Q37 - AI Agent深入与多智能体系统
一、Agent核心架构(1-10)
2026年AI Agent的核心架构演进?
★★★★★
- Agent = LLM + Tools + Memory + Planning + Loop。
- 2026年核心变化:(1) Agent从"调API"升级为"搭系统"——工程化能力是面试重点;(2) MCP/A2A/AG-UI三大协议标准化Agent交互;(3) Multi-Agent从研究走向生产。
- Spring AI 2.0方向:ToolCallback统一工具接口、Advisor Chain做编排、MCP Client接入外部工具。
- 与普通ChatBot区别:ChatBot是单轮/多轮对话;Agent是自主决策+工具调用+循环推理。
- 面试要点:能画出Agent的完整架构图——User→Agent Loop→LLM→Tool→LLM→Response。
ReAct推理模式详解?
★★★★★
- ReAct(Reasoning + Acting):LLM交替进行推理(Thought)和行动(Action)。
- 流程:Question→Thought(分析问题)→Action(调用工具)→Observation(获取结果)→Thought(继续推理)→...→Answer。
- Spring AI实现:ChatClient配置多个Tools,自动执行Agent Loop——LLM决定调用哪个Tool→执行Tool→结果返回LLM→继续推理直到给出最终答案。
- 与CoT(Chain of Thought)区别:CoT只推理不行动;ReAct推理+行动交替。
- 面试要点:ReAct是目前最主流的Agent推理模式,面试必考。
Plan-Execute模式?
★★★★
- 流程:(1) Planner将大任务分解为子任务列表;(2) Executor按序执行每个子任务;(3) Replanner根据执行结果调整后续计划。
- 优势:适合复杂多步任务(如"调研某公司并生成分析报告"),每个子任务可独立验证。
- 与ReAct对比:ReAct是"边想边做",Plan-Execute是"先想好再做"。Plan-Execute更适合确定性任务。
- Spring AI实现:两个独立的ChatClient——一个做Planner,一个做Executor。
- 面试要点:两种模式的适用场景——简单/探索性任务用ReAct,复杂/确定性任务用Plan-Execute。
Agent的Memory设计?
★★★★★
- 短期记忆:当前对话的上下文(ChatMemory),存储在Redis/数据库中,通过conversationId关联。
- 长期记忆:用户偏好、历史交互摘要,持久化到向量数据库或关系数据库。
- 工作记忆:当前任务的中间状态(如已完成的步骤、待处理的子任务),存储在Agent的State中。
- 记忆压缩:对话过长时用LLM压缩历史为摘要,减少Token消耗。
- Spring AI实现:ChatMemory接口 + InMemoryChatMemory/RedisChatMemory实现。
- 面试要点:Memory是Agent"不健忘"的关键,短期+长期+工作三层设计。
Agent的工具调用设计原则?
★★★★★
- 工具描述要精确:告诉LLM工具的用途、参数含义、适用场景,LLM据此决策是否调用。
- 参数设计简单:工具参数越少越好,复杂参数用JSON Schema约束。
- 返回结果精炼:工具返回的结果要简明(不要返回整个数据库记录),LLM需要快速理解。
- 错误处理友好:工具执行失败时返回清晰的错误信息,LLM可以据此重试或换方案。
- 安全边界:危险操作(删除/修改)需要确认,只读操作可以自动执行。
- 面试要点:工具设计的好坏直接影响Agent的准确性和可靠性。
Agent的循环控制和终止条件?
★★★★
- 终止条件:(1) LLM不再请求工具调用(给出最终答案);(2) 达到最大循环次数(防止无限循环);(3) Token消耗超限;(4) 用户主动中断。
- 最大循环次数:通常设5-10次。超过后强制输出当前最佳答案。
- 防止死循环:(1) 记录已调用的工具和参数,避免重复调用;(2) 每次循环检查是否有进展;(3) 设置全局超时。
- Spring AI实现:ChatClient的maxSteps参数控制最大循环次数。
ChatResponse response = chatClient.prompt()
.user(query)
.tools(weatherTool, dbQueryTool)
.maxSteps(5)
.call()
.chatResponse();
Agent的错误处理和重试策略?
