小丸子的快乐-优快云博客

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 14:44:20 11

原创大厂 Agent 面试｜Agent 会写代码，为什么还需要沙箱？

现在很多代码 Agent 看着很强，能自主写 Python、Shell 脚本，调用各种库，自动完成数据处理、文件读写。不少面试会抛出灵魂拷问：既然 Agent 自己能输出代码，直接丢给机器跑不就行了，为什么额外搞一套沙箱？这道题不只是考安全，还会考稳定性、资源管控、故障隔离，是 Agent 工程落地高频面试题。

2026-11-09 09:57:10 517

原创大模型上下文窗口已经很大了，为什么还需要 RAG？从“装得下”到“找得准”的技术解析

随着大语言模型上下文窗口不断扩大，越来越多的模型能够在一次请求中处理大量文档。既然整个知识库都可能装进上下文，为什么还需要 RAG（检索增强生成）？本文从上下文窗口与 RAG 的本质区别出发，结合企业知识库问答案例，分析长上下文在信息定位、版本管理、复杂条件判断和处理成本方面的局限，详细介绍 RAG 的工作流程、核心价值、常见问题，以及长上下文与 RAG 的组合策略，帮助读者真正理解两种技术的适用场景。

2026-11-07 17:54:18 713

原创大厂 Agent 面试｜Agent Harness 是什么？

很多新手用 LangGraph、LangChain 写好 Agent Demo，本地跑起来很顺畅，一上线就频繁出问题：死循环、工具重复调用、上下文溢出、没有审计。行业里有一句经典结论：Agent = Model + Harness。大模型只负责推理，Harness 就是包裹在模型外面的工程脚手架。本文讲清楚 Harness 分层、五大核心能力、和 Agent 框架的区别、线上落地痛点，面试直接背

2026-11-05 13:59:24 542

原创大厂 Agent 面试｜Agent 为什么出现路径震荡、重复调用、死循环？讲透现象、检测手段与生产治理方案

线上 Agent 经常遇到一类诡异故障：反复调用同一个工具来回横跳、原地打转，任务毫无进展，Token 疯狂消耗。有时候是重复调用，有时候是路径震荡（A→B→A 来回切换），最坏直接进入死循环。很多人简单设置一个最大轮次 max‑steps 就草草了事，但这只是止损，不是解决根源。本文通俗拆解三类问题的成因、检测方法、工程治理方案，面试高频考点，线上可以直接落地。

2026-11-04 13:47:20 529

原创大厂 Agent 面试｜Agent 应该在什么情况下请求人工确认？

很多同学做 Agent 的时候，人工审批逻辑写得很粗暴：不管什么操作全部都要人审，或者干脆全部自动执行，上线之后要么效率极低，要么爆出风险事故。Human-in-the-Loop 不是简单加一个弹窗，核心是定义清楚触发人工确认的边界。这篇文章结合大厂生产落地经验，把什么时候必须找人、什么时候可以自动跑讲明白，面试直接背，工程上也能直接落地。

2026-11-03 15:55:34 251

原创大模型支持 128K 上下文，为什么还是会忘记中间内容？一文讲透 Lost in the Middle 与长上下文优化

随着大语言模型不断发展，支持 32K、128K 甚至更长上下文窗口的模型越来越常见。但上下文窗口越大，是否意味着模型就能准确理解和利用其中的所有信息？答案是否定的。在实际的 RAG 和 AI Agent 应用中，经常会遇到这样一种现象：同一条关键证据放在长文本开头或结尾时，模型能够正确回答；放在中间时，模型却可能忽略这条证据。这就是长上下文研究中常见的 Lost in the Middle（中间信息丢失）现象。本文从 Token Embedding、位置编码和上下文窗口出发，重点解释训练上下文长度

2026-10-26 09:05:38 468

原创 RAG 检索出两份互相矛盾的文档怎么办？一文讲透知识冲突处理与生产级解决方案

在企业知识库和 RAG（Retrieval-Augmented Generation，检索增强生成）系统中，经常会出现一个棘手的问题：同一个问题检索出多份内容相互矛盾的文档，模型到底应该相信哪一份？很多人会选择向量相似度最高的文档，或者直接采用最新发布的资料，但这种做法存在明显风险。相似度只能反映语义相关性，并不代表知识的权威性、有效性和适用性。本文通过具体业务案例，系统介绍 RAG 知识冲突的产生原因、元数据管理、适用范围过滤、来源权威度判断、版本与生效时间校验，以及无法裁决时的冲突披露和人工审核

