大模型面试必看：小白程序员如何从0到1掌握Agent开发，附收藏指南！

关注

原创最新推荐文章于 2026-06-05 12:39:47 发布 851 阅读 AI 写同款· GEO 优化 ›

蓝牙开发那些事之ceva controller代码解读对比ceva的经典蓝牙和ble的controller在软件上的差异点阅读详情

本文分享了腾讯Agent开发岗校招一面真实面试经历，揭示小白程序员与大厂面试要求之间的差距。面试官不仅考察候选人对ReAct框架、IterResearch框架和Deep Research Agent训练流程等核心技术的理解，更注重其实际工程应用和底层逻辑。文章详细解析了面试中的3个核心考点，并提供了避坑指南，帮助程序员系统学习Agent开发技术，提升面试竞争力。

这篇内容来自 26 届校招同学投递腾讯 Agent 开发岗的真实一面凉经。

这位同学的背景并不差：两段 AI 相关实习，一个 Deep Research Agent 项目，简历上写了 LoRA 微调、ReAct 框架、工具调用这些关键词。但面试结果是 40 分钟 12 连问，全程被追问到无法接话，最终在第三天收到了感谢信。

为什么？因为他准备的是「知道这个东西叫什么」，而面试官要考察的是「这个东西的底层逻辑是什么，工程上怎么实现，规模化之后会遇到什么问题」。

这两者之间的距离，就是凉经和 offer 之间的距离。

我把这次面试的完整对话、考点拆解、踩坑分析和必背知识点全部梳理出来，帮你在下一次面试前提前补上这些坑。

面试对话实录（全程高压，无缓冲）

第一环节：项目连环拷打

面试官：同学你好，直接开始。你简历上写了做过 Deep Research Agent 相关的项目，3 分钟讲清楚核心架构、你的贡献、落地结果。

候选人：（紧张，语速加快）我做的是企业级智能问答 Agent，底层用了 ReAct 框架，支持搜索、网页访问这些工具，用户问复杂问题的时候能多轮迭代召回信息，最后生成带引用的答案。我主要负责工具调用模块和提示词设计，还有一些数据清洗工作。

面试官：你说 ReAct 框架，我问你，ReAct 的核心循环是什么？Think、Action、Observation 三步分别在系统里怎么实现的？消息格式是怎么设计的？

候选人：（慌了）就是模型先思考要做什么，然后调用工具，再根据工具返回结果继续思考……消息格式的话，就是用 system prompt 告诉模型要按这个格式输出。

面试官：具体的标签格式呢？tool_call是什么结构？tool_response怎么传回给模型？用 user 角色还是 assistant 角色？

候选人：（完全没准备格式细节）就是 JSON 格式的工具调用……具体的结构我没记清楚了。

第一处丢分：ReAct 的消息格式是工程落地的核心细节，不是概念层的理解。面试官问的是 <think>/ <tool_call>/ <tool_response>/ <answer>这套标签体系的完整结构，以及 tool_response 应该用哪个角色传回、为什么这么设计。这是代码级的考察，背概念通不过。

第二环节：Agent 架构灵魂追问

面试官：好，那我问你，ReAct 和 IterResearch 框架的核心区别是什么？IterResearch 解决了 ReAct 的哪些问题？

候选人：不太了解 IterResearch……ReAct 的问题可能是上下文太长？

面试官：对，那 IterResearch 怎么解决上下文爆炸问题的？它的状态管理机制是什么？什么叫「常量工作空间」？

候选人：（空白）不知道……

面试官：换一个。你做的这个 Agent，如果任务很长，工具调用了 20 步，上下文超出了模型的窗口限制，你怎么处理？

候选人：可能截断历史记录？

面试官：FIFO 截断会丢失最初的任务目标和关键约束，你有没有考虑过？ReSum 机制了解吗？动态摘要的思路是什么？

候选人：没了解过。

第二处丢分：IterResearch 是 Deep Research Agent 的核心进阶框架，解决了 ReAct 在长任务中上下文线性增长的根本问题。不知道这个框架，说明候选人对 Agent 架构的了解停留在入门阶段，没有系统性学习过。