★★★★
- 工具调用失败:(1) 将错误信息返回LLM,让LLM决定换参数重试或换工具;(2) 最多重试3次;(3) 3次失败后降级为"无法完成"。
- LLM返回格式错误:(1) 解析失败时重试;(2) Prompt中强调格式要求。
- 超时处理:(1) 设置单次LLM调用超时(30秒);(2) 设置整个Agent Loop超时(5分钟)。
- 降级方案:(1) 工具不可用时用缓存数据;(2) 所有工具不可用时直接用LLM知识回答。
Agent的可观测性?
★★★★
- 追踪维度:每次Thought/Action/Observation记录为独立Span。
- 关键指标:(1) 总循环次数;(2) 工具调用次数/成功率;(3) 总Token消耗;(4) 端到端延迟。
- 日志:记录每一步的输入输出,便于调试和审计。
- 工具:Langfuse记录Agent Trace(完整的Thought→Action→Observation链路)。
- Spring AI实现:自定义Advisor在每次Tool调用前后记录日志和指标。
Agent vs Workflow vs Pipeline?
★★★★
- Agent:LLM自主决策下一步,灵活但不可预测。适合开放性任务。
- Workflow:预定义的步骤序列,每步可以是LLM调用或工具。确定性强。
- Pipeline:线性数据流,输入→处理→输出。最简单但最死板。
- 选型:确定性流程→Workflow;探索性任务→Agent;简单数据处理→Pipeline。
- 面试要点:不是所有场景都适合Agent,过度使用Agent是常见错误。
Agent的Prompt设计?
★★★★
- System Prompt核心内容:(1) 角色定义——"你是一个专业的XX助手";(2) 可用工具列表和说明;(3) 工作流程指引——"先查询XX,再分析XX";(4) 约束——"不要执行XX操作"。
- 少样本(Few-shot):在Prompt中给出1-3个典型对话示例,展示工具调用的标准模式。
- 动态Prompt:根据用户角色/权限动态调整System Prompt(如管理员可以执行更多工具)。
- 面试要点:Agent的Prompt设计比普通ChatBot复杂得多——需要兼顾推理引导和工具使用。
二、MCP协议深入(11-18)
MCP协议的核心架构?
★★★★★
- MCP(Model Context Protocol):Anthropic提出的AI智能体与外部工具的标准化交互协议。
- 架构:MCP Client(AI应用端)↔ MCP Server(工具提供端),通过JSON-RPC 2.0通信。
- MCP Server提供三类能力:(1) Tools(工具调用,如查天气、查数据库);(2) Resources(资源读取,如文件内容);(3) Prompts(Prompt模板管理)。
- 传输方式:stdio(标准输入输出,本地进程通信)、SSE(HTTP Server-Sent Events,远程通信)。
- 面试要点:MCP解决了"每个AI工具需要单独适配"的问题——统一接口,一次适配到处用。
MCP vs Function Calling的区别?
★★★★★
- Function Calling:LLM供应商的私有协议(OpenAI tool_calls、Anthropic tool_use),与模型绑定。
- MCP:开放协议,与模型无关,标准化工具描述和调用格式。
- 关系:MCP是"工具注册和发现的协议",Function Calling是"LLM决定调用工具的机制"。
- MCP Client在运行时:MCP发现工具→转换为Function Calling格式→LLM决策→MCP执行工具。
- 优势:换模型不需要改工具代码;换工具不需要改Agent代码。
- 面试要点:MCP是Function Calling的"上层抽象",不替代而是封装。
MCP Server怎么开发?
