☰
← 返回首页
❓ 面试题库
🌓
目录导航
一、Agent 基础概念(1-6)
二、ReAct 模式(7-11)
三、Plan-Execute 模式(12-15)
四、Function Calling(16-20)
五、@Tool 注解与工具设计(21-25)
六、MCP 协议(26-32)
七、Agent Memory(33-37)
八、Multi-Agent 协作(38-41)
九、Agent 可靠性与安全(42-46)
十、Prompt Engineering(47-50)
📑 本篇章节导航
(共10章,点击直达)
一、Agent 基础概念(1-6)
二、ReAct 模式(7-11)
三、Plan-Execute 模式(12-15)
四、Function Calling(16-20)
五、@Tool 注解与工具设计(21-25)
六、MCP 协议(26-32)
七、Agent Memory(33-37)
八、Multi-Agent 协作(38-41)
九、Agent 可靠性与安全(42-46)
十、Prompt Engineering(47-50)
Q20 - AI Agent 与 MCP
一、Agent 基础概念(1-6)
Agent 和 ChatBot 的本质区别?
★★★★
ChatBot:单轮问答,输入→输出,无自主决策和行动能力。
Agent:感知环境→自主规划→调用工具→观察结果→循环决策直到目标完成。
Agent = LLM + 记忆 + 工具 + 规划能力;ChatBot = LLM + Prompt。
Agent vs Prompt Chain(提示链)的区别?
★★★★
Prompt Chain:预定义的线性流程,A→B→C 依次执行,路径固定。
Agent:动态决策流程,LLM 根据中间结果自主选择下一步行动。
Prompt Chain 适合确定性任务;Agent 适合开放性、需要灵活判断的任务。
AI Agent 的核心组成有哪些?
★★★
LLM(大脑):理解、推理、决策。
Tools(手脚):Function Calling、API 调用、代码执行。
Memory(记忆):短期对话历史 + 长期知识存储。
Planning(规划):任务分解、策略选择、自我反思。
Agent 的典型应用场景?
★★★
编程助手(代码生成+调试+测试)、数据分析(SQL查询+可视化)。
客服机器人(多轮对话+工具调用)、自动化运维(监控+故障处理)。
研究助手(搜索+阅读+总结)、个人助理(日程+邮件+任务管理)。
Agent 的局限性?
★★★
可靠性:LLM 可能生成错误的工具调用参数或选择不合适的工具。
成本:多轮调用消耗大量 Token,复杂任务可能触发数十次 LLM 调用。
延迟:每轮推理+工具执行都需要时间,端到端响应可能很慢。
安全:Agent 自主执行操作可能带来安全风险(误删数据、越权操作)。
Spring AI 中如何构建一个 Agent?
★★★
使用 ChatClient + Advisor Chain + Function Calling 组合。
自定义 Advisor 实现工具调用循环(LLM 返回工具调用 → 执行 → 结果回传 LLM)。
Spring AI 1.0 已内置 Function Calling 自动处理(LLM 返回函数调用框架自动执行)。
二、ReAct 模式(7-11)
ReAct(Reasoning + Acting)模式原理?
★★★★★
Thought(推理):LLM 分析当前状态和下一步行动。
Action(行动):LLM 选择调用某个工具(Function Calling)。
Observation(观察):获取工具执行结果,回到 Thought 循环。
循环直到 LLM 认为已有足够信息可以给出最终回答。
ReAct 的实现步骤?
★★★★
1) 将可用工具描述(名称、参数、功能)注入 System Prompt。
2) LLM 输出结构化的工具调用请求(JSON 格式:工具名+参数)。
3) 框架解析请求,执行对应工具,将结果追加到对话历史。
4) 将更新后的对话历史再次传给 LLM,重复直到输出最终答案。
ReAct 模式的优缺点?
★★★
优点:透明(可追踪推理过程)、灵活(LLM 自主决定调用哪个工具)。
缺点:Token 消耗大(每轮都要传完整历史)、可能陷入无效循环。
适合:需要多步推理且工具选择不固定的开放性任务。
ReAct 和 Plan-Execute 的区别?
★★★★
ReAct:边想边做,每步都让 LLM 决定下一步,灵活但可能跑偏。
Plan-Execute:先全局规划(Plan),再逐步执行(Execute),路径更可控。
Plan-Execute 适合多步骤复杂任务;ReAct 适合简单快速的交互任务。
Spring AI 中如何实现 ReAct 循环?
