Agent 开发面试题
从 LLM 基础到 Harness 运行时架构，12 篇围绕 24 个核心问题展开。每期把机制推到工程落点，配零依赖可运行实验。
面试题
把每个问题讲透，而不是记住答案。
这里是面试系统——按技术方向分成若干分组，每个分组都是一组可以连续读完的面试题精讲。
每一期围绕 1–2 个核心问题展开，组织方式是固定的：给出问题 → 讲透机制与原理 → 用可运行的代码验证 → 收敛出工程约束。这里不提供「标准答案」，因为答案是否成立取决于具体场景；给出的是判断依据与量化数据。
三个刻意的设计：
- 每个概念都推到工程落点。有价值的分界不在第一句定义，而在「chunk 为什么切 512」这一层。所以每篇都会把机制一路推到成本、延迟或可靠性约束上。
- 数字来自可运行的实验。文中出现的每个量级都有对应的零依赖 Python 脚本，可以自己跑一遍，也可以改参数再跑一遍。
- 每篇回链本站的真实实践。Agent 记忆专题、Connector 专题、演示环境里的落地项目——面试题一旦离开工程现场，就只剩背诵。
Agent 开发面试题（当前分组）
共 12 篇，围绕 24 个核心问题展开，分四层递进：
| 层 | 篇目 | 这一层要解决的问题 |
|---|---|---|
| L1 基础 | 01 LLM 基础与模型边界 | 模型是怎么工作的，LLM 的边界在哪 |
| L1 基础 | 02 什么是 AI Agent | Agent 到底指什么，与 Workflow 怎么分 |
| L2 工具、上下文与控制流 | 03 Function Calling | 工具怎么接、调错怎么办 |
| L2 工具、上下文与控制流 | 04 MCP 与工具生态 | 企业系统怎么安全接入 Agent |
| L2 工具、上下文与控制流 | 05 上下文工程与压缩 | 上下文怎么管、满了怎么压 |
| L2 工具、上下文与控制流 | 06 记忆系统（Memory） | 记忆怎么写、冲突与过期怎么处理 |
| L2 工具、上下文与控制流 | 07 Agent Loop 与 ReAct | 循环怎么转、怎么停、怎么防绕圈 |
| L3 运行时与知识 | 08 Planning、Reflection 与状态管理 | 长任务怎么规划、挂了怎么续 |
| L3 运行时与知识 | 09 Harness：Agent 运行时架构 | 运行时由什么组成、为什么必须在代码层 |
| L3 运行时与知识 | 10 RAG | 知识怎么取、Chunk 与检索怎么调 |
| L3 运行时与知识 | 11 复杂架构的取舍 | 知识路线怎么选、什么时候该拆多 Agent |
| L4 生产与架构 | 12 生产化与系统设计 | 可靠性、安全、评估与成本怎么落地 |
分组总览
面试系统由这几个分组组成
Java 面试题
JVM、并发、Spring 生态与分布式事务，按「原理 → 工程取舍 → 数据验证」组织。
Golang 面试题
GMP 调度、GC、channel 与并发模式、工程化实践，面向中高级后端岗位。
分组
Agent 开发面试题
- 第 1 期
LLM 基础与模型边界：Transformer、Token 与幻觉L1
从面试角度快速理解 LLM 的几个核心概念：Attention、Transformer、Token、Context Window 和幻觉，以及这些概念对 Agent 开发意味着什么。
- Self-Attention 在做什么？
- 为什么 Transformer 更适合做 LLM？
- 什么是 Token 和 Context Window？
- 为什么 LLM 会产生幻觉？
- temperature=0 是不是完全确定的？
- 第 2 期
什么是 AI Agent：定义、判据与组件L1
从面试角度理解 AI Agent：明确 Agent 的定义边界，区分 Chatbot、Workflow 与 Agent，梳理核心组件和运行时控制，并讨论 Agent 的适用场景、可靠性与工程取舍。
- 什么是 AI Agent？它和 Chatbot、Workflow 有什么区别？
- Agent 的核心组件有哪些？模型、工具和运行时分别负责什么？
- 什么场景应该使用 Agent，什么场景应该使用 Workflow？
- 为什么生产系统通常采用 Agent 与 Workflow 混合的架构？