主题
Skip to content
Interview Bank
Agent 面试题库
面向 AI Agent 工程师面试的系统化题库，覆盖模型、Prompt、RAG、工具调用、Agent 架构、框架源码与生产工程化。
01大模型基础 LLMToken 是什么？为什么 AI 应用开发必须理解 Token？ / LLM API 一次请求包含哪些核心参数？ / Prompt 设计有哪些基本原则？ / LLM 为什么会幻觉？工程上怎么缓解？02Agent 核心理论Agent 是一套围绕目标、环境、工具、状态和反馈组织起来的执行系统。本章面向 Agent 工程师面试：你要能讲清模式，也要能讲清失败时怎么定位。03AI 超级智能体项目题库围绕 Spring AI、RAG、工具调用、MCP、Agent Loop、SSE、前后端部署和项目复盘的 AI 超级智能体项目面试题。04垂直领域 Agent编程 Agent / 客服 Agent / 浏览器 / 电脑操作 Agent / 数据分析 Agent05流程编排编排模式（顺序 / 并行 / 条件 / 循环） / 低代码平台 Dify / Coze / FastGPT / 工作流与 Agent 的边界 / LangGraph 深度解析06一线工程分享Anthropic Engineering / OpenAI Engineering07主流 Agent 框架Agent 框架选型决策树 / Agent 框架选型面试深挖 / Claude Agent SDK 深度剖析 / Hermes Agent 深度剖析08Agent 工程化从业务 Agent 到 Agent Runtime / 用大模型评估大模型 LLM-as-Judge / Agent 成本优化 / Agent 高可用与容灾面试深挖09Agent 源码解析Aider 源码剖析 / Browser Use 源码剖析 / Claude Code 源码剖析 / Cline 源码剖析10Context Engineering会话历史管理 / 上下文窗口与位置偏置 / 上下文缓存 / 上下文污染与清理11Multi-Agent 系统调度者-工作者 Orchestrator-Worker / 多 Agent 架构模式 / Agent 通信协议 A2A / ACP / AGNTCY / Agent 协作策略 Debate Voting Role-Play Reviewer12Prompt Engineering零样本 CoT 和少样本 CoT 有什么区别？各自适合什么场景？ / 如何处理提示词优化中的常见问题？ / 如何结合 RAG 和 Fine-tuning 来提升提示词效果？ / 如何让 AI 进行自我反思和迭代优化？13RAG 检索增强生成什么是 RAG 检索增强生成？它解决了大模型的哪些问题？ / RAG 的完整工作流程是怎样的？核心步骤有哪些？ / RAG 中的 Embedding 向量化是什么？如何工作的？ / RAG 为什么需要向量数据库？它和传统数据库有什么区别？14Tool Use & Function Calling并行工具调用 / 工具 Schema 设计 / 工具调用的错误处理与重试 / 工具调用死循环面试深挖