2026-10-25 15:44:57 476

原创大厂 Agent 面试｜Agentic RAG 和普通 RAG 有什么区别？别只回答“多了个 Agent”

普通 RAG 会先查资料再回答，Agentic RAG 也会查资料，那它到底“智能”在哪里？关键在于系统是否能根据当前任务和已取得的证据，动态决定下一步查什么、去哪里查、是否需要继续查。本文用一个 SDK 升级咨询案例，讲清固定检索流程与 Agentic RAG 的区别、适用场景、停止条件，以及怎样判断新增的复杂度是否值得。

2026-10-18 17:42:01 352

原创大厂 Agent 面试｜为什么你的 Agent 总让人等？讲透延迟分析与性能优化

同样是查一次故障，有的 Agent 几秒钟就给出结果，有的却让用户盯着转圈看半天。问题可能出在模型生成，也可能出在工具调用、串行编排或排队。本文以智能 OnCall 助手为例，用餐厅出餐的类比讲清延迟从哪里来、什么是关键路径、哪些操作能够并行，以及缓存、流式输出和模型选择分别能改善什么。

2026-10-14 10:29:21 357

原创大厂 Agent 面试｜工具接了几百个，Agent 怎么选？讲透 Tool Retrieval

给 Agent 接入几个工具时，把工具说明全部交给模型，通常容易理解和实现。但工具增长到几十、几百个以后，系统可能出现新的问题：说明占据大量上下文、相似接口难以区分、模型选中了“名字很像但用途不对”的工具。本文用智能 OnCall 助手的例子，讲清工具检索 Tool Retrieval 的工作方式、工具目录如何设计、候选工具怎样筛选，以及如何验证它是否真的改善了任务表现。

2026-10-13 14:14:09 309

原创大厂 Agent 面试｜怎么判断一个 Agent 真的好用？别只看它回答得像不像

Agent 能把排障建议写得头头是道，就说明它真的会排障吗？未必。它可能查错服务、用错时间范围，最后再给你一段很有说服力的解释。本文以智能 OnCall 助手为例，拆解 Agent 评测的结果、过程、成本和稳定性四个维度，讲清任务成功率、工具调用评测、LLM 裁判、评测集设计，以及如何比较两个版本。面试时，你需要说明的不只是“我接过评测平台”，还包括“我怎么证明这个 Agent 真的把事情做对了”。

2026-10-12 09:37:18 490

原创大厂 Agent 面试｜Agent 系统如何做可观测性？需要监控哪些核心指标？

很多人做完 Agent 上线就摆烂，结果线上出问题：任务卡死、无限重试、莫名失败、用户投诉，却完全不知道卡在哪。普通 LLM 只需要监控接口耗时和成功率，但 Agent 是多轮思考 + 多次工具调用 + 长链路任务，传统监控完全不够用。大厂现在面试必问：Agent 可观测性怎么搭建？要埋哪些点？怎么快速定位幻觉、重试风暴、任务跑偏？本文用通俗大白话，带你从零搞懂 Agent 可观测体系、核心监控指标、排查链路、避坑方案，面试直接满分背诵。

2026-10-11 13:14:17 344

原创大厂 Agent 面试｜Agent 的上下文工程怎么设计？

很多人写 Agent，直接把所有历史、工具描述、任务要求一股脑塞进 Prompt，上线后要么 token 爆炸，要么模型容易无视指令。上下文工程不是简单写提示词，而是一套分层、可控的上下文编排方案。本文拆解 Agent 上下文工程的设计思路，面试可以直接拿来作答。

2026-10-09 18:13:43 347

原创大厂 Agent 面试｜工具调用里的 “死信” 是什么？怎么构建可靠消息重试机制？

Agent 调用工具失败后，不是所有错误都适合重试。有些请求反复失败、参数错误、业务拒绝，如果一直重试，会把系统拖垮。本文讲清 Agent 场景下的 “死信” 概念、哪些错误必须进入死信队列，以及如何设计可靠的重试与死信机制。

2026-10-08 09:05:29 442

原创大厂 Agent 面试｜Agent 工具调用的幂等性是什么？不做幂等会踩哪些坑？

很多Agent本地测试没问题，一上线就出大事故：重复下单、重复发消息、重复入库、重复扣款。根源只有一个——工具调用不具备幂等性。本文用通俗语言讲清Agent场景下的幂等概念、常见坑、以及工业级落地解决方案，面试、项目均可直接复用。

2026-10-07 10:13:31 634

weixin_59327938的博客