★★★
使用 ChatClient 的 Function Calling 自动循环:LLM 返回函数调用 → 自动执行 → 结果回传 LLM。
配合 @Bean 注册 Function,Spring AI 自动将函数描述注入 Prompt。
可通过 maxSteps 参数限制最大循环次数防止死循环。
三、Plan-Execute 模式(12-15)
Plan-Execute 模式的原理?
★★★★
Planner Agent:分析用户任务,生成子任务列表(Plan)。
Executor Agent:按计划依次执行每个子任务,可调用工具。
Reflector(可选):评估执行结果,必要时修正计划。
适合复杂、多步骤任务(如"帮我调研竞品并写分析报告")。
Plan-Execute 和 ReAct 如何选?
★★★
ReAct:单 Agent 循环,适合 2-5 步的快速任务。
Plan-Execute:可拆分为多个 Agent,适合 5+ 步的复杂任务。
混合模式:Plan 后每个子任务用 ReAct 执行,兼顾规划和灵活性。
Plan-Execute 中的计划修正机制?
★★★★
Executor 执行子任务后,Reflector 评估结果是否满足预期。
不满足则反馈给 Planner 重新规划(Replan)。
可以设定最大 Replan 次数防止无限修正循环。
多步骤任务的状态管理?
★★★
维护全局状态(State):已完成步骤、中间结果、待执行步骤。
State 可以是一个 JSON 对象,在 Agent 间传递。
可持久化到 Redis/DB 支持长时间运行的任务(跨会话恢复)。
四、Function Calling(16-20)
Function Calling 的原理?
★★★★★
将可用函数的描述(JSON Schema:名称、参数、描述)传给 LLM。
LLM 根据用户意图决定是否调用函数,返回结构化的函数调用请求。
框架解析 LLM 返回的函数名和参数,执行函数并将结果回传 LLM。
LLM 基于函数结果生成最终回答。整个过程 LLM 不直接执行函数。
Function Calling 的 JSON Schema 参数解析?
★★★★
函数描述使用 JSON Schema 格式:name、description、parameters(type/properties/required)。
LLM 返回 function_call:{"name": "get_weather", "arguments": "{\"city\": \"北京\"}"}。
框架根据 name 路由到对应函数,解析 arguments 为参数对象执行。
Spring AI 的 Function Calling 注册方式?
★★★
@Bean 定义 Function<I, O>,Spring AI 自动提取函数签名和描述。
配置 spring.ai.openai.chat.options.functions 指定可用函数列表。
或通过 ChatClient.prompt().functions("func1","func2") 请求级指定。
Function Calling 中的参数校验?
★★★
LLM 生成的参数可能不合法(类型错误、缺少必填项)。
在函数实现内部做参数校验,校验失败返回错误信息让 LLM 重试。
JSON Schema 的 required 和 type 约束可减少但无法完全消除参数错误。
Function Calling 的常见问题?
★★★
幻觉函数名:LLM 调用了不存在的函数(检查并返回错误)。
参数格式错误:JSON 解析失败(在 Prompt 中给出演示示例)。
不必要的函数调用:LLM 过度依赖工具(在 System Prompt 中明确何时使用)。
函数调用死循环(设置最大调用次数限制)。
五、@Tool 注解与工具设计(21-25)
@Tool 注解的设计原则?
★★★★
description 必须清晰准确:LLM 靠描述决定是否调用,描述不清会导致误调用。
参数命名语义化:LLM 理解参数含义才能生成正确参数值。
返回格式标准化:统一返回 JSON 格式,包含 status/data/error 字段。
单一职责:每个工具只做一件事,粒度适中(不过粗不过细)。
@Tool 的参数校验和安全性?
★★★★
参数校验:在方法内部对参数做范围检查、格式校验、SQL注入防护。
安全控制:敏感操作需要确认机制(如删除操作二次确认)。
权限控制:根据调用者身份限制可用工具范围。
审计日志:记录每次工具调用的参数和结果,便于追踪和排查。
@Tool 的返回格式设计?
★★★
成功:{"success": true, "data": {...}, "message": "操作成功"}。
失败:{"success": false, "error": "具体错误信息", "suggestion": "建议"}。
错误信息要明确且可操作:让 LLM 能理解错误原因并采取下一步行动。
常见的 Agent 工具类型?
★★★
搜索工具:Web 搜索、知识库检索、数据库查询。
执行工具:HTTP 请求、代码执行、文件读写、Shell 命令。
计算工具:数学计算、日期处理、格式转换。
通信工具:发邮件、发消息、创建工单。
如何设计好用的工具描述?