★★★★★
@Configuration
public class McpServerConfig {
@Bean
public McpServer mcpServer() {
return McpServer.builder()
.name("weather-tools")
.version("1.0.0")
.tool(Tool.builder()
.name("get_weather")
.description("获取指定城市的天气信息")
.inputSchema("{\"type\":\"object\",\"properties\":{\"city\":{\"type\":\"string\"}},\"required\":[\"city\"]}")
.handler(args -> {
String city = args.get("city").asText();
return weatherService.getWeather(city);
})
.build())
.build();
}
}
- Spring AI MCP:spring-ai-mcp-server-starter自动注册和暴露MCP端点。
- 面试要点:能写一个简单的MCP Server并解释其与Function Calling的关系。
MCP Client怎么接入?
★★★★
// 方式一:通过配置文件
spring.ai.mcp.client.servers.weather.url=http://localhost:3001/sse
// 方式二:编程式
McpClient client = McpClient.builder()
.transport(new SseClientTransport("http://localhost:3001/sse"))
.build();
List<Tool> tools = client.listTools();
- Spring AI自动发现:MCP Client启动时连接所有配置的MCP Server,自动将工具注册为Function Calling可用工具。
- 面试要点:MCP Client的核心价值是"自动发现和注册远程工具"。
MCP的传输协议?
★★★★
- stdio:本地进程通信,MCP Server作为子进程启动,通过标准输入输出交换JSON-RPC消息。适合工具和Agent在同一台机器。
- SSE(Server-Sent Events):HTTP协议,MCP Server暴露SSE端点,Client通过HTTP连接。适合分布式部署。
- Streamable HTTP(MCP 2025-03更新):支持双向HTTP通信,兼容HTTP/2,替代SSE。
- 面试要点:本地用stdio(简单),远程用SSE/HTTP(分布式)。
MCP的认证和权限?
★★★
- OAuth2.1:MCP 2025-03规范推荐使用OAuth2.1进行Server认证。
- API Key:简单的API Key认证,在Header中传递。
- 权限控制:MCP Server可以限制Client可访问的工具和资源。
- 安全注意事项:(1) MCP Server不应暴露敏感工具(如数据库DDL);(2) 工具参数需要服务端校验;(3) 记录所有MCP调用审计日志。
MCP生态现状(2026)?
★★★★
- 官方Server:文件系统、GitHub、数据库(PostgreSQL/MySQL)、Slack、Google Drive、Brave Search。
- 社区Server:1000+个开源MCP Server,覆盖主流SaaS和工具。
- MCP Registry:类似Docker Hub的MCP Server仓库,搜索和安装MCP工具。
- 与Spring AI集成:Spring AI MCP模块提供Client和Server的完整支持。
- 面试要点:MCP已捐献给Linux基金会,生态快速发展中。
MCP的Resources和Prompts?
★★★
- Resources:MCP Server暴露的只读资源,如文件内容、数据库记录、API响应。Client通过read_resource访问。
- Prompts:MCP Server提供的Prompt模板,Client可以通过list_prompts发现,get_prompt获取。
- 与Tools区别:Tools是可执行的(有副作用),Resources是只读的,Prompts是模板。
- 面试要点:MCP的三类能力——Tools(执行)、Resources(读取)、Prompts(模板)。
三、A2A协议与多智能体(19-28)
A2A协议是什么?
★★★★★
- A2A(Agent-to-Agent):Google提出的开放协议,解决多个AI智能体之间的通信和协作问题。
- 核心概念:每个Agent有一个Agent Card(JSON描述——能力、接口、认证方式)。
- 通信模型:Client Agent(发起请求)→ Remote Agent(处理请求),通过HTTP+JSON交互。
- Task(任务):A2A的核心抽象。Client发送Task→Remote Agent处理→返回结果(支持流式)。
- 与MCP区别:MCP解决Agent↔工具的交互;A2A解决Agent↔Agent的交互。
- 面试要点:A2A是Agent间"对话"的协议,MCP是Agent"使用工具"的协议。
A2A的消息格式?
