- 博客(38)
- 收藏
- 关注
RSS订阅原创 大厂 Agent 面试｜Coding Agent 怎么定位代码？
大仓库下 Coding Agent 不能直接把全量代码丢进上下文，这篇拆解它从看懂仓库、粗筛、精定位、迭代验证的完整链路，讲清楚向量检索、AST 符号索引、代码图各自的分工，也是 SWE-Agent、Aider、Cline 这类编码智能体的核心考点。
2026-11-10 14:44:07
164
原创 大厂 Agent 面试｜相同输入为什么会得到不同的 Agent 执行结果？
这个问题是 Agent 面试的经典坑题。很多初学者以为：输入一样，输出就应该固定。但实际跑 Agent 的时候，一模一样的用户提问，两次跑出来调用工具顺序不一样、返回答案不一样，甚至中途直接终止。面试官想看你能不能区分「LLM 本身随机性」和「Agent 链路带来的不确定性」。
2026-11-09 09:57:25
671
原创 Agent Harness 到底是什么？从工具调用到任务执行，彻底讲懂智能体的运行机制
在开发 AI Agent 时，很多人认为只要给大模型接入几个工具，就能构建一个完整的智能体。但实际上，模型能够发起工具调用，并不意味着任务就能自动执行、持续推进或可靠完成。Agent Harness 正是围绕模型提供运行支撑的重要机制。本文从一次模型调用开始，结合 Excel 自动处理案例，详细讲解 Agent Harness 的核心职责、Agent Loop 执行循环、上下文管理、任务状态保存、断点恢复、权限控制、资源预算及任务完成判断，并进一步区分 Harness、Host、Skill、Tool 与 A
2026-11-07 17:58:15
414
原创 大厂 Agent 面试｜Agent 的自进化机制如何实现？不用重训模型也能越用越强
普通 Agent 写好 Prompt、配置好工具之后，能力就固定死了。而自进化 Agent，可以在和用户交互的过程中持续学习，不断优化任务处理逻辑。很多面试同学会误以为自进化等于微调、SFT 重训模型。实际上工业界大量落地的自进化方案，都不需要改动模型权重。本文拆解自进化完整闭环、四类实现路线、工程安全围栏，面试直接参考。
2026-11-05 13:59:56
399
原创 大厂 Agent 面试｜面试官皱眉：Agent 怎么加载 Skill？别把全部 SKILL.md 一股脑塞进 Prompt
面试高频场景：面试官问 Agent 如何加载大量 Skill，如果你回答 “全部 SKILL.md 文档拼接到 Prompt”，大概率直接扣分。当 Skill 数量达到几十上百个，全量加载会造成上下文浪费、无关信息干扰、成本飙升。工业界主流方案是Skill 渐进式加载（渐进式披露）：只常驻技能元数据目录，真正需要该技能的时候，才读取完整 SKILL.md 说明书。本文结合工程目录样例，通俗讲透原理、完整流程，区分加载 Skill 不等于执行 Skill，面试直接背诵。
2026-11-04 13:46:58
886
原创 大厂 Agent 面试｜Agent 的上下文压缩阈值应该如何确定？讲透动态 Token 预算与滞回设计
很多新手写 Agent 上下文压缩，直接写死一个固定阈值：比如 token 占满 80% 就压缩。上线之后会遇到各种奇怪问题：频繁压缩导致信息丢失、压缩开销大拖慢速度、或者阈值设太高直接 OOM。真正生产级的方案，阈值不是固定数字，是一套动态计算策略。这篇文章把阈值怎么算、为什么要滞回、工程踩坑点一次性讲清楚，面试非常容易问到。
2026-11-03 15:55:54
428
原创 线上 AI Agent 突然变慢怎么排查？从 TTFT、P95 到 Trace、MCP、RAG 的全链路性能优化实战
在 AI Agent 实际落地过程中，性能问题是影响用户体验和系统稳定性的重要因素。当线上 Agent 突然变慢时，问题可能来自大语言模型推理、上下文增长、模型服务排队、MCP 工具调用、RAG 检索，也可能来自 Agent 工作流中不合理的串行依赖和重复调用。那么，面对一个响应时间突然从几秒增长到几十秒的 Agent 系统，应该如何定位问题？本文从线上性能排查的角度出发，详细介绍 TTFT、端到端延迟、P50/P95/P99、Trace、Span、Waterfall Chart 等核心概念，并结合
2026-10-26 09:05:26
436
原创 Agent 上下文压缩为什么不能固定在 80%？一文搞懂动态 Token 预算与滞回机制
