2026面试六大前沿热点速查 - 四、AI Agent / MCP协议 / RAG 面试题
本文是 2026面试六大前沿热点速查 的分章阅读版。
四、AI Agent / MCP协议 / RAG 面试题
Q1: MCP协议的核心架构和传输方式?
答案要点:
- 三层架构:Host(宿主应用) -> Client(1:1连接Server) -> Server(提供Tools/Resources/Prompts)
- 三大原语:Tools(工具调用)、Resources(资源访问)、Prompts(提示模板)
- 消息格式:JSON-RPC 2.0,UTF-8编码
- 传输方式:
- stdio:客户端以子进程启动服务器,通过stdin/stdout管道传递消息,适合本地开发
- SSE (Streamable HTTP):基于HTTP的服务器推送,适合生产环境、云端部署
- Streamable HTTP:2026更新标准,兼容HTTP生态,性能更优
- 面试加分:能区分MCP(工具连接协议)vs Skills(完成任务的能力包)vs A2A(Agent间协作协议)
Q2: Agent Loop是什么?和普通工作流有什么区别?
答案要点:
- Agent Loop:LLM自主循环执行 Thought -> Action -> Observation,直到任务完成
- 与工作流区别:
- 工作流:预先定义步骤,线性执行,确定性高
- Agent Loop:LLM自主决策下一步,动态路径,灵活但不可预测
- ReAct模式:最经典的Agent Loop实现,结合推理(Reasoning)和行动(Acting)
- 面试追问:Agent Loop的停止条件?token消耗控制?错误重试策略?
Q3: RAG召回率低怎么排查?
答案要点:
1. 文档解析层:PDF/Word是否正确提取文本?表格/图片是否丢失?
2. Chunk策略:切分粒度是否合理?是否破坏了语义完整性?
3. Embedding质量:向量模型是否适合中文/专业领域?
4. 检索策略:是否使用Hybrid Search(向量+关键词)?
5. 排序优化:是否引入Rerank模型对候选结果重排序?
6. Query Rewrite:用户query是否需要改写/扩展?
- 不要一上来就改Prompt——90%的RAG问题出在检索阶段而非生成阶段
Q4: Function Calling和MCP有什么区别?
答案要点:
- Function Calling:LLM直接调用预定义函数,函数定义嵌入在API请求中
- MCP:标准化的工具连接协议,Agent通过MCP Server间接访问工具
- 核心区别:
- Function Calling是模型能力(模型决定调什么函数)
- MCP是工程协议(标准化工具注册、发现、调用流程)
- MCP支持跨平台、跨应用的工具复用
- 生产环境:MCP需要考虑安全治理(权限控制、审计日志、沙箱隔离)
Q5: Agent的Memory怎么设计?
答案要点:
- 三层记忆架构:
- 工作记忆(Working Memory):当前对话上下文,受token窗口限制
- 会话记忆(Session Memory):跨轮对话的历史摘要
- 长期记忆(Long-term Memory):向量存储的知识和偏好
- 长任务上下文溢出处理:
- 滚动窗口:保留最近N轮对话
- 摘要压缩:用LLM压缩历史对话为摘要
- 分段加载:按需从长期记忆检索相关信息
- 面试加分:能讲出Memory与RAG的区别——Memory是Agent自身状态,RAG是外部知识检索
Q6: RAG进化路线:Naive → Advanced → Self-RAG → CRAG → GraphRAG → Agentic RAG?
答案要点:
| 模式 | 核心机制 | 适用场景 | 面试区分度 |
| Naive RAG | 检索+拼接+生成 | 简单FAQ | 入门级 |
| Advanced RAG | +Query改写+Rerank+Hybrid Search | 企业知识库 | 主流要求 |
| Self-RAG | 模型自评估检索质量→决定是否再检索 | 高准确率要求(医疗/金融) | 高 |
| CRAG(Corrective) | 检索质量差→自动纠正→Web搜索兜底 | 检索源不稳定 | 高 |
| GraphRAG | 知识图谱+多跳推理→实体关系遍历 | 复杂关系推理(法律/医疗) | 很高 |
| Agentic RAG | Agent自主规划检索策略→多步检索+推理 | 复杂多步任务 | 最高 |
- Self-RAG核心:模型输出"反思Token"(相关/不相关/有用/无用)→自主判断检索质量
- CRAG核心:置信度评估→低置信度触发纠正(查询改写/Web搜索/知识图谱推理)
- GraphRAG核心:构建实体-关系-实体三元组→图遍历替代向量检索→支持多跳推理
- Agentic RAG核心:Agent规划检索策略→按需调用多种检索工具→迭代直到满意
- 面试话术:"RAG进化=从被动检索到主动反思到自主规划,核心驱动力是降低幻觉+提升推理深度"
Q7: 2026主流AI Agent框架怎么选?
答案要点:
| 框架 | 语言 | 生产就绪度 | 特点 | 月搜索量 |
| LangGraph | Python | #1 | 状态管理强,图式编排 | 27,100 |
| Claude Agent SDK | TS/Python | #2 | Anthropic官方,安全优先 | 新增 |
| CrewAI | Python | #3 | 角色式Agent,易上手 | 14,800 |
| AutoGen | Python | #4-5 | Microsoft,多Agent对话研究 | 8,200 |
| Spring AI Agent | Java | 企业级 | Java生态,企业集成友好 | 增长中 |
- Java后端选型:Spring AI Agent + MCP集成,复杂场景可桥接LangGraph
- 生产趋势:2026年Agent市场$7.8B→2030年$52B,LangGraph生产采用率最高
- 面试话术:"Python生态选LangGraph(生产首选),Java生态选Spring AI Agent(企业集成),选型标准=团队语言栈+生产就绪度+社区活跃度"
相关页面