★★★★
- Task结构:{taskId, status, history: [{role, parts: [{type: "text/artifact", content}]}]}。
- Part类型:TextPart(文本消息)、FilePart(文件/二进制)、DataPart(结构化数据)。
- Artifact:Agent产出的结果(如生成的报告、代码、图片),通过Artifact传递。
- 流式响应:Agent处理过程中通过SSE推送状态更新(如"正在分析数据..."→"已完成50%")。
- 面试要点:A2A的消息格式设计支持多种内容类型和流式交互。
A2A的Agent Card是什么?
★★★★
- 概念:每个Agent的"名片",描述Agent的能力和接口。
- 内容:{name, description, url, capabilities: {streaming, pushNotifications}, skills: [{id, name, description, examples}]}。
- 发现机制:Agent通过URL获取其他Agent的Card,了解其能力后决定是否协作。
- 安全:Agent Card包含认证信息(如OAuth2 endpoints)。
- 面试要点:Agent Card是A2A的"服务发现"机制,类似微服务的注册中心。
Multi-Agent的编排模式?
★★★★★
- 顺序模式:Agent A → Agent B → Agent C,流水线处理。如"调研Agent→分析Agent→报告Agent"。
- 并行模式:同时启动多个Agent,汇总结果。如"同时调研3个竞品,汇总分析"。
- 路由模式:Router Agent根据请求分发到专业Agent。如"客服路由→技术Agent/销售Agent/投诉Agent"。
- 层级模式:Manager Agent分配任务给Worker Agent,汇总结果。如"项目经理分配给开发/测试/文档"。
- 面试要点:能画出至少两种Multi-Agent编排模式并解释适用场景。
Spring AI的Multi-Agent实现?
★★★★★
@Service
public class MultiAgentOrchestrator {
@Autowired ChatClient chatClient;
public String process(String query) {
// Step 1: Router Agent判断意图
String intent = chatClient.prompt()
.user("判断以下问题的意图类型(技术/销售/投诉):" + query)
.call().content();
// Step 2: 路由到专业Agent
String result = switch(intent) {
case "技术" -> techAgent.process(query);
case "销售" -> salesAgent.process(query);
case "投诉" -> complaintAgent.process(query);
default -> generalAgent.process(query);
};
return result;
}
}
- 面试要点:Spring AI目前没有内置的Multi-Agent框架,需要自己设计编排逻辑。
Agent间的上下文传递?
★★★★
- 共享上下文:所有Agent共享一个ConversationContext(存Redis),包含对话历史、用户信息、中间结果。
- 消息传递:Agent A的输出作为Agent B的输入,通过消息队列或直接调用。
- 状态管理:每个Agent维护自己的内部状态(State),通过State Key在Agent间共享。
- 序列化:Agent间传递的对象需要序列化为JSON/字符串,接收方反序列化。
- 面试要点:Agent间上下文传递是Multi-Agent系统的核心挑战。
Multi-Agent的一致性和冲突解决?
★★★★
- 一致性:多个Agent可能给出矛盾的结论。方案:(1) 投票机制——多数优先;(2) 权威Agent——指定一个Agent做最终决策;(3) LLM仲裁——用LLM综合多个Agent的结论。
- 冲突检测:比较多个Agent的输出,发现矛盾时触发冲突解决流程。
- 超时处理:某个Agent超时未响应时,用其他Agent的结果替代或降级。
- 面试要点:Multi-Agent系统的"一致性"是分布式系统的经典问题。
AG-UI协议?
★★★
- 概念:Agent与前端UI的交互标准,定义Agent如何向前端推送状态和接收用户输入。
- 核心能力:(1) 流式文本输出(逐Token显示);(2) 工具调用状态(正在调用XX工具);(3) 中间结果展示(如检索到的文档片段);(4) 用户交互(确认/选择/填表)。
- 与SSE区别:AG-UI定义了更丰富的消息类型(不只是文本流),支持结构化的Agent事件。
- 前端集成:React/Vue组件订阅AG-UI事件流,实时渲染Agent状态。
Agent框架对比:Spring AI vs LangGraph vs CrewAI?
