ARTICLE · 1068900
AI 技术面试题・Agent 篇(二)|工具调用、任务规划、多智能体高频 10 问
AI 技术面试题・Agent 篇(二)|工具调用、任务规划、多智能体高频 10 问上周发布 Agent 面试第一辑之后，不少同学反馈：面试深挖不再只考基础定义，面试官更爱追问工具调用、任务规划、多智能体协作这类工程落地问题。只会背概念，遇到闭环流程、异常处理类问题，很容易直接卡壳。 Agent 面试第二辑来了！10 道高频真题，覆盖「LLM 应用对比｜记忆｜工具调用｜任务规划｜ReAct｜多智能体」，从原理到工程实践，面试常问连环考点一次性整理。建议收藏，面试前快速复盘。
考察点：能不能抓住自主性与闭环能力的本质，不只是简单罗列表面差异。 高分答案：传统 LLM 应用以被动问答为主，用户输入 prompt，模型一次性输出文本，没有自主循环决策；Agent 拥有感知 - 思考 - 行动 - 反馈闭环，能够自主拆解目标、调用外部工具、迭代修正，直到完成任务。 传统 LLM 应用：依赖模型静态知识，只做内容生成，无法主动执行外部操作，指令模糊时容易输出幻觉； Agent：目标导向，可借助搜索、代码、数据库等外部能力突破模型知识边界，支持长任务持续迭代，具备自主纠错能力。 💡一句话总结：传统 LLM 是回答问题，Agent 是主动完成目标任务。
考察点：区分不同层级记忆的作用、存储介质与适用场景，理解记忆在 Agent 闭环里的价值。 高分答案：Agent 记忆分为瞬时记忆、短期记忆、长期记忆三层，各司其职共同支撑连续任务： 瞬时记忆（上下文窗口）：大模型单次推理窗口，读写最快，精度最高，但容量受限，窗口溢出信息丢失，支撑单次思考； 短期记忆（会话记忆）：内存缓存，保存当前任务中间状态、工具调用记录，会话结束清空，保证单次任务连贯性； 长期记忆：向量库 / 数据库持久化存储，可无限扩容，存放历史任务、用户偏好、领域知识，依靠检索读取，速度慢，用来复用历史经验。 💡一句话总结：瞬时记忆供推理，短期记忆保会话，长期记忆存经验。
考察点：讲清楚完整闭环，区分模型推理环节和后端执行调度环节。 高分答案：工具调用是 Agent 把思考转化为外部动作的核心能力，完整流程分为 5 步： 💡一句话总结：模型决定调用哪个工具，调度层执行，结果回传再思考。
考察点：从工程落地视角，不是只列举工具，而是从可用性、安全、可观测性多角度阐述。 高分答案：工具系统设计目标：可调用、低错误、可扩展、可管控，核心考虑 6 个因素： 💡一句话总结：工具系统不只是写接口，还要管好选择、权限、异常与日志。
考察点：工程落地能力，区分不同失败类型，给出分层处理策略，不是只写重试。 高分答案：第一步先定位失败类型：参数错误、网络超时、权限不足、返回无效数据等，再分层处理： 💡一句话总结：临时故障重试，推理错误自修正，不可用则降级并反馈用户。 
考察点：理解规划的本质是任务拆解，区分 LLM 原生规划与传统搜索规划算法。 高分答案：任务规划的本质，是把高层模糊目标拆解成有序的可执行原子子任务。流程：目标解析 → 任务拆解 → 子任务排序 → 工具匹配 → 分步执行 → 动态校验调整。 主流规划思路 / 算法： 递进式拆解：自上而下拆分任务，落地最简单，通用场景首选； BFS 广度优先：遍历所有可行路径，适合多分支任务，偏向寻找全局解； DFS 深度优先：单路径持续执行，适合线性流程任务； A * 启发式规划：基于代价函数优先选择最优路径； 动态规划：根据执行反馈实时修改任务计划，适配不确定场景。 💡一句话总结：规划就是拆任务排顺序，简单任务靠 LLM 拆解，复杂任务可融合传统搜索算法。
考察点：能给出量化评估维度，并且定位规划失败根因，给出可落地优化方案。 高分答案：评估规划质量 4 个维度： 规划失败改进方案： 💡一句话总结：看规划全不全、顺不顺、稳不稳；出问题就拆细、加校验、动态调整。
考察点：理解 ReAct 核心循环，区分它和纯 CoT 的差异，抓住 Thought-Action-Observation 闭环。 高分答案：ReAct（Reason + Act）是 Agent 最经典基础框架，核心是推理和行动交替循环。 闭环三步： 💡一句话总结：ReAct 就是「想一想，动手做，看结果，再继续」。