第三环节：训练流程核心拷打

面试官：你简历写了做过模型微调，Deep Research Agent 的训练一般分几个阶段？每个阶段的目标是什么？

候选人：就是 SFT 微调……然后可能还有强化学习？

面试官：SFT 阶段的数据怎么构造？轨迹数据是什么结构？什么叫 Agentic CPT？为什么 SFT 之前要做一个预训练阶段？

候选人：（完全没了解过 Agentic CPT）不知道……SFT 的数据就是问题加答案？

面试官：轨迹数据包含哪些字段？为什么要 mask observation tokens？这个设计的核心原因是什么？

候选人：mask 的话可能是为了防止过拟合？

面试官：不对，核心原因你说不清楚。那 RL 阶段用什么算法？奖励函数怎么设计？GRPO 和 PPO 最核心的区别是什么？

候选人：用过 PPO……GRPO 不了解。

面试官：好，问完了，你有什么问题吗？

候选人：（心态已经崩了）想问一下，您觉得校招想做 Agent 开发，核心要提升哪些能力？

面试官：先把你项目里的每一个技术细节挖透，不要只做表层的 demo，要懂底层逻辑和工业级落地的痛点。训练流程这块也要系统性地学，不能只知道 SFT 这一个环节。

（3 天后收到感谢信）

【面试深度解析】

核心考点总结

这次字节一面考察了 3 个核心技术模块，层层递进，每个模块都是工程化落地的真实难点：

模块一：ReAct 框架的代码级实现细节不是「ReAct 是什么」，而是「消息格式怎么设计、tool_response 用什么角色传回、为什么」。这是系统设计层面的考察，背概念过不了关。

模块二：Agent 上下文管理的工程方案ReAct 在长任务中必然面临上下文爆炸问题，IterResearch 的常量工作空间、ReSum 的动态摘要，是当前工业界的核心解法，校招必须掌握。

模块三：Deep Research Agent 的训练流程全链路从 Agentic CPT → SFT 冷启动 → RL 微调三阶段，每个阶段的数据构造方式、关键设计决策（mask 策略、奖励函数、算法选型），是大厂训练工程师的核心考察点。

核心踩坑点分析

致命坑①：ReAct 框架只背了概念，没掌握工程实现

面试官问的不是「ReAct 是什么」，而是「消息格式是什么、tool_response 用哪个角色传回、为什么这么设计」。如果你从来没有真正跑通过一个 ReAct Agent 的完整流程，这个问题就会直接暴露。

准备方向：手写一个最简 ReAct Agent（不依赖框架），从 system prompt 设计到 tool_call 解析到 tool_response 回传，完整跑通一遍。只有自己写过，才能答出细节。

致命坑②：不知道 IterResearch，说明 Agent 架构知识停留在入门阶段

IterResearch 把 Deep Research 建模为马尔可夫决策过程（MDP），引入了「常量工作空间」设计，解决了 ReAct 上下文线性增长的根本问题。这是 2024 年最重要的 Agent 架构创新之一，不了解这个框架，在大厂面试中会直接被认定为「没有系统性学习过 Agent 技术」。

致命坑③：SFT 的 mask 机制说不清楚，暴露训练原理的盲区

「mask observation tokens」的核心原因很多人搞混：observation 是工具执行的外部结果，不是模型生成的。如果对 observation 计算 loss，模型学到的是「预测搜索引擎会返回什么内容」，而不是「在什么时候调用什么工具、用什么参数」。这是 Agent 训练和普通 LLM 训练最大的区别之一，必须说清楚。

致命坑④：不了解 GRPO，说明 RL 训练知识停留在 PPO 时代

GRPO（Group Relative Policy Optimization）已经取代 PPO 成为大模型 RL 训练的主流算法，主要原因是不需要单独的 Critic 网络，显存需求降低 40-50%，对 Agent 这种稀疏奖励场景更稳定。字节、阿里等大厂在 Deep Research 训练中都在用 GRPO 系列算法，不了解这个在面试中会直接减分。

校招满分回答框架

以「SFT 阶段为什么要 mask observation tokens」这道题为例，满分回答的结构是：

第一步，讲清楚 observation 的本质：observation 不是模型生成的，是工具执行后返回的外部结果，比如搜索引擎的返回列表、网页的正文内容。

第二步，讲清楚如果不 mask 会发生什么：模型会把「学会生成 tool_response」当成一个训练目标，但这不是我们想要的。我们想让模型学的是：在什么情况下调用哪个工具、用什么参数，以及最终如何综合信息生成答案。

