "城市名称" },
          "date": { "type": "string", "description": "日期，格式 YYYY-MM-DD" }
        },
        "required": ["city"]
      }
    }
  }]
}

Step 2：LLM 输出结构化调用指令

{
  "tool_calls": [{
    "id": "call_abc123",
    "type": "function",
    "function": {
      "name": "get_weather",
      "arguments": "{\"city\": \"北京\", \"date\": \"2026-05-18\"}"
    }
  }]
}

Parallel Function Call（并行调用）

GPT-4o 和 Claude 3.5+ 支持一次返回多个工具调用，可以并行执行。串行：T = T1 + T2 + T3；并行：T = max(T1, T2, T3)，延迟大幅降低。

各厂商格式对比

MCP 解决的根本问题：N x M 爆炸

没有 MCP 前：3 个应用 x 3 个工具 = 9 套代码，10 x 20 = 200 套代码，维护成本爆炸。

有了 MCP 后：每个应用只需接入 MCP 协议，每个工具只需实现 MCP Server，总共 N + M 套代码。

MCP 三角色架构

MCP Server 提供的三类资源

工具动态发现机制（MCP 最强特性）

三层安全机制

1. 能力声明：Server 明确声明提供哪些工具，Agent 无法越权
2. 授权控制：敏感操作可要求人工确认
3. 审计追踪：所有工具调用有日志，可追溯

底层协议

给 Agent 一堆工具（MCP）还不够，它还需要知道：代码审查用什么标准？写 SQL 的 DBA 最佳实践是什么？回复客户的品牌语气要求是什么？——这些领域专家经验就是 Skills 要编码的东西。

Skills vs System Prompt

Skill 文件结构

一个完整的 Skill 包含四部分：

1. 身份定位："你是 10 年经验的资深后端架构师"
2. 工作流程：审查维度（安全性 > 性能 > 代码质量）
3. 注意事项：方法长度不超过 50 行，命名要准确表意
4. 输出规范：Markdown 格式报告，1-10 分评分

三层架构

完整协作流程示例

用户说："帮我审查 agent.py 这个文件"

1. Skills 匹配：检测到"审查"关键词 → 加载 Code_Review Skill → "我知道要关注安全/性能/质量"
2. Agent 规划（受 Skill 指导）：我需要先读文件，再用 linter 检查
3. MCP 工具发现：发现有 filesystem MCP Server 和 linter MCP Server
4. Function Call 执行：生成 read_file("agent.py") → MCP Client 转发给 filesystem Server
5. 再次 Function Call：run_linter("agent.py") → 获取 lint 结果
6. LLM 综合分析（按 Skill 规范）：输出标准格式代码审查报告

为什么需要 A2A？

MCP 解决了 Agent ↔ 工具的连接，但没解决 Agent ↔ Agent的连接。当 Agent A 想委托 Agent B 完成子任务时：不知道 B 有什么能力、不知道怎么发任务、不知道完成没有、跨框架怎么通信——MCP 没有设计解决这些问题。

A2A 三大核心概念

MCP vs A2A：互补而非替代

两层记忆架构

第一层：上下文窗口（In-Context Memory）

速度最快的短期记忆。存当前对话、任务状态、Skill、工具调用历史、检索到的长期记忆。但容量有限（通常 128K tokens），超出需压缩或归档。

第二层：外部记忆（External Memory）

记忆压缩策略（面试必考）

读写时机

四大安全威胁

核心防御：最小权限 + Human in the Loop

• 最小权限：读任务只给 SELECT，不给 DELETE；不同环境用不同凭证
• Human in the Loop：高风险操作暂停，请求人类确认。必须人工审批的操作：删除数据、发送外部邮件、修改权限、超阈值资金操作

Prompt Injection 防御（面试高频）

1. 数据/指令分离：外部内容放在明确的数据区域，和系统指令区分开
2. 输入过滤：检测可疑内容（如"忽略之前指令"关键词）
3. Prompt 模板隔离：用户输入不直接拼入系统提示词，用结构化格式包裹
4. 上下文标记：明确标记哪些是外部数据、哪些是系统指令

可靠性设计四要素

RAG 是什么

RAG（检索增强生成）：用户问题 → 向量检索找到相关文档片段 → 塞进 Prompt → LLM 基于检索内容回答。

RAG vs Agent

Agentic RAG：进阶玩法

把 RAG 本身做成一个 Agent：不是固定检索一次就完事，而是 Agent 自己判断——需要检索哪些数据源？结果够不够？不够就换角度再检索。对复杂知识问答场景效果极好。

系统设计类

原理深挖类

工程实践类

知识体系全景串联