本文整理自一场度小满大模型方向技术一面。
本场面试主要围绕 AI Agent、多 Agent 架构、ReAct、上下文工程、MCP、Tool Calling、RAG 和大模型幻觉等内容展开。
文末附有候选人简介，以及候选人面了 70+ 场的最大心得体会。
一、AI Agent 基础
Agent 与 Workflow
- 什么是 Agent？
- Agent 和传统 Workflow 有什么区别？
- 一个 Agent 的核心组成有哪些？
面试官进一步追问：
- 意图识别
- 上下文管理
- 长期记忆与短期记忆
- RAG 检索
- 评估与反馈
Agent 执行模式
- 主流的 Agent 执行或协作模式有哪些？
- 你对这些模式有没有自己的理解？
涉及的典型模式包括：
- ReAct
- Tree of Thoughts
- Plan-and-Execute
- Multi-Agent
多 Agent 路由
- 多个 Agent 之间如何进行路由？
- 如何判断一个任务应该交给哪个 Agent？
- 多 Agent 系统如何进行任务分发？
二、多 Agent 架构设计
- 企业级 Agent 平台如何解决多个 Agent 之间的状态共享问题？
- 长任务执行到一半中断了，如何继续执行？
- 长任务如何实现断点续跑和故障恢复？
面试官重点关注：
- 状态持久化
- Checkpoint
- 状态机
- 故障恢复
- LangGraph 的状态机机制是如何实现的？
- 为什么 Agent 系统需要引入状态机？
三、ReAct 模式
- 什么是 ReAct？
- ReAct 主要解决了什么问题？
- ReAct 的完整执行流程是什么？
典型链路包括：
- Thought
- Action
- Observation
- 根据 Observation 决定下一步操作
- ReAct 模式有哪些缺点？
面试官重点追问：
- Token 消耗
- 循环次数
- 执行延迟
- 模型调用成本
- 无效循环
- 错误 Action 连续传播
- 除了 ReAct，还有哪些模式可以优化这些问题？
涉及：
- Tree of Thoughts
- Plan-and-Execute
- Reflection
- ReWOO
四、上下文工程
- 什么是 Context Engineering？
- 上下文中通常包含哪些核心内容？
例如：
- 长期记忆
- 短期记忆
- 滑动窗口
- 历史对话
- 当前任务状态
- 构建一次模型调用的上下文时，需要拼接哪些内容？
面试官提到：
- System Prompt
- 用户当前输入
- 历史对话
- 用户画像
- 约束条件
- Few-shot
- RAG 检索结果
- 工具调用结果
- 当前任务状态
- 上下文窗口满了以后应该怎么办？
- 上下文压缩时，哪些内容必须保留？
- 哪些内容可以删除或者降级处理？
- 常见的上下文压缩策略有哪些？
包括：
- 摘要压缩
- 滑动窗口
- 分层记忆
- 知识图谱
- AST
- Chunk 压缩
五、MCP 与 Tool Calling
Tool Calling 原理
- Tool Calling 的原理是什么？
- 为什么大模型不能直接调用 HTTP 接口？
- 如何将一个业务接口注册成 Tool？
- Tool 调用完成以后，返回结果如何交给模型继续处理？
MCP
- 什么是 MCP？
- MCP 和 Tool Calling 有什么关系？
- 为什么还需要 MCP？
大规模 Tool 管理
- 如果系统中存在几百甚至上千个 Tool，模型如何精准选择？
面试官重点关注：
- Tool 分类
- Tool Tag
- Tool Router
- Embedding 匹配
- 动态加载
- 候选 Tool 召回
六、RAG 与知识库
Chunk 策略
- 常见的 Chunk 分块策略有哪些？
面试官提到：
- 按自然段切分
- 固定长度切分
- 滑动窗口切分
- 模型语义切分
- AST 切分
- 知识图谱切分
- 为什么 Chunk 不能太大？
- 为什么 Chunk 不能太小？
- 如何确定比较合适的 Chunk 大小？
混合与多模态检索
- 混合检索最大的难点是什么？
面试官进一步扩展到了：
- 文本
- 图片
- 视频
- 多模态内容
- 不同模态的统一召回与排序
- 什么是 Agentic RAG？
七、大模型幻觉
- 大模型幻觉是如何产生的？
面试官将幻觉来源拆成了几个层面：
- 意图识别错误
- 上下文构造错误
- RAG 召回错误
- 工具调用错误
- 模型自身生成问题
- 如何降低或者控制大模型幻觉？
八、模型参数
- TopK 是什么？
- TopP 是什么？
- TopK 和 TopP 有什么区别？
- 如何通过 TopK、TopP 等参数控制模型输出？
九、项目与技术经历
- 为什么从传统软件工程转向 AI 方向？
- 从 LangChain 到 LangGraph，再到 ReAct，这一路发生了什么变化？
- 为什么后来需要从 Chain 或 Workflow 转向带状态的 Agent 架构？
十、岗位与求职问题
- 为什么想离职？
- 目前是在职还是已经离职？
- 你对这个岗位了解多少？
- 你想了解这个岗位的哪些内容？
2026年AI行业最大的机会，毫无疑问就在应用层！
字节跳动已有7个团队全速布局Agent
大模型岗位暴增69%，年薪破百万！
腾讯、京东、百度开放招聘技术岗，80%与AI相关……
如今，超过60%的企业都在推进AI产品落地，而真正能交付项目的大模型应用开发工程师**，**却极度稀缺！
落地AI应用绝对不是写几个prompt，调几个API就能搞定的，企业真正需要的，是能搞定这三项核心能力的人：
✅RAG：融入外部信息，修正模型输出，给模型装靠谱大脑
✅Agent智能体：让AI自主干活，通过工具调用（Tools）环境交互，多步推理完成复杂任务。比如做智能客服等等……
✅微调：针对特定任务优化，让模型适配业务
目前，脉脉上有超过1000家企业发布大模型相关岗位，人工智能岗平均月薪7.8w！实习生日薪高达4000！远超其他行业收入水平！
技术的稀缺性，才是你「值钱」的关键！
具备AI能力的程序员，比传统开发高出不止一截！有的人早就转行AI方向，拿到百万年薪！👇🏻👇🏻
AI浪潮，正在重构程序员的核心竞争力！现在入场，仍是最佳时机！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
⭐️从大模型微调到AI Agent智能体搭建
剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！
大模型微调
掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。
学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。
RAG应用开发
- 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。
- 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。
AI Agent智能体搭建
- 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
- 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。
如果你也有以下诉求：
快速链接产品/业务团队，参与前沿项目
构建技术壁垒，从竞争者中脱颖而出
避开35岁裁员危险期，顺利拿下高薪岗
迭代技术水平，延长未来20年的新职业发展！
……
那这节课你一定要来听！
因为，留给普通程序员的时间真的不多了！
立即扫码，即可免费预约
「AI技术原理 + 实战应用 + 职业发展」
「大模型应用开发实战公开课」
👇👇
👍🏻还有靠谱的内推机会+直聘权益！！
完课后赠送：大模型应用案例集、AI商业落地白皮书