第三步，讲清楚正确的 mask 范围：只对模型应该生成的部分计算 loss，包括 <think>标签内的推理内容、<tool_call>标签内的调用参数、<answer>标签内的最终答案，observation 部分（即 <tool_response>标签内的内容）全部 mask 掉。

第四步，类比加深理解：类比学驾驶——教练示范给你看路况（工具返回的内容）你只是观察者，你真正要学的是「踩油门、打方向盘」（工具调用的决策），而不是「记住路边的景色是什么」（预测工具返回内容）。

必背核心知识点

一、ReAct 消息格式的完整工程实现

ReAct 框架在工程上的完整消息结构，是每一位做 Agent 开发的同学必须背熟的基础：

【系统侧 system prompt】定义可用工具列表（工具名、参数、说明）定义输出格式规范（标签体系）定义推理指引（先 think 再 act）【模型输出 —— assistant 角色】<think>当前信息不足，需要先搜索 X，再搜索 Y，最后整合回答。</think><tool_call>{"name": "search", "arguments": {"query": "X 相关关键词"}}</tool_call>【工具返回 —— user 角色】<tool_response>搜索结果：1. 标题… 摘要… 2. 标题… 摘要…</tool_response>【模型继续推理 —— assistant 角色】<think>搜索结果显示 A，但还需要确认 B，再搜索一次。</think><tool_call>{"name": "visit", "arguments": {"url": "https://...", "goal": "获取 B 的详细数据"}}</tool_call>【最终答案 —— assistant 角色】<think>现在信息足够了，综合来看答案是…</think><answer>根据搜索结果[1]和网页内容[2]，综合分析如下：…</answer>

为什么 tool_response 用 user 角色传回？

这是一个设计原则问题：tool_response 的内容不是模型生成的，是外部系统返回的。把它放在 user 角色下，在语义上表示「外部世界的信息反馈给模型」，符合对话轮次的语义逻辑，也让模型在角色层面清楚区分「自己生成的内容」和「外部工具返回的内容」。

二、IterResearch vs ReAct：解决上下文爆炸的根本方案

ReAct 的核心局限：每一轮工具调用和返回结果都被完整地追加到消息历史中。完成一个需要 20 步工具调用的研究任务，上下文会积累几万甚至十几万 token，极容易超出模型窗口限制，且越到后期模型越难「记住」最初的任务目标。

IterResearch 的解法：把 Deep Research 建模为马尔可夫决策过程（MDP），核心创新是引入「常量工作空间」。不再把完整的对话历史传给模型，而是维护一个结构化的状态文档，每步更新这个文档：

{  "research_question": "比较 2024 年中美两国电动车政策对特斯拉和比亚迪的影响","confirmed_facts": [    {"fact": "中国 2024 年新能源补贴延续至 2025 年", "source": "工信部政策文件"},    {"fact": "美国 IRA 法案对在华生产电动车征收 100% 关税", "source": "白宫官网"}  ],"pending_questions": [    "比亚迪 2024 年海外销量数据",    "特斯拉上海工厂受关税影响的具体测算"  ],"search_history": ["中国电动车补贴政策 2024", "US IRA EV tariff China"],"current_focus": "查询比亚迪 2024 年出口数据"}

每步模型只看这个状态文档 + 最近一次工具返回，而不是完整的历史对话。工具的原始响应处理完即丢弃，只把提取的关键事实写入 confirmed_facts。这样无论任务做了多少步，传给模型的上下文长度始终接近常量，从根本上解决了上下文爆炸问题。

三、Deep Research Agent 的三阶段训练流程

阶段 0：Agentic CPT（可选但推荐）

通用基础模型（Qwen、LLaMA）虽然具有强大的语言能力，但不具备 Agent 的「归纳偏置」——它们不知道「工具调用是什么」「Think-Act-Observe 的循环是什么」。Agentic CPT 在预训练阶段就把这些先验知识注入模型，让后续的 SFT 和 RL 更高效。

具体做法是用 AgentFounder 框架合成大量包含工具调用轨迹的预训练数据（约 300B tokens），包含两类数据：FAS（一阶动作合成，学习单步的 Think-Action）和 HAS（高阶动作合成，学习多步的规划和执行）。效果：有 Agentic CPT 的基础模型，在相同 SFT 数据量下，任务成功率提升约 5-10%。

