企业官网建设流程全解析

背景：岗位本质是LLM 应用工程师 / AI Agent 工程岗，极少会考大模型训练、Transformer 推导；80% 面试围绕：Agent 原理、Function‑Calling、RAG、LangGraph、生产落地问题、项目深挖。 岗位分两档： 1）初级：会调用 API、会 LangChain、能做 RAG、跑通 Agent Demo； 2）中高级：LangGraph 状态机、记忆管理、失败处理、多 Agent、性能并发、可观测、线上问题排查。

一、面试整体流程

1. 自我介绍（重点讲项目：RAG/Agent 项目，遇到什么问题，怎么解决）
2. Python & 后端基础手撕（asyncio、json 处理、异常、简单 FastAPI）
3. Agent 理论问答（高频）
4. 项目深挖（占比最高，简历写什么就深挖什么）
5. 代码手写题：手写 ReAct 循环、工具调用处理、RAG 链路片段
6. 场景题（线上出故障怎么排查，是区分 Demo 选手和工程选手的关键）
7. 反问环节

⚠️大坑：很多同学简历只写 “基于 LangChain 做了 Agent”，没有讲遇到的问题，面试官直接判定只会跑 Demo。

二、高频面试题 + 答题思路（真实面试高频）

🔹基础概念题

1. 什么是 AI Agent？Agent 和普通 LLM 对话有什么区别？

答题要点： 普通对话：LLM 只做生成，没有外部能力，没有任务规划； Agent = LLM 大脑 + Memory 记忆 + Tool 工具调用 + Planning 任务规划。 可以自主判断什么时候调用工具、多轮循环完成复杂任务，不是一问一答。

1. ReAct 原理是什么？ReAct 的执行流程？

Thought → Action → Observation → 循环，直到输出 Final Answer。 要讲清楚：Thought 思考要不要调用工具，Action 输出工具名 + 参数，Observation 拿到工具返回结果喂回给大模型。 很多面试官会让你手写简易 ReAct 循环。

1. Function Calling / ToolCall 底层原理，模型一定能正确调用工具吗？失败场景有哪些？如何处理？

原理：给模型传入工具 JSON Schema 描述，模型输出结构化工具调用，解析后执行工具。 失败场景：

• 模型幻觉，不输出规定 JSON，输出自然语言；
• 参数缺失、参数类型错误；
• 不该调用工具的时候乱调用；
• 工具返回结果太长，超出上下文窗口；

解决方案： 1）强约束 prompt，少样本；2）输出格式校验，JSON 解析失败重试；3）工具参数校验；4）最大循环轮次限制，防止死循环；5）兜底降级，直接让模型回答。

1. Memory 记忆系统有哪几种？怎么解决上下文无限膨胀？

• 短时记忆：完整对话上下文；
• 摘要记忆：对历史做摘要压缩；
• 向量长记忆：把久远历史向量化，需要的时候检索召回；

膨胀解决： 1）滑动窗口保留最近 N 轮；2）历史摘要；3）长记忆向量检索，不全量塞上下文；4）token 计数截断。

1. RAG 相关高频：RAG 流程，RAG 效果差、幻觉怎么排查？

流程：文档加载→切片→Embedding 入库→检索→rerank→组装 prompt→大模型回答。 召回差排查：切片策略、embedding 模型、检索 top‑k、是否做 rerank； 幻觉：检索到无关内容、上下文不足、模型本身幻觉；对策：引用原文片段、prompt 约束只能基于检索内容回答。

🔹框架相关（LangChain / LangGraph 面试重灾区）

1. LangGraph 相比旧版 AgentExecutor 好在哪里？

AgentExecutor：黑盒循环，无法干预中间步骤，不能暂停、回退、复杂分支很难写。 LangGraph：基于状态机；状态可以自定义；节点、边、条件分支；支持中断、人工介入、重试、回滚；每一步状态持久化，适合生产级 Agent。 重点：不是 LangGraph 封装得更简单，是可控性。

1. LangGraph 的 State 是什么？

全局状态字典，所有节点共享，保存对话、工具返回、中间变量，每一步节点修改 State，图流转。

1. CrewAI/AutoGen 多 Agent 原理，多 Agent 会遇到什么问题？角色分工；Agent 之间互相传消息； 问题：循环闲聊、任务跑偏、角色越权、消息上下文膨胀；需要总控 agent、最大轮次限制。

🔹工程 & 生产场景题（非常重要，初级到中高级分水岭）

这类题很多人答不好，因为只跑本地 Demo，没有上线。

1. Agent 上线后出现死循环，不停调用同一个工具，怎么定位、怎么解决？

排查：看日志，看每一轮 state、模型输出，看工具返回内容。 解法： ① 设置最大迭代轮次，超过直接终止； ② 检测连续多次相同工具调用，触发终止； ③ prompt 约束任务完成条件； ④ LangGraph 可以设置递归 limit。