在 AI Agent 的实际运行过程中，随着多轮对话、工具调用、知识检索和任务执行不断进行，上下文内容会持续增长。当上下文接近模型的容量限制时，如何合理进行上下文压缩就成为一个重要的工程问题。本文从 Agent 上下文窗口的组成入手，介绍上下文压缩的基本原理，重点分析为什么不能简单地在 Token 使用率达到 80% 时触发压缩，并通过具体计算案例讲解动态 Token 预算、提前压缩、压缩后的信息保留以及滞回机制（Hysteresis）。最后结合 Python 示例与评测指标，介绍如何设计更加合理的上下
2026-10-25 15:45:29
351
原创 大厂 Agent 面试｜Agent 会写代码，为什么还需要沙箱？
让 Agent 写一段 Python 很容易，让它安全、可控地运行这段代码却是另一件事。代码可能误删文件、访问不该访问的数据、无限运行，或者把服务器内存占满。本文以数据分析助手为例，讲清沙箱到底限制什么、它与虚拟环境和容器有什么区别，以及一个代码执行任务怎样从输入准备走到结果交付。
2026-10-18 17:42:25
171
原创 大厂 Agent 面试｜明明让它返回 JSON，为什么程序还是报错？讲透结构化输出
“请严格返回 JSON，不要输出其他内容。”这句话很多开发者都写过，但程序照样可能遇到多余说明、字段缺失、类型错误，甚至结构完全正确、内容却不符合业务要求的结果。本文以订单查询助手为例，讲清合法 JSON、符合 Schema 和业务正确三个层次，以及提示词约束、原生结构化输出、工具调用和应用端校验分别承担什么职责。
2026-10-14 10:30:02
589
原创 大厂 Agent 面试｜网页里的一句话，为什么能把 Agent 带偏？讲透间接提示注入
用户让 Agent 查资料，Agent 却听了网页里的话，改变了回答，甚至提出与任务无关的操作。这类问题可能来自间接提示注入：外部内容中的指令被错误地当成了 Agent 应该遵循的要求。本文通过产品对比助手的例子，讲清攻击如何进入工作流程、它与幻觉和正常文档内容的区别，以及怎样从资料处理、工具权限和执行检查等环节降低风险。
2026-10-13 14:14:25
676
原创 大厂 Agent 面试｜哪些操作必须让用户确认？讲透 Human-in-the-Loop
Agent 可以自动查资料，能不能自动发邮件、退款、删数据？关键在于这次动作是否处于已授权的范围内，以及它会带来什么后果。本文用“实习生办事”和“客服退款”两个场景，讲清 Human-in-the-Loop 的作用、审批触发条件、审批页面应该展示什么，以及怎样保证用户批准的动作与最终执行的动作一致。面试中，真正需要讲明白的是审批如何约束执行，而不只是前端怎么弹出一个确认框。
2026-10-12 09:55:10
259
原创 大厂 Agent 面试｜什么是 Human-in-the-Loop？用一个订票例子彻底讲明白
Human-in-the-Loop，简称 HITL，通常译为“人在回路”或“人机协同闭环”。这个名字听起来有些抽象，其实它解决的是一个很实际的问题：AI 可以自己完成很多步骤，但遇到信息缺失、需要专业判断或必须由人做决定的地方，应该怎样把人接进来，并根据人的反馈继续工作？本文用一个出差订票助手的例子，从零讲清 HITL 的含义、参与方式、运行过程、适用场景，以及它和普通聊天、人工审批、模型训练的区别。
2026-10-12 09:55:03
340
原创 爆火 Jev 决策模型｜彻底颠覆 Agent 意图识别！比大模型快
最近 AI 圈刷屏的 Jev 模型，是目前 Agent 工程最火的面试新考点！以前我们做用户意图识别，全都依赖大模型 LLM，不仅慢、贵、还容易幻觉、乱分类。而 Jev 是专门为「判断、选择、打分、真假识别」而生的决策 AI，不聊天、不写文案、不瞎生成，只做精准结构化判断。现在大厂 Agent 架构已经开始更新：大模型负责慢思考规划，Jev 负责快判断意图。本文通俗、有趣、接地气讲透：Jev 是什么、凭什么爆火、怎么用于 Agent 意图识别、和传统模型区别、落地架构。
2026-10-11 13:11:19
876
原创 大厂 Agent 面试｜Agent 的多轮对话状态如何管理？如何防止跑偏并支持中断恢复？
Agent 执行长任务时，随时可能被用户打断、程序崩溃、中途暂停。如果没有状态管理，重启之后任务信息全部丢失，Agent 容易越跑越偏。这道面试题考察 Agent 工程落地能力，本文讲清楚状态怎么定义、怎么防止任务跑偏，以及中断后如何恢复。
2026-10-09 18:14:49
485
原创 大厂 Agent 面试｜Agent 记忆压缩有哪些方案？解决长上下文爆炸问题