阶段 1：SFT 冷启动

用 2K-10K 条高质量轨迹数据做监督微调，目标是让模型从零开始学会工具调用的格式规范、基本的推理-行动模式、常见任务类型的解法模板。关键设计决策：只对模型生成的部分计算 loss（<think>、<tool_call>、<answer>），observation 部分全部 mask 掉。

阶段 2：强化学习

SFT 的天花板是示范数据的质量，RL 能突破这个上限。让模型自主探索，对正确完成任务的轨迹给予奖励，对错误的轨迹给予惩罚，让模型在探索中学会更优的策略。奖励函数设计如下：

奖励维度	权重	说明
答案正确性	~0.5	精确匹配或 LLM-as-Judge 评判
格式合规	~0.2	tool_call 为合法 JSON，字段完整，answer 标签存在
效率奖励	~0.15	步骤越少额外加分，无效循环扣分
引用准确性	~0.15	答案中引用编号与工具调用序号对应

算法选型：GRPO已取代 PPO 成为 LLM RL 训练的主流算法。

四、GRPO 核心原理与 PPO 的根本区别

GRPO 的核心创新：不需要训练单独的 Critic/Value 网络。

PPO 需要同时维护 Actor 模型（生成输出）和 Critic 模型（评估每个 token 的价值），对于 70B 级别的 LLM，这意味着要同时在 GPU 上保留两个大模型，显存需求翻倍。GRPO 的解法：对同一个问题并行采样 G 个不同输出（通常 G=8 或 16），用这组输出的奖励均值作为 baseline：

每个样本的优势 = 该样本的奖励 - 组内 G 个样本的奖励均值

这样不需要 Critic 网络，优势函数直接由多次采样的相对奖励来估计。Deep Research 的奖励是稀疏的——只有最终答案生成时才能评判对不对，PPO 的 Critic 网络在稀疏奖励下训练极不稳定，而 GRPO 通过组内对比直接估计优势，绕开了这个问题。

五、负样本筛选：RL 训练的隐藏关键细节

一个容易被忽略但非常重要的工程细节：过滤全对和全错的样本。

过滤全对样本（G 次采样全部正确）：问题对当前模型太简单，策略梯度接近于零，参与训练没有收益，反而浪费计算资源
过滤全错样本（G 次采样全部失败）：问题对当前模型太难，无法估计有意义的相对优势，梯度方向错误，强行训练反而破坏已有能力
有效样本：同一问题的 G 个采样中既有成功也有失败，能计算出有意义的相对优势

实际执行时，每批数据在训练前先计算成功率，只保留成功率在 **10%-90%**区间的问题参与梯度更新。

最终复盘 & 避坑指南

这次字节一面凉透，核心原因不是背的知识点不够多，而是准备的方向完全错了——只背了 ReAct、GRPO 叫什么，却完全没理解底层逻辑和工程实现细节，也没有系统性地学习 Deep Research Agent 的完整训练流程。

给所有投递 Agent 开发岗的校招同学，4 条核心避坑建议：

① 把项目里的每个技术细节挖透，不要停在表层你写了「ReAct 框架」，就要把消息格式、tool_response 角色、mask 策略说清楚。面试官的所有问题，都来自你简历上的关键词，写了什么就要能被追问到底。

② 一定要手写过代码，不要只看教程ReAct Agent 的消息格式、工具调用解析、错误处理——只有自己从零写过，才能在面试中流畅地说清楚。看教程和自己写代码，在面试中的差距是肉眼可见的。

③ 要有「系统性知识图谱」，不要零散积累Deep Research Agent 的技术体系是分层的：推理框架（ReAct/IterResearch）→ 数据构造（轨迹采样/质量控制）→ 训练流程（CPT/SFT/RL）→ 评估方法（GAIA/BrowseComp）→ 工程实践（vLLM/工具服务）。这五层都要有基本认知，而不是只了解其中一两层。

④ 结果要量化，不要说「提升了一些」「把问答准确率从 58% 提升到 82%」和「准确率提升了一些」，在面试官眼里是完全不同的回答。提前准备好你项目的量化指标，这是展现结果导向思维最直接的方式。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】