Agent 开发技术栈怎么选?

回答与解析

真实性边界

“使用过哪些框架、是否训练过模型”属于经历事实。只填写亲自运行、调试或上线过的组件及版本；读过文档、做过 Demo 和生产使用必须分开。不得预填某个商业模型、本地模型、训练收益或延迟数字。

回答框架

1. 任务边界：输入、输出、工具数量、风险等级和服务约束是什么。
2. 框架与自研部分：实际使用【框架/版本】完成【能力】，自研【状态机、权限、审计或执行器】解决【框架缺口】。
3. 模型路径：实际调用【模型/部署方式】；若做过训练，说明数据、目标、基线、配置和验证；若未训练，明确说明。
4. 运行链路：规划、工具选择、参数校验、执行、观察、重试、降级与人工确认如何衔接。
5. 取舍证据：以【任务成功率、工具选择质量、P95/P99、成本、故障率】比较真实候选方案。

事实填空

任务是【】；我实际使用【框架与版本】，负责【】。框架提供【】，自研层负责【】。模型为【】，是否训练【是/否】；若是，训练数据来自【合法来源】，基线【】，真实结果【】。线上约束【】，失败时【】。

证据自检

检查仓库依赖、配置、训练日志、评测集版本、工具 schema、trace、压测报告和回滚记录是否支持回答。不能把调用 API 说成训练模型，也不能把团队维护的平台说成个人实现。

追问入口

准备解释框架锁定风险、为何没有选择其他编排方式、工具增多后的路由、训练数据泄漏、超时预算、幂等、权限和成本控制。

口语版讲法(约4分钟)

• 这道题本质在问技术选型与落地的权衡
• 先说框架选型：LangChain+自研层，为什么这么搭
• 模型训练：LoRA微调工具调用，轻量分类器做意图路由
• 关键方案：改进的ReAct循环、记忆设计、工具注册规范
• 落地踩坑与风险：幻觉确认层、延迟优化、边界条件
• 收尾判断：把Agent看成持续迭代的系统，不是一次性搭建

【真实性边界】我会先区分“了解过、做过原型、参与上线”三个层次，只说自己能拿配置、日志或代码解释的部分。没有训练过模型就直接说没有，不把调用模型或调 Prompt 说成模型训练。

【回答框架】任务是【真实任务】，输入输出和风险边界为【】。我实际使用【框架及版本】处理【工具注册、编排或状态管理】，同时自研【真实模块】补足【权限、审计、持久化或容错】。基座模型与部署方式是【真实配置】。如果确实做过训练，我会说明【数据来源】【目标函数或方法】【基线】【硬件配置】和【评测方式】；否则说明为什么当前任务无需训练。

【事实填空】我负责【本人交付】，依赖团队提供【平台或服务】。工具从【选择】到【参数校验】、【执行】、【结果验证】再到【失败恢复】的链路是【】。方案与【真实备选】比较时，使用【任务成功率、工具选择准确率、延迟、成本和故障率】作为指标，实际结果为【真实记录】，不是题库预填数字。

【证据自检】回答前核对依赖文件、训练或评测日志、工具 schema、trace、压测记录与回滚方案。任何无法复算的提升都删掉。

【追问入口】可以继续追问：为什么选这个框架，工具超过当前规模如何路由，外部 API 不稳定如何降级，敏感动作怎样确认，以及训练与非训练方案的成本边界。

继续展开时，框架选型要落到“它替我解决了什么”。例如编排框架可能提供图或状态机、检查点和人工节点，但认证、租户隔离、业务幂等、审计和告警通常仍需业务系统负责。回答中应指出哪些能力直接使用框架，哪些做了封装，哪些明确没有使用。只说生态丰富或开发快，不能证明适合生产。

如果涉及模型训练，还要区分工具路由分类器、参数生成模型和通用对话模型。训练数据应说明采样窗口、脱敏、负样本、训练验证切分与泄漏检查；指标不能只报分类准确率，还要看错工具的风险、参数合法率和端到端任务成功率。若只是 Few-shot、检索工具描述或 Prompt 调优，应如实称为推理侧优化。

线上部分我会用一条真实 trace 说明截止时间怎样向子调用传播，哪些错误允许重试，哪些必须立即失败，重试是否使用幂等键，何时熔断或转人工。最后报告版本、硬件、并发、P95/P99、错误率和单请求成本。只有这些证据齐全，技术栈清单才会变成工程经验，而不是框架名词表。

关键一句:工具调用失败后的恢复策略：重试、降级、异步告警，这是线上稳定性的关键。

面试官还可能这样问

1. 问法 1 · 场景切入

   假设你要做一个电商客服Agent，用户问订单状态，Agent需要调用查询接口。你用的什么框架？模型是自己训的还是调API？说说你的技术选型吧。

2. 问法 2 · 层层追问

   你开发Agent时用了哪些技术框架？……那模型训练有涉及吗？比如让模型学会选工具，是怎么做的？……具体怎么微调，数据怎么构造的？

3. 问法 3 · 直球架构

   设计一个Agent，要求支持动态工具注册、记忆管理和模型训练。框架选什么？模型要不要微调？给出你的架构方案和关键实现细节。