Agent 多轮对话时，短时记忆会不断累积，上下文越来越长，带来成本飙升、模型遗忘前置信息、响应变慢等问题。记忆压缩就是用来精简历史会话，在尽量保留关键信息的前提下减少 token 消耗。本文梳理工程上主流的记忆压缩方法，对比各自优缺点和落地场景。
2026-10-08 09:05:36
418
原创 大厂 Multi-Agent 面试｜多智能体三种通信模式优缺点
做多智能体项目、面试，90% 会被问：多 Agent 之间怎么通信？什么时候用点对点、什么时候用广播、什么时候用中央调度？三种架构没有优劣，只有场景适配。本文一次性讲透通信原理、优缺点、风险与工程选型。
2026-10-07 10:18:18
577
原创 大厂 Agent 面试｜工具调用失败常见原因，以及工程容错重试方案
在 Agent 项目落地时，工具调用失败是最头疼的问题。很多面试会追问：工具调用为什么会翻车？单纯加重试够不够？本文通俗拆解失败的几大类根源，给出工程可用的容错策略，面试可直接作答。
2026-10-06 10:37:49
454
原创 Agent 踩坑｜工具调用死循环是什么？怎么破？
在开发 Agent 的时候，经常遇到一个头疼现象：大模型反复调用同一个工具，来回转圈，任务永远无法结束，也就是工具调用死循环。本文通俗拆解死循环产生的几类原因，同时给出工程上实用的解决思路，面试遇到这道题可以直接拿来作答。
2026-10-05 10:53:40
576
原创 在 Multi-Agent 场景下，Skill 是否可以在多个智能体之间共享？
做多智能体 Multi-Agent 开发时，很多小伙伴都会纠结：Agent 的 Skill 技能能不能跨智能体共用？本文通俗拆解 Skill 共享的可行方案、两种共享模式，同时讲清楚共享会遇到的工程坑，帮大家快速判断什么时候共享、什么时候独立开发 Skill。
2026-10-04 11:46:09
309
原创 Agent 中的 Skills 是什么？Agent Skills 和 MCP 的区别在哪？
很多人容易把 Agent Skills 和 MCP 搞混，二者都能让智能体调用外部能力，但定位完全不一样。本文用大白话讲清 Agent Skills 的概念，对比两者核心差异，帮你在 Agent 项目选型时快速判断。
2026-10-02 11:25:31
506
原创 一文搞懂 MCP！MCP 与 Function Calling 是什么关系？
最近 MCP（Model Context Protocol）热度很高，很多人会把它和 Function Calling 弄混。本篇用通俗的例子讲清楚 MCP 到底是什么，对比它和 Function Calling 的联系与区别，帮大家理清大模型调用外部工具的两种方案。
2026-10-01 18:24:47
323
原创 什么是 Function Calling？核心三部分结构拆解
很多 Agent 能查数据、调用接口、执行代码，背后靠的就是 Function Calling。本文用通俗的语言讲清楚 Function Calling 的定义，拆解它必不可少的三部分核心结构，看完就能明白大模型是怎么 “使唤工具” 的。
2026-09-22 12:56:40
503
原创 一文看懂 Multi-Agent：多智能体和单 Agent 的核心差异
前面我们聊完单个 Agent 的架构、记忆、反思机制。今天升级难度：Multi-Agent（多智能体）。很多人分不清单 Agent 和多 Agent，简单一句话：Single-Agent 是一个人包办全部任务；Multi-Agent 是组建一个分工协作的专家小队，不同 Agent 各司其职，互相沟通配合完成复杂目标。
2026-09-21 09:39:27
332
原创 Agent 长短记忆系统怎么做？怎么存？粒度怎么选？
Agent 想要像人一样持续完成多轮任务，核心离不开记忆系统。很多新手分不清短期记忆和长期记忆，不清楚数据怎么存储、切割粒度如何把控。本文用通俗的类比拆解 Agent 记忆机制，讲清长短记忆的实现方案、存储介质、粒度选择策略，适合 Agent 入门学习与面试复习。
2026-09-20 11:11:13
865
原创 别再搞混！Agent 的 Reflection 和 Replan 不是一回事
做 Agent 开发时，很多小伙伴会把反思 Reflection 和重规划 Replan 当成同一个功能。两者虽然经常搭配使用，但承担的职责完全不同。本文用通俗例子讲清各自作用、边界，以及什么时候该用谁。
2026-09-19 12:24:54
539
原创 ReAct vs Plan-and-Execute，Agent 里两大推理模式怎么选？