★★★★
包含:工具做什么(功能)、什么时候用(触发条件)、参数含义(参数说明)。
给出示例:"查询天气,参数:city(城市名,如'北京'),返回温度和天气状况"。
描述中说明限制:"只能查询最近7天的数据"、"一次最多返回100条记录"。
六、MCP 协议(26-32)
MCP(Model Context Protocol)是什么?
★★★★
Anthropic 提出的开放协议,标准化 LLM 与外部工具/数据源的交互方式。
三大原语:Tools(可执行操作)、Resources(可读数据)、Prompts(提示模板)。
目标:一次开发、多处使用——工具开发者只需实现 MCP Server,所有支持 MCP 的 Agent 都能用。
MCP 的三大原语(Tools/Resources/Prompts)?
★★★★
Tools:LLM 可调用的函数(类似 Function Calling),如搜索、计算、API 调用。
Resources:LLM 可读取的数据源(文件、数据库、API 响应),类似 GET 请求。
Prompts:预定义的提示模板,可接受参数动态生成,用于标准化交互模式。
MCP 的 Client-Server 架构?
★★★★
MCP Client:集成在 Agent/LLM 应用中,负责发现和调用 MCP Server 的能力。
MCP Server:独立进程,暴露 Tools/Resources/Prompts 供 Client 使用。
一个 Client 可以连接多个 Server,一个 Server 可被多个 Client 使用(N:M 模型)。
MCP 的传输方式(SSE/Stdio)?
★★★
Stdio(标准输入输出):Client 和 Server 同机器,通过 stdin/stdout 通信(本地开发)。
SSE(Server-Sent Events):基于 HTTP 的远程通信,Server 推送事件给 Client。
未来可能支持 WebSocket 等更多传输方式。
MCP 和 Function Calling 的区别?
★★★★
Function Calling:每个 AI 提供商的函数调用协议不同(OpenAI/Anthropic 各自实现)。
MCP:统一协议标准,工具实现一次即可被不同 LLM 使用(跨模型兼容)。
MCP 是 Function Calling 的上层抽象和标准化,Function Calling 是 MCP 的底层实现方式之一。
MCP 和 A2A(Agent-to-Agent)的区别?
★★★★
MCP:Agent 与工具/数据源的交互协议(Agent ↔ Tool)。
A2A:Agent 之间的协作协议(Agent ↔ Agent),Google 提出。
MCP 解决工具标准化;A2A 解决多 Agent 间的任务分配和协作。
两者互补:Agent 通过 MCP 使用工具,通过 A2A 与其他 Agent 协作。
如何开发一个 MCP Server?
★★★
使用 MCP SDK(Python/TypeScript/Java)定义 Tools、Resources、Prompts。
每个工具声明 name、description、inputSchema(JSON Schema)。
实现工具的业务逻辑,注册到 Server 并暴露为 SSE 或 Stdio 端点。
七、Agent Memory(33-37)
Agent Memory 的三层架构?
★★★★
短期记忆(Working Memory):当前对话上下文,存储在对话历史中。
长期记忆(Long-term Memory):跨会话的知识/偏好,存储在向量库或数据库中。
工作记忆(Episodic Memory):当前任务的中间状态、工具调用结果、推理链。
短期记忆的实现方式?
★★★
对话历史列表:维护最近 N 轮 User/Assistant/Tool 消息。
Spring AI 的 ChatMemory + MessageChatMemoryAdvisor 自动管理。
挑战:历史过长超过上下文窗口,需要截断/压缩/摘要策略。
长期记忆的实现方式?
★★★★
将重要信息(用户偏好、知识点)提取后存入 VectorStore。
下次对话时检索相关记忆注入 Prompt(类似 RAG 检索)。
或存入结构化数据库(用户画像表),检索时用 SQL 查询。
工作记忆(Episodic Memory)的作用?
★★★
记录当前任务的执行轨迹:已执行步骤、中间结果、待办事项。
防止 Agent 重复执行相同操作(如重复搜索同一个查询)。
可用于任务恢复:中断后从工作记忆中恢复进度。
Memory 的更新和遗忘策略?
★★★
更新触发:对话中出现新的用户偏好、重要事实、任务结果。
遗忘策略:时间衰减(越久越不重要)、访问频率(低频降低权重)。
主动遗忘:定期清理过时信息,避免记忆膨胀影响检索质量。
八、Multi-Agent 协作(38-41)
Multi-Agent 的常见协作模式?