1. 工具调用超时，第三方接口挂了，Agent 怎么处理？

工具层加超时时间；捕获异常；把异常信息放回上下文交给 LLM； 可以配置重试策略；多次失败之后降级，告知用户当前工具不可用，不要无限循环。

1. 线上用户并发上来，Agent 会话怎么存储？为什么不能内存存记忆？

内存只适合 demo；重启丢失，多实例无法共享会话； 生产：MySQL/Redis 存储会话、历史消息、Agent state；LangGraph 支持持久化 Checkpoint。

1. Agent 系统怎么做可观测？记录：每一轮 prompt、输入输出、token 消耗、工具调用名称、参数、返回值； 记录失败 case；统计工具调用成功率、Agent 完成率；方便定位是模型问题，还是工具问题，还是 prompt 问题。

2. 用户输入恶意 prompt，怎么做安全防护？输入输出护栏；prompt 注入防护；工具权限管控，不能随便调用高危接口；过滤敏感输入。

🔹手写代码题（面试会现场写或者口述思路）

1. 手写极简 ReAct 循环（不使用 LangChain），伪代码 /python 代码。
2. 给定工具返回非 JSON，写逻辑处理 JSON 解析失败重试。
3. FastAPI 封装一个 Agent 接口，会话管理。
4. RAG 简单链路：切片‑向量化‑检索。

不会要求写完整大项目，主要考察你懂不懂内部流转逻辑，而不是只会调用框架 API。

三、项目深挖面试套路（简历怎么写，面试官会怎么问）

举例子，简历写：基于 LangGraph 实现文档分析 Agent 面试官追问链条： 1）为什么选 LangGraph，不用 AgentExecutor？ 2）记忆怎么管理？如何处理长文档上下文膨胀？ 3）工具调用失败怎么处理？遇到哪些失败 case？ 4）RAG 切片用多大？为什么这么切？遇到召回差怎么调优？ 5）如果上线并发上来，会话怎么持久化？ 6）怎么评估这个 Agent 到底好不好用？指标是什么？

✅简历项目一定要写：遇到的问题 + 你的解决方案，例如： ❌不好：实现一个文档 Agent，支持工具调用。 ✅好：基于 LangGraph 构建文档分析 Agent；解决工具调用 JSON 解析失败增加重试逻辑；通过摘要记忆 + 向量长记忆解决上下文膨胀；使用 Checkpoint 做状态持久化；评测工具调用成功率、任务完成率。

Agent 项目可以写的评估指标（面试加分）

• 工具调用成功率
• 任务完成率
• 幻觉率
• token 消耗
• 平均迭代轮次

四、面试踩坑（很多人踩）

1. 只会背 LangChain API，讲不清楚底层逻辑。面试官问：如果不用 LangGraph，你自己怎么实现 Agent 循环？答不上来。

对策：一定要手写一遍原生 ReAct，理解循环逻辑。

1. 只讲理想流程，完全不提异常、失败 case。面试官默认你只跑 demo，没有工程经验。

2. RAG 只会说切片、向量库，讲不出召回差、幻觉的实际排查手段。

3. 混淆概念：把 RAG 等同于 Agent；RAG 只是 Agent 其中一个组件。

4. 多 Agent 只会说 CrewAI 示例，不知道多 Agent 会出现闲聊循环、任务失控等现实问题。

五、不同水平面试侧重点

初级岗（1‑3 年，LLM 应用开发）

• Python 基础、FastAPI；
• 理解 Agent、ReAct、Function‑Calling；
• 会 RAG，会 LangChain；能看懂 LangGraph 代码；
• 知道常见失败场景。

中高级 Agent 工程师（3‑5 年）

• LangGraph 状态机深度，checkpoint 持久化；
• Agent 系统架构设计；多 Agent 系统设计；
• 性能、并发、限流、可观测体系；
• Agent 评测体系；模型降级策略；
• 开源 Agent 框架二次改造。

六、面试反问环节参考

1. 咱们团队 Agent 主要做什么业务场景？单 Agent 为主还是多 Agent 协作？
2. 生产环境是闭源模型还是开源模型部署？
3. Agent 系统现在遇到的主要线上问题是什么？