🐟总结的agent八股

我觉得有实习以后，八股的考察基本上围绕实习所以答八股的时候我就喜欢引申出去，先回答对应的理解，也就是八股，然后再延伸到自己项目如何使用这个技术，表示自己是真的会，而不是浅显背诵理解，这样回答面试官一般会比较满意，Agent是这样，后端也是这样ReAct指的是大模型感知，决定使用tool，处理结...

字数: 1939 | 语雀原文

我觉得有实习以后，八股的考察基本上围绕实习

所以答八股的时候我就喜欢引申出去，先回答对应的理解，也就是八股，然后再延伸到自己项目如何使用这个技术，表示自己是真的会，而不是浅显背诵理解，这样回答面试官一般会比较满意，Agent是这样，后端也是这样

ReAct

指的是大模型感知，决定使用tool，处理结果，再循环的过程，本质是一个loop（循环图）的过程

会思考，调用合适的工具，然后根据结果思考要不要继续调用

跟一般的pe+tools有什么区别

线性工具调用的过程，相比之下缺少对应的循环，单步调用

怎么科学评估一个模型比另一个好

同样的情况下进行AB实验，因为不同业务场景和数据，其实模型的效果不一定，需要具体实践才能得知，具体可以看实验下的各类指标，准确率等等

方法就是AB实验的平台，可以用另一个大模型/或者人工对两个模型的回答打分，也可以把这个打分权利给用户，让用户通过前端打分
其次就是一些科研的经验，比如汉明损失，杰卡德相似系数等，论文常用的评测集合准确率的指标，可以了解一下

指标

任务成功率
平均响应时间
幻觉率
用户满意度

常见向量数据库了解吗

常见向量数据库

Milvus
Weaviate
Pinecone
FAISS
Elasticsearch HNSW 比较重要问的频率高一点的是Milvus和ES的底层

一本很大的书要放进数据库要怎么做

文本清洗
分块 chunk
固定长度
滑动窗口
语义分块
embedding
metadata 存储
向量写入

对attention机制有没有了解

这个要细看一下，也是属于Transformer架构类的问题，一般答出来QKV的计算过程和最后softmax归一的处理就可以了，而且经常被问到这个问题

多轮对话幻觉怎么办

其实可以先分析具体的原因

如果是任务过于复杂，就试图隔离上下文，用subagent，每个agent负责自己的任务，防止上下文污染
如果是单个模型幻觉严重
一个是从模型下手，调低温度，改提示词，成本最低
一个是增加监督，react的环节，生成答案之后自己检查，没问题再输出
还可以规范化模型的输出，让模型输出结构化的json，并且输出后用ifelse语句检查，也能减少幻觉

长上下文怎么处理

这里其实就是想问上下文工程

可以先回答一些常用的一些上下文策略，mem0架构，memgpt架构
其次是可以用RAG的方式，把长期记忆
其次是记忆过长可以做摘要提取关键信息

rag怎么做的？流程是什么？有哪几种方式实现的？

rag其实是一个可以学很深的东西，可以细看我笔记的rag模块，如果只是标准链路的话：

Query
  ↓
Embedding
  ↓
向量检索
  ↓
TopK 文档
  ↓
拼接 prompt
  ↓
LLM 生成

具体实现估计是问有哪些召回索引策略，比如说关键词BM25，向量检索，图检索

query进来的完整链路是怎么做的

和上一个问题类似

知识库怎么更新

embedding的过程，就是把query转化成高维向量的过程，一般512维

大文件怎么入库的

分片并行 embedding
批量写入
断点续传
索引异步构建

模型和工程化怎么配合的

工程上做好：

限流
缓存
监控
任务调度模型上做好：
模型效果评估，验证
多模型 fallback
成本控制也就是token监控

mcp和skills区别

Skills类似插件函数，存储的一般是一些提示词，教会模型按照某个流程完成任务，是教程

模型 → 调用 skill → 返回结果

MCP本质是：统一模型与外部工具 / 记忆 / 环境的协议层，可以让模型调用外部工具的能力

了解的ai最新进展

你可以说我让openclaw每天给我总结最新ai动态

了解skills和mcp的概念吗？

同上

mcp和skill底层如何实现的？渐进式披露是怎么实现的？

实现方式：

模型先请求 capability list
再按需请求接口 schema
再调用避免一次性暴露所有工具。

其实这里我在字节实习，项目中用了更好的方法，也就是先通过意图识别路由进行隔离，不同任务拥有的skil和tools上下文不一样

openclaw用过吗？核心亮点是什么？

多 Agent 协同
DAG 编排
可插拔 memory
Tool abstraction
任务图执行引擎可以说一下agentharness的概念

FastApi常用的包都了解吗？

我不太懂这个

A2A协议

Agent to Agent交互的协议，类似微服务之间的 RPC，但带语义。

核心是：

任务声明
能力描述
消息格式
状态同步具体过程就是agent通信的时候带有介绍自身能力和拥有的tools的agent card，通过这个agent car实现了agent之间的服务发现和调用，有点像微服务的感觉

除了coze 了解过其他agent相关框架吗比如langchain langgraph

其实我没怎么用过langgraph，coze应该不算框架吧

了解什么agent开发的框架？框架里有哪些组件呢？

eino，langchain，感觉拥有的组件都类似，都包括Agent，tools，chain，rag，memory，status这些基础能力

memory是什么了解吗？

这个经常问到，如果想回答好还是要了解一两个业界最先进的agent框架，比如mem0，memgpt，其次广泛上回答大概就是三层：

短期上下文
长期向量记忆
结构化记忆（图数据库）短期记忆一般直接插入，长期记忆一般选择性插入（向量检索），并且做摘要

上下文窗口满了如果需要压缩，怎么去压缩呢？如何筛选有效信息和垃圾信息，保证正确率最大呢？

摘要压缩

对历史对话做抽象总结，可以给LLM提示词，让他从多维度提取，比如“用户画像”，“情景记忆”，“敏感信息”等抽取

实体提取

保留人名、参数、关键变量（这一步抽取这些信息也可以用作图数据库的建立）

重要性打分

TF-IDF
Attention score（本质就是rag的rerank过程，这个可以深入了解一下很有帮助，就是把用户的query和chunk拼在一起，去transformer的encoder层计算注意力分数，能算出相关度）
模型判断 relevance

记忆分层

热记忆 + 冷记忆

工程实现：

历史对话
  ↓
embedding
  ↓
重要度排序
  ↓
只保留 top N