Agent开发一面面经

#牛客AI配图神器##暑期实习互联网##我的求职进度条##暑期实习##27届求职交流#

一、 RAG 与检索架构优化

1. 分层设计：系统为何同时采用 LangGraph 和 LangChain 进行分层架构设计？出于什么考虑？
2. 混合检索：混合检索的实际召回效果如何？演进过程中（纯向量/传统 BM25 -> 混合检索）解决了什么痛点？
3. 召回瓶颈：混合检索仍未成功召回的那部分数据，痛点和底层归因是什么？
4. 分块策略 (Chunking)：目前 RAG 的分块策略是什么？存在哪些瓶颈？有哪些更优的优化策略？
5. 重排必要性 (Rerank)：引入 Rerank 的核心作用和底层逻辑是什么？
6. 精排机制 (Cross-Encoder)：为什么精排阶段要使用 Cross-Encoder？它与粗排的区别是什么？解决了粗排的什么问题？
7. 底层原理：Cross-Encoder 具体是如何协同和工作的？

二、 大模型幻觉与 Agent 推理 (ReAct)
8. 幻觉成因：大模型产生幻觉的底层物理原因是什么？
9. 幻觉缓解：如何从数据、模型、推理三个层面降低模型的幻觉？
10. Agent 优势：在推理层面，为什么 Agent 架构比传统的对话式 RAG 表现更好？
11. ReAct 机制：简述 ReAct 框架的具体执行流程，它为何能够有效降低幻觉？
12. 复杂场景泛化：ReAct 作为一种泛化的智能体思维方式，如何通过架构设计去解决复杂的长链场景，而非单一问题？

三、 系统评测与模型对比
13. 评测方案：如何评定该场景下 Agent 的好坏？命中率评测是采用人工（人评）还是自动化（机评）？
14. 测试集构建：构建的标准答案测试文档，主要划分和构造了哪些维度？
15. 选型对比：是否横向对比过不同模型的效果？使用的通义千问-Max 是本地部署还是 API 调用？

四、 复杂系统设计与长任务记忆管理（架构场景题）
16. 场景设计 ：如何设计一个涵盖“代码开发 -> 联调 -> 测试 -> 发布上线”全生命周期的研发 Agent？
17. 状态管理：面对如此复杂的全流程链路，单个 State（状态）能否有效承载？
18. 上下文保持：在超长任务链路执行时，如何最大程度保留并保证上下文信息的有效性？
19. 多智能体 (Multi-Agent)：什么情况下该用多 Agent？解决了什么问题？会带来哪些副作用？在复杂场景下利大于弊还是弊大于利？
20. 短期记忆方案：长任务执行必然带来上下文窗口限制，如何设计有效的短期记忆方案？
21. 记忆总结策略：对上下文进行压缩/总结时，除了直接丢给模型自动总结，还有哪些优化策略？
22. 记忆归属划分：用户偏好（User Preference）应该放在短期记忆还是长期记忆中？
23. 信息流过滤：在短期记忆设计中，采用何种策略让 AI 精准提取、保留有效信息，并过滤无效信息？