AI 应用与 Agent

AI 应用与 Agent 栏目介绍大模型应用和智能体开发的核心知识。它面向准备 Agent 开发、LLM 应用开发，以及允许使用 AI 编码的面试的读者。

你可以在这里学习模型调用、上下文管理和检索，再了解工具执行、任务状态、评估与安全。各主题提供原理文章和面试练习，帮助你解释机制，并结合任务判断怎样设计应用。

题目来自 2025-07 至 2026-09 公开的 167 篇候选人复盘。公司信息只说明候选人曾公开记录相关提问。

阅读顺序

先理解模型怎样提出动作、程序怎样执行并返回结果，再按岗位要求补充工具、上下文和评估。

建议从工作流与 Agent和 Agent 执行循环开始。

面试只考 AI 辅助编码时，从 AI 辅助开发开始。

1. 大模型基础

• 大语言模型基础：理解 Token、生成过程、采样参数与模型的能力边界。
• Transformer 与注意力机制：理解自注意力、KV Cache，以及长上下文的局限。
• 模型幻觉：区分幻觉类型，理解成因与分层缓解方法。

2. Agent 架构

• 工作流与 Agent：判断何时使用固定步骤，何时让模型选择下一步。
• Agent 执行循环：理解 ReAct 怎样利用观测推进任务，以及停止条件和预算怎样控制循环。
• Agent Harness：了解模型之外的工具、上下文、状态、权限和验证怎样配合。
• 多 Agent 协作：判断任务是否适合拆分，并学习上下文隔离与结果汇总。

3. 模型调用与提示

• 提示词工程：写清任务、约束和示例，再根据结果迭代。
• 上下文管理：选择每轮放入的信息，并区分可信指令与外部内容。
• 上下文压缩：理解窗口容量不足时，应保留什么、丢弃什么。

4. 工具调用与协议

• Function Calling：定义工具，理解调用链，以及错误怎样返回模型。
• MCP：区分 Host、Client、Server 的职责，了解它们之间的传输方式。
• Agent Skills：理解任务流程与资源怎样按需逐步加载。

5. RAG

• 检索增强生成（RAG）：串起离线建索引、在线检索和生成回答的过程。
• 文档解析与切分：理解块大小、重叠、父子索引与元数据怎样影响检索。
• Embedding 与向量检索：理解相似度计算，以及 ANN、HNSW 怎样查找相近向量。
• 混合检索与重排序：理解 BM25、RRF 与 Rerank 在检索中的分工。

6. 状态与记忆

• Agent 状态与持久化执行：用检查点保存进度，处理重试、恢复和人工介入。
• Agent 记忆：区分短期与长期记忆，理解写入、检索和遗忘的过程。

7. 评估、安全与服务化

• Agent 评估：准备评测集与指标，分析失败原因，并检查改动后是否退步。
• RAG 评估：分别评估检索结果、引用证据和生成回答。
• 提示注入：识别外部文档或工具结果中的恶意指令，并理解防护方法。
• 工具授权与执行沙箱：按风险分配权限、设置审批，并隔离执行环境。
• 延迟、成本与服务扩展：拆解延迟与 Token 成本，理解并发限制和降级方式。

8. 框架与 AI 辅助开发

• AI 辅助开发：说明需求、提供代码库上下文，再通过反馈迭代并验收。
• AI 代码调试：复现问题、验证假设、定位根因，再做回归检查。
• 仓库指令：编写并维护 AGENTS.md 等规则文件。
• 编码 Agent 评测：通过任务集和成功率，评估实际开发效能。
• Agent 框架：了解 LangChain、LangGraph 等框架的定位，并比较框架与自研方案。