大家好，我是浩哥，不来虚的，直接上一下干货。下面是接下来这段时间整理的agent面试专题共10期落地。
总目录可见 2026年最新AI agent面试（0）概述篇
📂 Agent 基础与推理范式 · 面试题型整理与标准答案
导语：本题型是 P7 / Agent 架构师面试的第一道分水岭。面试官真正考察的不是"背定义"，而是你对 Agent 的系统边界、能力来源与工程取舍是否想得清。常见失分点集中在三处：①把 Agent 等同于「大模型 + 一个 Prompt」，说不清它相对纯 LLM 到底多了什么；②分不清 Tools / Workflow / Agent 三者的粒度关系，把它们当成"三选一"而非"可嵌套的三层结构"；③只背过 ReAct，一旦被追问 Plan-and-Execute、Reflection、CoT/ToT/GoT 的区别与选型依据就卡壳。下面的整理按面试题源顺序、合并重复变体后形成 7 道题，每道题都给出"架构级答案 + 展开要点 + 常见追问 + 延伸"。
文档：2026年最新AI agent面试（01）_Agent基础与推理范式 ｜ 本题型 7 题
- Q1. Agent 的基本架构由哪些核心组件构成？ 〔小红书〕
- Q2. 既然大模型已经这么强了，为什么还要做 Agent？它与大模型本质区别是什么？ 〔美团〕
- Q3. Tools、Workflow、Agent 三者区别是什么？Agent 和 Workflow 的本质区别是什么？ 〔阿里、腾讯〕
- Q4. Agent 的推理/设计范式有哪些？ReAct、Plan-and-Execute、Reflection 核心区别？怎么选型？ 〔字节、快手〕
- Q5. Agent 的反思（Reflection）机制是什么？为什么要用？具体怎么实现？ 〔小红书〕
- Q6. 复杂任务怎么做拆解？如何赋予 LLM 规划能力？ 〔蚂蚁、百度〕
- Q7. 为什么有时候选择"手搓" Agent，而不是直接用成熟框架？ 〔美团〕
📂 Multi-Agent 与记忆系统 · 面试题型整理与标准答案
导语：本题型考察多智能体协作设计（编排/动态切换/反模式）与记忆机制（短/长期/压缩），是 Agent 架构师的核心基本功。回答的合格线不是「背出定义」，而是能在「单体 vs 多体、中心化 vs 去中心化、信息层 vs 计算层」等维度上做出有取舍的架构决策，并能把记忆拆成可落地的读写闭环。
文档：2026年最新AI agent面试（02）_MultiAgent与记忆 ｜ 本题型 6 题
- Q1. 什么是 Multi-Agent？单体 Agent 遇到瓶颈时，为什么、何时该上 Multi-Agent？ 〔字节 + 京东〕
- Q2. Multi-Agent 的两种拓扑（中心化 Orchestrator vs 去中心化 Peer-to-Peer）如何取舍？ 〔京东〕
- Q3. 多 Agent 之间如何协作？「切换/路由」的动态机制怎么设计？ 〔字节跳动〕
- Q4. Agent 的记忆机制分哪几层？各层怎么定位？ 〔淘天〕
- Q5. Agent 的长短期记忆系统具体怎么落地（存储、粒度、读写闭环）？ 〔鹅厂 + 淘天〕
- Q6. Agent 记忆压缩通常有哪些方法？ 〔腾讯〕
📂 工具调用与协议（MCP / A2A / Function Calling / Skill）· 面试题型整理与标准答案
导语：本题型是 2025-2026 Agent 面试最热考点，考察对工具调用范式与协议生态（MCP/A2A/Skill）的本质理解与选型能力。底层主线是「Function Calling 是调用语言 → MCP 把工具做成标准化服务 → Skill 把用工具完成任务的流程封装成模块 → A2A 让多个 Agent 横向协作」，四者分处不同层次、相互依赖而非竞争。面试官最爱挖的雷区有三个：把 MCP 当框架/当 Function Calling 升级版、把 Skill 当 prompt 模板、把 A2A 当 MCP 竞品。