★★★★
- Spring AI:Java生态、企业级、与Spring Boot深度集成、适合Java团队。
- LangGraph:Python生态、图状态机编排、灵活但学习曲线陡、适合AI研究团队。
- CrewAI:Python生态、角色扮演多Agent、简单易用、适合快速原型。
- 选型建议:Java后端团队→Spring AI;AI研究团队→LangGraph;快速Demo→CrewAI。
- 面试要点:能客观对比三个框架的优劣,根据团队背景选择。
Multi-Agent的测试策略?
★★★★
- 单Agent测试:Mock LLM和工具,测试单个Agent的决策逻辑。
- 集成测试:多个Agent协作的端到端测试,验证任务分配和结果汇总。
- 对抗测试:故意给错误输入,测试Agent的错误处理和降级能力。
- 回归测试:用Golden Set确保Agent升级后行为不回退。
- 性能测试:模拟并发请求,测试Agent的吞吐和延迟。
四、Agent生产化(29-38)
Agent的成本控制?
★★★★★
- Token消耗:(1) 每次Agent Loop消耗大量Token(System Prompt + 历史对话 + 工具描述 + 工具结果);(2) 循环次数越多消耗越大。
- 控制策略:(1) 限制最大循环次数(5次);(2) 精简工具描述(减少输入Token);(3) 压缩历史对话(摘要替代原文);(4) 小模型路由(简单任务用Haiku/mini)。
- 成本监控:每次Agent调用记录总Token消耗,按租户/接口统计。
- 面试要点:Agent的成本远高于普通ChatBot(每次调用可能消耗10倍Token),成本控制是生产化的关键。
Agent的安全性?
★★★★★
- Prompt注入防御:(1) 用户输入与系统指令分离;(2) 工具参数校验;(3) 输出敏感信息过滤。
- 工具安全:(1) 危险操作需用户确认;(2) 工具参数范围校验;(3) 工具调用频率限制。
- 权限控制:(1) 不同角色可用不同工具集;(2) 敏感数据需要权限检查;(3) 审计日志记录所有工具调用。
- 数据安全:(1) 不在Prompt中放置敏感信息;(2) 工具返回结果脱敏;(3) 对话记录加密存储。
Agent的缓存策略?
★★★★
- 语义缓存:将用户问题Embedding后匹配历史问答,相似度>0.95直接返回缓存答案。
- 工具结果缓存:相同参数的工具调用结果缓存(如天气API,缓存10分钟)。
- 中间结果缓存:Agent Loop中每一步的中间结果缓存,失败重试时从最近的成功步骤继续。
- 缓存更新:LRU淘汰+TTL过期+用户反馈(点赞率高延长缓存时间)。
Agent的流式输出实现?
★★★★★
- SSE方案:Agent每产生一个Token就推送给前端。
@GetMapping(value = "/agent/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<ServerSentEvent<String>> streamAgent(@RequestParam String query) {
return chatClient.prompt().user(query).tools(toolList).stream()
.chatResponse()
.map(resp -> ServerSentEvent.<String>builder()
.event("token")
.data(resp.getResult().getOutput().getText())
.build());
}
- 事件类型:token(文本流)、tool_call(工具调用开始)、tool_result(工具返回结果)、done(完成)。
- 前端渲染:根据事件类型展示不同UI(文本流→打字机效果,工具调用→工具状态卡片)。
Agent的降级方案?
★★★★
- 工具降级:某个MCP Server不可用时,跳过该工具,用LLM知识回答。
- 模型降级:主模型超时或不可用时,切换到备用模型(GPT-4o→Claude→本地模型)。
- 规则降级:所有模型不可用时,走规则引擎(FAQ匹配)返回预设答案。
- 缓存降级:常见问题直接返回缓存答案,不经过Agent。
- 面试要点:Agent系统至少需要3层降级(模型→工具→规则)。
Agent在客服场景的应用?