做 Agent 开发经常听到 ReAct 和 Plan-and-Execute，二者都是让大模型分步完成复杂任务的经典范式。很多人容易混淆：一个是边思考边行动，一个是先完整规划再执行。本文用通俗例子讲清原理，对比差异，还有落地选型建议。
2026-09-18 11:08:07
648
原创 一文分清 Workflow / Agent / Tools，别再搞混了！
做 Agent 开发时，很多新手容易把 Workflow、Agent、Tools 混为一谈。简单一句话概括：Tools 是干活的工具，Workflow 是写死的流水线，Agent 是能自己思考、自主决策的智能体。本篇用通俗比喻讲清三者定义、边界和适用场景。
2026-09-17 09:19:05
350
原创 Agent 系列｜智能体由哪些模块组成？通俗拆解核心架构
很多同学上手 Agent 开发，上来就写调用工具的代码，却搞不清完整智能体的骨架。本篇用大白话拆解 Agent 五大核心组件，每个模块是干嘛的、起到什么作用，看完就能理解 Agent 自主思考、执行任务的底层逻辑。
2026-09-16 11:09:24
330
原创 什么是 Agent？与大模型有什么本质不同？
很多人会把 Agent 和大模型混为一谈，以为 Agent 就是更强的大模型。其实大模型更像一个只会思考的大脑，而 Agent 是能思考、能规划、动手执行任务的智能助手。本篇用通俗有趣的方式，讲清二者的核心区别，帮你快速建立 Agent 基础认知。
2026-09-15 12:24:20
409
原创 什么是多路召回？RAG 里具体怎么落地？
RAG 项目里经常提到多路召回，到底是什么？多路召回就是同时启用关键词、向量等多条检索通路并行召回候选文本，合并去重、融合打分再重排。本文通俗讲解多路召回完整落地流程，分析优缺点和适用场景，看懂工业级 RAG 的召回优化思路
2026-09-14 10:26:31
517
原创 向量检索 vs 关键词检索
很多人分不清向量检索与关键词检索！关键词检索匹配文字，向量检索理解语义。本文通俗讲解两者的核心差异，分析各自优缺点，同时介绍 RAG 项目最常用的混合检索方案，帮你优化知识库召回效果。
2026-09-13 11:53:41
161
原创 Embedding模型怎么选？开源/闭源对比 + 检索相似度详解
为什么你的RAG检索总是不准？大概率是Embedding选错了！一文搞懂Embedding选型标准、开源与闭源API取舍逻辑，吃透向量检索五大距离算法，从底层优化你的大模型Agent检索效果。
2026-09-12 11:54:57
173
原创 RAG 中的文档是怎么存的？粒度是多大？详细说说文档切割（Chunking）策略？
RAG 效果好不好，80% 看 Chunk 切分！RAG 文档到底存在哪里？Chunk 粒度怎么定？一次性讲清固定切分、递归切分、语义切分、父子分块等主流文档切割策略，帮你选对适合项目的分块方案。
2026-09-11 09:21:00
676
原创 一个标准RAG流程，分哪几个核心阶段？
RAG 面试必考题！一套标准 RAG 流程包含哪些核心阶段？本文将 RAG 拆分为离线知识库构建和在线问答两大模块，通俗讲解每个环节的作用，附带 RAG 调优相关思考题，做 Agent 应用开发别错过。
2026-09-10 10:32:36
114
原创 RAG 和微调怎么选？RAG + 微调组合踩坑点
RAG 和微调到底该怎么选？RAG + 微调强强联合是不是万能方案？本文结合 Agent 开发实战场景，讲清两种方案适用边界，拆解组合落地容易踩的坑，帮你避开大模型项目开发雷区。
2026-09-10 10:11:00
281
原创 RAG 和微调在解决知识更新问题上，本质区别是什么？
继续我们的 Agent 学习专栏！上期留下的疑问今天一次性讲透：Agent 开发一定要 RAG 吗？RAG 能否解决全部幻觉？对比 RAG 和微调，搞懂二者更新知识的底层逻辑差异，分析各自优缺点，文末抛出新问题，欢迎在评论区一起讨论！
2026-09-09 08:21:42
522
1
原创 请用一句话说清，什么是 RAG？
搞大模型 Agent 绕不开 RAG！能不能只用一句话讲懂 RAG？避开晦涩专业术语，用生活化比喻带你搞懂检索增强生成，搞清楚 RAG 到底凭什么缓解大模型幻觉，文末留下 2 个开放性问题，欢迎技术小伙伴评论区交流踩坑经验。
2026-09-08 12:04:26
252
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人