文档：2026年最新AI agent面试（03）_工具协议MCP_A2A_FC ｜ 本题型 10 题
- Q1. 什么是 MCP？讲讲它的核心内容、组成与架构 〔字节、腾讯、百度一面〕
- Q2. 什么是 Function Calling？它的原理与完整调用流程是什么？ 〔鹅厂一面〕
- Q3. 大模型的 Function Calling 能力是怎么训练出来的？ 〔快手二面〕
- Q4. Function Calling 与 MCP 的区别是什么？实际场景该如何选型？ 〔小红书、京东三面〕
- Q5. MCP 协议通常采用什么通信方式？底层消息格式是什么？ 〔小米三面〕
- Q6. 为什么有些推理模型（如 o1/o3、DeepSeek-R1）早期不支持 MCP？ 〔拼多多一面〕
- Q7. 什么是 Agent Skill？它的定位、结构与加载机制是什么？ 〔字节一面〕
- Q8. MCP 与 Agent Skill 的区别是什么？两者如何配合？ 〔百度二面〕
- Q9. 什么是 A2A 协议？它和 MCP 有什么区别？ 〔快手、阿里〕
- Q10. 综合：Function Calling / MCP / Skill / A2A 的层级关系与整体选型框架 〔鹅厂二面、面试官综合题〕
📂 工具调用工程实践（网关 / 外部工具 / Function Calling 训练）· 面试题型整理与标准答案
导语：本题型考察工具调用的工程落地——LLM 网关治理、外部工具接入可靠性、Function Calling 的运行时机制与训练原理。这是 AI 应用开发岗的高频重灾区：很多人能熟练写
tool_calls代码，却说不清网关解决什么横切问题、运行时谁决策谁执行、能力到底是"涌现"还是"训出来"的。面试核心在于把"会用"升级为"懂原理 + 知取舍"。
文档：2026年最新AI agent面试（04）__工具工程网关外部 ｜ 本题型 3 题
- Q1. LLM 网关层到底解决了什么本质问题？为什么不能只用 Nginx/普通 API 网关？ 〔京东〕
- Q2. 什么是 Function Calling？运行时原理与流程是怎样的？为什么说"大模型自己不会去调 API"？ 〔字节〕
- Q3. 大模型到底是怎么"学会"调用外部工具的？SFT 和 RLHF 各自起什么作用？ 〔美团 / 腾讯〕
📂 RAG 基础与应用 · 面试题型整理与标准答案
导语：本题型考察 RAG 的本质、与微调的区别、工作流程、时效性（文档更新）、幻觉缓解、效果评估与落地难点，是 Agent 接私域知识的主通道。RAG（Retrieval-Augmented Generation，检索增强生成）的本质是"把知识从模型参数里搬到外部知识库，推理时实时检索注入"，从而在不动模型的前提下，给 LLM 开一个"开卷考试"的口子。它是当前企业 AI 落地最成熟、最实用的技术路线，也是 Agent 接入私域知识的默认主通道。
文档：2026年最新AI agent面试（05）_RAG基础应用 ｜ 本题型 7 题
- Q1. RAG 到底是什么？它主要用来解决 LLM 的哪些核心问题？ 〔快手、字节〕
- Q2. RAG 和微调（Fine-tuning）有什么区别？各自适合什么场景？ 〔阿里〕
- Q3. RAG 系统的完整工作流程是怎样的？（离线建库 + 在线检索生成） 〔鹅厂、Shopee、字节〕
- Q4. RAG 知识库上线后，文档更新了怎么办？ 〔小米〕
- Q5. 大模型为什么会产生幻觉？RAG 系统中幻觉的来源与缓解策略是什么？ 〔面试官、滴滴〕
- Q6. 线上跑了 RAG，怎么系统化、可量化地衡量它的效果好不好？ 〔字节〕
- Q7. 在实际落地中，你觉得 RAG 最难的地方是哪里？ 〔阿里三面〕
📂 RAG 文档处理与检索 · 面试题型整理与标准答案