★★★★★
- 架构:用户提问→意图识别→路由Agent→专业Agent(查询工具/知识库/工单系统)→生成回答。
- 工具集:知识库搜索(RAG)、订单查询(数据库)、退款操作(业务API)、工单创建。
- 人机协作:Agent置信度低时转人工;简单问题自动处理;复杂问题Agent辅助人工。
- 效果指标:自动解决率(>70%)、平均响应时间(<3秒)、用户满意度(>85%)。
Agent在数据分析场景的应用?
★★★★
- Text-to-SQL Agent:用户自然语言提问→Agent转换为SQL→执行查询→图表展示。
- 工具集:数据库查询工具、Python代码执行工具(沙箱)、图表生成工具。
- 安全:SQL只允许SELECT、代码执行在容器沙箱中、结果行数限制。
- 面试要点:Text-to-SQL是Agent在企业中最常见的落地场景。
Agent在代码辅助场景的应用?
★★★★
- 架构:用户描述需求→Code Agent→代码搜索→代码生成→测试执行→代码审查。
- 工具集:代码搜索(grep/AST)、文件读写、终端执行、Git操作、测试运行。
- 安全:(1) 代码执行在沙箱中;(2) Git操作需要确认;(3) 文件写入需审核。
- 面试要点:Coding Agent是2026年最火的Agent应用方向。
Agent的评估指标?
★★★★
- 任务完成率:Agent成功完成用户任务的比例(目标>90%)。
- 工具使用准确率:Agent选择了正确工具和参数的比例。
- 循环效率:完成一次任务的平均循环次数(目标<3次)。
- Token效率:完成一次任务的平均Token消耗。
- 用户满意度:用户对Agent回答的点赞率。
- 面试要点:Agent评估比普通LLM评估复杂——不只是看回答质量,还要看过程质量。
Agent的未来趋势(2026+)?
★★★★
- Agent操作系统:统一的Agent运行时环境,管理Agent的生命周期、权限、资源。
- Agent市场:像App Store一样,搜索和安装专业Agent。
- Self-evolving Agent:Agent根据反馈自动优化自己的Prompt和工具使用。
- Agent + IoT:Agent控制物理设备(智能家居、工业机器人)。
- Agent + 区块链:Agent间的交易和合约自动执行。
- 面试要点:展示对Agent发展趋势的理解,不只是会用,还要知道方向。
五、Agent实战案例(39-50)
智能客服Agent设计?
★★★★★
- Agent角色:(1) Router Agent——意图识别和路由;(2) FAQ Agent——知识库查询;(3) Order Agent——订单查询和处理;(4) Complaint Agent——投诉处理。
- 工具:knowledgeBase.search()、orderService.query()、orderService.refund()、ticketService.create()。
- 流程:用户提问→Router判断意图→专业Agent处理→调用工具→生成回答。
- 降级:工具不可用时→"抱歉,正在为您转接人工客服"。
数据分析Agent设计?
★★★★★
- 工具:sqlQuery(question→SQL→执行)、pythonCode(代码→沙箱执行→结果)、chart(data→图表)、explainData(统计分析)。
- 流程:用户提问→Agent分析需要什么数据→生成SQL→执行→分析结果→生成图表→输出报告。
- 安全:SQL只允许SELECT、Python代码在Docker容器中执行、超时10秒强制终止。
代码审查Agent设计?
★★★★
- 工具:readFile、searchCode、runTests、gitDiff、linter。
- 流程:Git Push触发→Agent读取diff→逐文件审查(风格/安全/性能)→给出建议→跑测试验证。
- 输出:{file, line, severity, message, suggestion}列表。
- 集成:CI/CD流水线中的Agent Step,评审不通过则阻断合并。
RAG Agent设计?
