AI Agent 面试与工程能力地图
Agent 面试通常从 Workflow 与 Agent 的边界问起，再继续追问记忆、工具调用失败、多智能体协作与工程闭环。这一页把本站 Agent 相关内容组织成一条学习线：先跑通最小执行循环，再拆 Deep Research 完整案例，最后用题库校准自己的回答。
共 231 道题，按能力模块组织。
先把最小执行循环讲清楚
- 理解目标与约束
- 规划下一步动作
- 校验参数并执行工具
- 读取结果，继续、降级或停止
按能力进入题库
优先看这 6 题
用项目把答案落到证据
同一题的不同问法
- 问法 1 · 场景切入
假设我们在做一个订单查询Agent，用户问‘我的订单到哪了’，它调用物流API但超时了。这种情况下，你觉得应该直接把超时错误堆栈返回给模型，还是包装成‘查询暂时不可用’？怎么设计才能让Agent自己决定重试还是换个快递查询工具？
- 问法 2 · 层层追问
Agent调用外部工具时，失败是家常便饭。你是怎么处理的？……比如重试策略，你一般怎么决定要不要重试？……那如果重试几次还是失败，你会让它换工具吗？……这些失败信息反馈给模型后，它怎么影响后续的计划？你整体上怎么设计这个闭环？
- 问法 3 · 直球架构
设计一个Agent系统的工具调用失败反馈机制，要求分层错误暴露、动态决策重试还是切换工具，并且失败信息要能影响后续规划。你怎么设计这个状态机？具体说说错误信息怎么过滤、重试策略有哪些因子、以及如何把失败记录反馈到长期优化中。
常见问题
Agent 面试和 RAG 面试考察重点有什么不同？
RAG 考检索质量与评估，Agent 考系统设计与鲁棒性：规划怎么做、工具调用失败怎么重试、记忆怎么分层、多 Agent 怎么协作。两者经常组合出现——Agent 把 RAG 当工具之一。
没有 Agent 项目经验，从哪里开始最快？
先实现一个只保留循环、工具和停止条件的最小 Agent，再读 Deep Research 8 章拆解，看完整系统怎样处理规划、检索、反思和引用。有了亲手实现，回答时就能落到自己做过的技术取舍。
ReAct、Plan-and-Execute、Reflection 这些范式都要会吗？
先掌握 ReAct 的基本循环，再能说明其他范式的适用场景：任务可预先分解时考虑 Plan-and-Execute，需要额外质量校验时考虑 Reflection。关键是能对比取舍，不是背名词。
Multi-Agent 是加分项还是必考项？
是否必考取决于岗位和项目。准备时至少要能说明什么时候值得拆成多个 Agent，以及角色划分、通信、任务分配和失败恢复带来的收益与成本；先把单 Agent 讲透，再谈多 Agent。