导语：本题型考察 RAG 的工程底座——文档切割(Chunking)、Embedding、向量 vs 关键词检索、多路召回、向量/图数据库、检索优化与复杂 RAG 范式。这是 RAG 系统质量的天花板所在，检索层优化的投入产出比高于生成层，是面试高频且区分度极高的板块。
文档：2026年最新AI agent面试（06）_RAG文档与检索 ｜ 本题型 8 题
- Q1. 文档如何切割（Chunking）？粒度怎么定？如何规避语义被切断？ 〔京东 + 字节一面 + 阿里二面〕
- Q2. Embedding 究竟是什么？算法经历几代演进？如何选型与评估？ 〔百度二面 + 鹅厂二面〕
- Q3. 向量数据库：原理、索引算法、核心能力与生产选型/性能实战 〔快手一面 + 阿里一面〕
- Q4. 向量检索 vs 关键词检索（BM25）有什么区别？为什么需要混合检索？ 〔美团二面 + 字节一面〕
- Q5. 什么是多路召回？具体怎么做？ 〔字节一面〕
- Q6. 在什么场景下用图数据库增强传统向量检索？ 〔阿里三面〕
- Q7. RAG 检索优化策略有哪些？——四层系统框架 〔阿里二面〕
- Q8. 复杂的 RAG 范式有哪些？经历了怎样的演进？ 〔百度一面〕
📂 大模型架构基础（Transformer / 注意力 / 位置编码 / LLM 本质）· 面试题型整理与标准答案
导语：本题型考察对 Transformer/注意力机制/位置编码的理解深度，以及 LLM 与传统 NLP 模型的根本差异——是区分"调包侠"与"真懂模型"的分水岭。面试官的核心诉求不是背定义，而是能讲清"痛点→结构→实现→取舍"这条因果链：RNN 卡在哪两点、Attention 怎么破、三种架构变体为什么 Decoder-only 赢、长上下文下 MHA 为什么爆显存、MQA/GQA/FlashAttention 各自动哪层刀、位置编码为什么从 sin/cos 演进到 RoPE、LLM 凭什么一个模型干所有事。
文档：2026年最新AI agent面试（07）_大模型架构基础 ｜ 本题型 4 题
- Q1. 多头注意力（MHA）有哪些核心局限？MQA / GQA / FlashAttention 分别怎么解决，它们之间是替代还是叠加关系？ 〔小红书大模型一面〕
- Q2. 讲讲 Transformer 架构的基本原理？Self-Attention 怎么运作？Encoder 与 Decoder 是什么、为什么现代大模型几乎都选 Decoder-only？ 〔抖音大模型二面〕
- Q3. 大模型为什么需要位置编码？sin/cos、RoPE、ALiBi 这几种各有什么区别，为什么主流都选 RoPE？ 〔滴滴大模型二面〕
- Q4. 什么是大语言模型（LLM）？它和我们以前用的传统 NLP 模型有什么区别？ 〔阿里云 Agent 面试官〕
📂 大模型训练 / 评测 / 推理参数 · 面试题型整理与标准答案
导语：本题型考察训练范式（预训练 / SFT / DPO / PPO）、高效微调（LoRA / QLoRA）、推理优化（KV Cache / Prompt Caching / MoE / 解码策略）、能力评测与部署——决定候选人能否把模型"用得好、用得省"。底层主线只有一条：训练决定能力上限，微调/对齐决定可用性与风格，推理与部署决定成本与延迟，评测决定能不能放心上线。
文档：2026年最新AI agent面试（08）_大模型训练评测 ｜ 本题型 10 题
- Q1. 大模型到底是怎么"训练"出来的？预训练、SFT、对齐三阶段分别解决什么问题？ 〔面试官〕
- Q2. 大模型微调方案有哪些？为什么不能把它们当成"同一类方法"来背？ 〔面试官〕
- Q3. LoRA 的原理是什么？除了"省参数"它还有哪些被低估的优势？ 〔面试官〕
- Q4. DPO 和 PPO 有什么区别？大模型对齐阶段到底在做什么？ 〔面试官〕