★★★★
- 与普通RAG区别:普通RAG是检索+生成两步;RAG Agent是自主决策检索策略(查询改写、多轮检索、结果判断)。
- 工具:vectorSearch(query)、webSearch(query)、documentReader(url)、summarizer(text)。
- 流程:用户提问→Agent判断是否需要检索→检索→判断结果是否充分→不够则改写查询再检索→生成回答。
- 面试要点:RAG Agent解决了普通RAG"一次检索不够"的问题。
DevOps Agent设计?
★★★★
- 工具:kubectl(shell命令)、helm(部署)、logQuery(日志查询)、metricQuery(指标查询)、incidentManager(告警管理)。
- 场景:(1) 用户:"order-service的P99延迟突然升高,帮我排查"→Agent查询日志→定位慢SQL→给出优化建议。
- 安全:只允许只读操作(查询日志/指标),写操作(部署/扩缩容)需要人工确认。
销售辅助Agent设计?
★★★★
- 工具:crmQuery(客户信息)、productSearch(产品搜索)、priceCalculator(报价计算)、contractGenerator(合同生成)。
- 流程:销售提问→Agent查询客户历史→分析需求→推荐产品→生成报价→草拟合同。
- 价值:减少销售的重复性工作,让销售聚焦在客户关系维护上。
文档生成Agent设计?
★★★★
- 工具:codeReader(读取源码)、apiScanner(扫描API)、templateEngine(模板渲染)、diagramGenerator(流程图生成)。
- 流程:指定代码路径→Agent扫描代码结构→分析API接口→生成接口文档→生成架构图→输出Markdown文档。
测试Agent设计?
★★★★
- 工具:codeReader、testCaseGenerator(生成测试用例)、testRunner(执行测试)、coverageAnalyzer(覆盖率分析)。
- 流程:读取源码→分析函数逻辑→生成边界用例→执行测试→分析覆盖率→补充遗漏用例。
- 价值:自动生成单元测试用例,提高代码覆盖率。
Agent的对话状态管理?
★★★★
- 会话状态:conversationId + 当前任务状态(待处理/处理中/等待用户确认/已完成)。
- 持久化:Redis存储会话状态(TTL=24小时),数据库存储长期历史。
- 恢复:用户重新进入会话时,从Redis恢复状态,Agent可以继续之前的任务。
- 清理:会话超时后自动清理状态,释放资源。
Agent的A/B测试?
★★★★
- 实验变量:Prompt模板、模型选择、工具集、最大循环次数、温度参数。
- 分流:按用户ID hash分流到不同Agent配置。
- 指标:任务完成率、工具调用准确率、用户满意度、Token消耗。
- 统计显著性:每组至少1000次交互,确认差异显著后全量切换。
Agent的国际化(多语言)?
★★★
- 方案一:System Prompt中指定"用用户使用的语言回答"。
- 方案二:路由Agent识别语言→分发到对应语言的Agent。
- 工具国际化:工具返回结果需要翻译(或工具本身支持多语言)。
- 面试要点:LLM天然支持多语言,Agent国际化主要挑战在工具层。
2026年Agent面试必答题总结?
★★★★★
- 必答1:画出一个完整的Agent架构图(LLM+Tools+Memory+Loop)。
- 必答2:解释ReAct模式的流程(Thought→Action→Observation循环)。
- 必答3:MCP vs Function Calling vs A2A三者的关系和区别。
- 必答4:Agent的成本控制策略(Token消耗+循环次数限制)。
- 必答5:Agent的安全性设计(工具安全+Prompt注入防御+权限控制)。
- 必答6:Multi-Agent的编排模式(顺序/并行/路由/层级)。
- 必答7:你在项目中如何评估Agent的效果(任务完成率+工具准确率+用户满意度)。
- 必答8:Agent的降级方案(模型降级→工具降级→规则降级→缓存兜底)。