考察点：横向对比三者定位，抓住「能不能执行外部动作」这个核心分界线。 高分答案：三者都是增强大模型推理能力的技术，但能力边界不一样： CoT（思维链）：纯文本分步推理，没有外部行动，只能依赖模型内部知识，无法调用工具； Self-Ask（自提问）：模型主动提出子问题来补全信息，偏向自问自答，早期版本外部执行能力弱； ReAct：融合分步推理与外部动作，支持工具调用，有观测反馈闭环，适合 Agent 复杂任务。 💡一句话总结：CoT 只会想，Self-Ask 会自问，ReAct 能思考还能动手执行。
考察点：理解多 Agent 是团队分工，不是多个 Agent 简单叠加，能讲清楚不同架构适用场景。 高分答案：Multi-Agent 多智能体系统，是多个具备独立能力的 Agent 组成协作团队，每个 Agent 有不同职责，通过通信配合，完成单个 Agent 难以处理的复杂长链路任务。 四大经典协作架构： 💡一句话总结：单 Agent 是单人干活，Multi-Agent 是分工协作的 AI 团队。 
第一辑讲基础概念，第二辑深入工程落地。面试中 Agent 相关问题经常连环追问：问完定义问工具调用，问完工具问规划，再追问多智能体。 吃透这两辑，基本覆盖 Agent 岗位面试 80% 以上的基础 + 工程面试题。 下一期，准备更新 Agent 高阶面试题：Agent 幻觉、反思机制、评估指标、落地踩坑，欢迎持续关注。
承接第一辑 Agent 面试题，延续同款「考察点 + 高分答案 + 一句话总结」卡片式结构，开篇文案衔接上篇
01 Agent 和传统的 LLM 应用有什么区别？
02 Agent 的记忆管理有哪些类型？各有什么特点？
03 Agent 如何调用工具？工具调用的流程是什么？
需求解析：Agent 判断当前信息是否足够，确定是否需要调用工具； 参数生成：模型按照约定格式输出工具名称、入参； 执行动作：调度层解析指令，调用外部 API、搜索、代码解释器； 获取观测：拿到工具返回结果、报错信息； 迭代推理：把结果放回上下文，重新判断任务是否完成，不足则继续调用工具。
04 如何设计 Agent 的工具系统？需要考虑哪些因素？
能力边界：明确每个工具适用场景，避免功能重叠； 工具描述与参数：描述清晰无歧义，精简参数，必填项明确，降低模型错选概率； 调度策略：设置调用优先级，区分串行 / 并行调用，避免重复调用； 容错能力：提前处理超时、空返回、非法参数等异常； 安全权限：区分只读 / 高危操作，增加调用限流、敏感操作二次确认； 可观测性：完整记录调用日志、成功率、耗时，方便后续优化。
05 Agent 工具调用失败时应该如何处理？
瞬时异常（网络波动）：有限次数重试，加入退避策略，禁止无限重试； 参数 / 格式错误：Agent 复盘报错信息，自动修正参数重新调用； 工具不可用：自动切换备用工具，或降级输出基础结果； 核心工具完全失效：停止无效调用，向用户说明卡点，支持人工调整任务； 留存日志：保存失败上下文，用于优化工具描述，从根源降低错误率。
06 Agent 如何进行任务规划？规划算法有哪些？
07 如何评估 Agent 的规划质量？规划失败时如何改进？
完整性：子任务能否完整覆盖用户目标，无遗漏； 逻辑合理性：任务顺序符合业务逻辑，无颠倒冗余； 高效性：粒度合适，减少多余工具调用； 鲁棒性：信息轻微缺失时不会直接崩溃。
细化拆解粒度，大任务拆成更小原子任务； 优化规划提示词，增加约束与校验规则； 增加预校验，执行前检查规划方案是否合理； 每完成子任务校验进度，实时重规划； 复杂场景引入传统规划算法，降低纯 LLM 推理不稳定问题。
08 什么是 ReAct 框架？ReAct 思路如何让 Agent 做推理 + 行动？
Thought（思考）：基于当前信息判断信息是否充足，决定下一步动作； Action（行动）：调用工具或者执行操作； Observation（观测）：接收工具返回的真实结果； 循环往复，直到任务完成。 它让模型不再只在文本空间空想，能够基于外部真实反馈持续推理。
09 Chain-of-Thought（CoT）、Self-Ask 和 ReAct 在 Agent 场景下的差异是什么？
10 什么是多智能体 Multi-Agent？多 Agent 协作常见架构有哪些？
流水线串行架构：按流程依次执行，上一个输出作为下一个输入，适合标准化流程； 主管 - Worker 主从架构：主管负责任务拆解分配，多个 worker 执行子任务，业务最常用； 并行投票架构：多个 Agent 并行执行同一任务，结果投票择优，适合高校验场景； 对等自治架构：无中心调度，Agent 之间协商分配任务，科研场景居多，落地难度高。