- Q5. 大模型生成时的解码策略有哪些？贪心、Beam Search、采样分别什么时候用？ 〔字节〕
- Q6. 什么是 KV Cache？Prompt Caching 又是什么？两者什么关系？ 〔面试官〕
- Q7. 什么是 MoE 混合专家模型？为什么 2024 年后主流大模型都在用？ 〔面试官〕
- Q8. 大模型部署有哪些主流方案？vLLM、SGLang、TGI、llama.cpp、TensorRT-LLM 怎么选？ 〔面试官〕
- Q9. 大模型能力评测指标有哪些？为什么不能只信排行榜？ 〔面试官〕
- Q10. 什么是 CoT（思维链）？为什么有效、有什么局限？ 〔鹅厂〕
📂 AI 编程与工程素养（Claude Code / Vibe·Spec Coding / 项目软素质）· 面试题型整理与标准答案
导语：2026 年 Agent 面试新趋势——不再只考"会不会用框架"，而是考"能否用 AI 编程做出现实项目、能否讲清 Agent 工程素养与软素质"。本批 11 篇小林面试笔记，表面是段子式对话，内核覆盖了 Agent 工程素养、Claude Code 使用深度、Vibe/ Spec Coding 范式、大代码库上下文工程、全栈软素质五大主题。以下按主题强力合并为 8 道完整题，可直接用于复习与复述。
文档：2026年最新AI agent面试（09）_AI编程ClaudeCode ｜ 本题型 8 题
- Q1. 面试官质疑"连 Agent 项目都没有还敢投 AI 开发 / 字节"，如何证明自己的 Agent 工程素养与项目落地能力？ 〔AI 开发 / 字节 / 大厂面试〕
- Q2. 面试官说"Agent 不就是 Prompt 拼一拼？"——成熟 Agent 的工程设计边界到底是什么？ 〔Agent 设计面试〕
- Q3. Claude Code 你用到什么程度？——从"聊天工具"到"工程化"，如何用它 Vibe Coding 出一个 Agent 项目？ 〔Claude Code 深度使用面试〕
- Q4. Claude Code 用了半年，CLAUDE.md 平时怎么维护？——"写得越多越废"的真相与正确姿势 〔Claude Code 深度使用面试〕
- Q5. 你会 Vibe Coding 吗？为什么资深选手反而主张 Spec Coding（规约驱动开发）？ 〔AI 编程范式面试〕
- Q6. 公司项目几百万行代码，Claude Code 怎么扛得住？——模型是地板，harness 才是天花板 〔大代码库 / 上下文工程面试〕
- Q7. 简历写"会 AI 编程"，那你能做全栈吗？——AI 时代为什么"全干工程师"更吃香 〔全栈 / 软素质面试〕
- Q8. 没用过 / 缺 Agent 项目怎么办？——执行力（S 级评价）与简历快速迭代的软素质表达 〔执行力 / 简历软素质面试〕
📂 实时通信与行业动态 · 面试题型整理与标准答案
导语：本题型含两块——①Agent 实时通信（WebSocket / SSE / WebRTC 在 AI 对话流中的选型与差异）；②行业观察（作为拓展阅读，帮助把握技术风向）。实时通信的选型本质是「场景驱动」：文字对话要的是可靠有序（TCP 系），语音对话要的是低延迟（UDP 系），而双向交互要不要上 WebSocket 取决于是否真的需要客户端随时主动发消息。把这套取舍讲清楚，比背功能列表更有架构师味。
文档：2026年最新AI agent面试（10）_通信与行业动态 ｜ 本题型 3 题
- Q1. 为什么 AI 实时语音要用 WebRTC？它和 WebSocket 在 AI 对话流中的核心差异是什么？ 〔字节 Agent 岗一面〕
- Q2. WebSocket 和 SSE 通信的区别及局限性？ 〔阿里 Agent 开发一面〕
- Q3. 后端岗 JD 没写 AI，为什么面试仍在考察 RAG / Agent 能力？ 〔面试实况记录·小林面试笔记〕