★★★★
顺序模式(Sequential):Agent A 完成→Agent B→Agent C(流水线)。
路由模式(Router):路由 Agent 根据任务类型分配给专业 Agent。
协作模式(Collaborative):多个 Agent 共享状态,协同完成同一任务。
层级模式(Hierarchical):Manager Agent 分配任务给 Worker Agent。
Multi-Agent 的通信方式?
★★★
共享状态(黑板模式):所有 Agent 读写同一个状态存储。
消息传递(事件驱动):Agent 间通过消息队列/事件总线通信。
A2A 协议:标准化的 Agent 间通信协议,定义任务分配和结果回传格式。
Multi-Agent 的编排框架有哪些?
★★★
CrewAI:Python 框架,角色驱动的多 Agent 协作。
AutoGen(微软):多 Agent 对话框架,支持人参与协作。
LangGraph:基于图的状态机编排,灵活控制 Agent 流转。
Spring AI:通过 Advisor Chain + Function Calling 实现轻量级多 Agent。
Multi-Agent 系统的挑战?
★★★
协调成本:Agent 间通信和同步的开销可能超过单 Agent。
一致性:多个 Agent 可能产生矛盾的结果,需要仲裁机制。
调试困难:多 Agent 交互链路复杂,出问题时难以定位。
成本控制:每个 Agent 都消耗 Token,多 Agent 叠加成本显著。
九、Agent 可靠性与安全(42-46)
Agent 死循环如何处理?
★★★★
最大轮次限制:设定 Agent 循环上限(如 10 轮),超过强制终止。
超时机制:设定单次任务总超时时间(如 60 秒),超时中断。
异常检测:监控工具调用结果是否持续失败,连续 N 次失败则终止。
循环检测:检查是否反复调用相同工具和参数(签名去重)。
AI 幻觉(Hallucination)如何处理?
★★★★★
RAG 检索增强:提供事实依据减少幻觉(有据可依)。
Rerank 精排:提升检索质量,避免错误上下文导致幻觉。
Fact-checking:生成后用另一个 LLM 或知识库验证事实准确性。
置信度评估:要求 LLM 对回答给出置信度,低于阈值标注"不确定"。
Agent 的安全防护措施?
★★★★
工具权限分级:只读工具放开、写操作需确认、危险操作需二次审批。
输入过滤:防止 Prompt 注入(过滤特殊标记、分离指令和数据)。
输出过滤:敏感信息脱敏(手机号、身份证、密码等)。
沙箱执行:代码执行、Shell 命令在容器/沙箱中运行,限制文件和网络访问。
Agent 的可观测性?
★★★
记录每轮 LLM 的输入输出和工具调用参数及结果(全链路日志)。
Token 消耗追踪:每次 LLM 调用的 Token 数和累计消耗。
执行时间追踪:每轮推理时间、工具调用时间、总耗时。
异常告警:连续失败、超时、死循环等异常实时告警。
Agent 的降级策略?
★★★
工具不可用:跳过该工具,LLM 基于已有信息给出回答(标注数据可能不完整)。
LLM 不可用:切换备用模型(如 OpenAI→Claude→本地模型)。
部分失败:已完成步骤的结果保留,失败步骤提示用户手动处理。
十、Prompt Engineering(47-50)
Chain-of-Thought(CoT)提示词技术?
★★★★
在 Prompt 中引导 LLM 逐步推理:"请一步步思考"。
Zero-shot CoT:"让我们一步步思考"(无需示例);Few-shot CoT:给出推理示例。
显著提升数学、逻辑推理等需要多步思考的任务准确率。
Few-shot 提示词技术?
★★★
在 Prompt 中提供 3-5 个输入-输出示例,让 LLM 学习模式。
示例应覆盖典型场景和边界情况,格式与期望输出一致。
缺点:占用 Token,示例选择不当可能误导 LLM。
系统提示词(System Prompt)的最佳实践?
★★★★
角色定义:"你是一个专业的 XX 助手"。
行为约束:"只基于检索到的上下文回答"、"不知道就说不知道,不要编造"。
输出格式:"使用 Markdown 格式"、"用 JSON 格式返回"。
工具使用指引:"当用户问天气时调用 weather 工具"、"不要对同一查询重复调用工具"。
Token 优化策略?
★★★★
缓存:Prompt Caching(缓存不变的系统提示词和工具描述前缀)。
路由:简单问题用小模型、复杂问题用大模型(模型路由)。
截断:历史消息超出窗口时截断最早的消息或压缩摘要。
量化:使用量化模型(如 4-bit)降低推理成本,适合本地部署。
← 返回首页
↑