2026 AI Agent 100道面试题参考答案(基础题库22题)

1. 用通俗语言解释什么是AI Agent？普通大模型对话、RAG问答和Agent核心区别是什么？

答：AI Agent就是给大模型装上手脚和脑子，能够自主理解目标、拆解任务、调用外部工具、反复迭代反思，直到完成用户复杂目标的智能体。

- 普通大模型对话：被动接收输入直接输出，没有外部动作，无自主规划；

- RAG问答：检索知识库再回答，流程固定，只做问答，不会主动执行多步动作；

- Agent：闭环循环：感知→规划→调用工具→观察结果→反思迭代，自主做多步动作，可操作外部系统。

2. Agent五大核心组件：感知、记忆、规划、工具、反思，分别起到什么作用？

答：

- 感知：接收用户输入、工具返回结果，获取环境信息；

- 记忆：保存会话历史、过往经验、长期知识，给决策提供上下文；

- 规划：把大目标拆解成若干子任务，决定下一步做什么；

- 工具：大模型的手脚，联网、查数据库、调用API，弥补模型本身能力边界；

- 反思：对执行结果做校验，发现错误、回退、修正策略，提升任务成功率。

3. 简述ReAct智能体执行循环原理，完整流程是什么？

答：ReAct = Reason（推理思考）+ Act（工具行动）。

完整循环：①接收用户问题；②模型输出思考Thought，判断要不要调用工具；③输出Action选择工具+参数；④执行工具拿到Observation观测结果；⑤把结果塞回上下文，继续思考；循环直到认为可以直接输出最终答案，终止循环。

4. 什么是Function Calling（函数调用），它对Agent实现起到什么作用？

答：Function Calling是大模型按照预定义Schema，输出结构化JSON，指定调用哪个工具、传入什么参数。

作用：让模型不再只输出自然语言文本，可以标准化触发外部API、工具；是Agent工具能力的底层基础，约束输出格式，减少解析错误。

5. CoT思维链、Self‑Reflection反思机制如何提升Agent任务完成率？

答：CoT让模型一步步推理，不直接输出答案，减少跳跃式错误；Self‑Reflection是拿到执行结果之后，让模型复盘刚才做的对不对，识别错误、重新调整策略。CoT解决单步思考质量，反思解决多步执行出错后的自我修正。

6. Chain、Workflow、Agent三者如何区分？业务场景如何选型？

答：

- Chain：简单链式调用，A执行完固定传给B，逻辑简单；

- Workflow：预先编排好固定分支、条件，执行路径是人为写死，没有自主决策；

- Agent：运行时自主决策下一步，路径不预先写死。

选型：确定的简单业务优先Workflow；需要多步但逻辑固定用Chain；目标复杂、路径不可预知，才上Agent。

7. 什么是Agent幻觉？智能体场景下的幻觉和普通问答幻觉有什么不同？

答：Agent幻觉不光是文本胡说，还会虚构工具、虚构工具参数、编造工具返回结果，直接触发错误外部操作。普通问答幻觉只输出错误文字；Agent幻觉会引发真实业务副作用，比如错误调用下单、错误查询参数，破坏性更强。

8. Agent Memory分为哪几类？短期记忆、长期记忆、会话记忆分别如何落地？

答：分为会话记忆、短期工作记忆、长期记忆。

- 会话记忆：当前对话历史，放在Prompt上下文；

- 短期记忆：本轮Agent任务中间状态、工具返回结果，LangGraph的State；

- 长期记忆：跨会话沉淀经验，存入向量库，任务时检索召回。

9. 什么是上下文窗口限制？长会话下，Agent如何避免上下文溢出？

答：LLM输入token有上限，多轮对话、多次工具返回会持续膨胀，超出就报错。

手段：滑动窗口、摘要压缩、滚动总结、过滤无效工具返回、把历史放到向量库按需召回，不全塞Prompt。

10. 简单任务为什么不建议直接上Agent，优先Workflow？

答：Agent自主决策带来不确定性，有循环、幻觉、成本高、调试难。简单任务路径确定，Workflow可控、稳定、成本低、可测试，没必要引入Agent的不确定性。

11. AutoGPT、BabyAGI这类初代自主智能体为什么很难大规模生产落地？

答：自主度过高，容易无限循环；缺少边界控制；没有完善的状态持久化；缺少人在回路；工具调用稳定性差；token消耗巨大；不可观测，故障很难排查，只适合Demo。

12. 什么是人在回路（Human‑in‑the‑loop），哪些Agent场景必须设计人工介入？

答：执行过程中主动暂停，交给人类确认、审批、澄清，再继续执行。高危写操作（下单、审批、删除数据）、高风险决策、信息不足歧义大的场景，必须人介入。

13. 温度参数（temperature）对Agent决策会造成什么影响？生产环境如何设置？

答：temperature越高随机性越强，更容易脑洞大开，容易选错工具；越低输出越确定、保守。Agent工具调用、规划环节一般设置0‑0.2；创意总结可以适当调高。

14. 介绍Plan‑and‑Solve、ReAct、Reflexion几种主流Agent推理范式差异。

答：

- ReAct：边思考边行动，走一步看一步；

- Plan‑and‑Solve：先完整把任务全部拆解出计划，再按计划执行；

- Reflexion：在执行完一轮之后增加反思复盘，根据失败经验迭代策略。

15. Agent自主决策存在哪些天然缺陷？

答：容易无限循环；规划错误；选错工具、传参错误；幻觉虚构工具；上下文膨胀；对复杂依赖拆解能力有限；目标理解偏差；容易被prompt注入。

16. 工具描述（Tool Schema）怎么编写，才能大幅降低模型调用失败概率？

答：工具描述写清楚工具用途、适用场景；每个参数写清楚含义、类型、是否必填、示例；写明什么情况不应该调用这个工具；增加few‑shot样例；单一职责，一个工具只做一件事。

17. 什么是Agent最大执行步数限制？不加限制会引发什么线上问题？

答：限制Agent最多可以执行多少次工具调用。不加限制会陷入无限循环，疯狂调用工具，token爆炸，接口被打满，资源耗尽，成本飙升。

18. 简单说明FLARE主动检索范式，和普通RAG有什么区别？

答：FLARE是生成过程中发现模型不确定、遇到未知知识点，主动中途触发检索；普通RAG是提问之初一次性检索。FLARE边生成边补资料，适合长文本生成过程中动态补信息。

19. 大模型原生Function Calling和基于Prompt模拟工具调用优劣对比。

答：原生FC：输出格式稳定，解析简单，但部分国产模型兼容性差；Prompt模拟：通用性强，所有模型都能用，但容易输出格式错乱，需要额外解析修复逻辑。

20. 什么是目标拆解？复杂任务中Agent规划模块承担哪些工作？

答：把大的模糊目标拆成多个有先后依赖的子任务。规划模块：解析用户意图；拆解子任务；识别依赖关系；判断当前子任务完成状态；调整计划。

21. 低代码平台（Dify/Coze）里面的Agent底层运行机制是什么？

答：底层基本是ReAct循环；封装好记忆、工具管理；用户可视化配置prompt、工具、最大步数；底层调用大模型FC，封装状态管理，屏蔽底层框架细节，二次开发自由度受限。

22. 谈谈你理解的Agentic AI，和传统LLM应用最大变革点。

答：Agentic AI是智能体范式，AI不再被动等待指令，具备目标导向，主动感知、规划、行动、迭代。传统LLM应用是人驱动流程；Agentic AI是AI驱动流程，自主完成复杂现实目标。