41 道AI 应用面试题。
普通大模型应用主要完成一次输入到输出,Workflow 由代码预先规定执行步骤,Agent 则让模型在约束范围内根据当前状态动态决定下一步,并通过工具循环执行直到完成或停止。不是步骤越多就越像 Agent,而是决策权放在哪里。…
Function Calling 是模型与应用约定结构化工具调用的机制:应用提供函数 Schema,模型返回 Tool Call,应用校验并执行函数,再把结果作为 Tool Output 交回模型。模型负责选择,程序负责执行。…
ReAct 是让模型交替进行推理、执行动作和读取观察结果,用外部反馈持续修正下一步,直到得到答案或触发终止条件。…
Structured Output 用 Schema 约束模型最终输出的数据结构;Function Calling 让模型选择工具并生成调用参数,参数还要由应用校验、执行并把结果返回模型。…
Agent Loop 会把用户目标和当前上下文交给模型,模型要么输出最终答案,要么产生 Tool Call;运行时校验并执行工具,把 Tool Result 追加回上下文后再次调用模型,直到得到最终输出、触发人工等待,或达到轮次、时间和成本…
Context 是当前执行所需的信息,State 是运行过程中可变化的状态,Session 是多轮交互的会话边界,Memory 是经过选择后可跨轮甚至跨会话复用的记忆。…
Agent Memory 是让 Agent 在当前步骤之外保留并复用信息的机制。短期记忆维持当前会话和任务状态,长期记忆跨会话保存稳定事实、偏好或经验;两者都需要选择、检索、压缩、更新和遗忘。…
ReAct 以每轮观察驱动下一步,灵活但容易局部漂移;Plan-and-Execute 先拆出全局步骤再执行,适合长任务,但必须支持校验和重规划,实际系统常把两者组合。…
Handoff 是把当前会话的处理权转交给另一个 Agent;Agent as Tool 是主 Agent 保留控制权,只把某个子任务交给专业 Agent,并拿回结果继续决策。…
Embedding 是把文本、图片等对象映射到高维稠密向量的表示方法,使语义相近的对象在向量空间中距离更近;向量检索则利用这些向量和近邻索引快速找到相似内容。…
RAG 是检索增强生成:先从外部知识库中找到与问题相关的内容,再把问题和检索结果一起交给大模型生成答案。完整链路通常分为离线建库和在线问答两部分。…
RAG 在智能问数里主要检索元数据、指标语义、字段血缘、Join 关系、审核过的 SQL 示例和权限范围,再把相关上下文注入大模型生成 SQL;只给数据库 Schema 只能解决“字段叫什么”,解决不了“业务指标怎么算、哪些表能关联、用户能…
文档分块是把长文档切成适合索引和检索的最小知识单元。Chunk 太大容易语义稀释、召回不准,太小容易上下文断裂;Overlap 用来保留边界附近的信息,但过大会造成重复召回和成本上升。…
Retriever 负责从海量数据中快速召回候选,重点是高召回率;Reranker 负责对少量候选精细排序,重点是让真正相关的内容排在前面。前者像初筛,后者像复试。…
RAG 评估要分层进行:检索层评估正确证据能否进入并排在 TopK 前部,生成层评估答案正确性、忠实度和引用质量,系统层评估延迟、成本、新鲜度、权限与线上任务成功率。…
在智能问数中,RAG 负责找到正确的业务语义和数据知识,Text-to-SQL 负责生成可执行查询,Agent 负责规划并编排“澄清、检索、生成、校验、执行、纠错和解释”的完整流程。…
Data Agent 不能直接连接生产数据库,因为大模型生成的查询具有概率性,而生产数据库承载真实权限、敏感数据和在线负载;正确做法是让 Agent 只提交受约束的查询意图,由 Query Gateway 完成身份传递、表列授权、SQL A…
智能问数需要语义层,是因为数据库 Schema 只描述数据“怎么存”,而语义层描述业务“怎么算”:它统一指标、维度、实体、时间口径和 Join 关系,并把用户问题编译成受权限和成本约束的查询,让大模型负责理解语言,而不是临场发明业务规则。…
Prompt 告诉模型当前要做什么,Skill 把某类任务的步骤、知识、脚本和模板封装成可复用能力,MCP 则让 Agent 用标准协议连接外部 Tools、Resources 和 Prompts。Skill 可以指导 Agent 何时以及…
Skill 渐进加载通常分为三层:启动时只加载名称和描述,任务匹配后加载完整 SKILL.md,执行过程中再按需读取 references、scripts 和 assets。它减少无关 Token、降低指令冲突,也让 Skill 可以携带更…
工具越多、描述越相似,模型的选择空间和上下文噪声越大;生产系统应通过分组、路由、权限过滤和按需发现,只向当前 Agent 暴露完成任务所需的最小工具集。…
API 解决系统之间如何调用,Function Calling 解决模型如何表达“我要调用哪个函数”,MCP 解决 AI Host 如何用统一协议发现并连接不同外部工具与数据。三者不是互相替代,而是可以出现在同一条调用链中。…
Host 是承载 AI 应用并负责授权与编排的宿主;Client 是 Host 为每个 Server 建立的一对一协议连接;Server 是通过 MCP 暴露 Tools、Resources、Prompts 等能力的服务。…
Tool 用来执行动作,通常由模型选择;Resource 用来提供可读取的上下文,通常由应用组织;Prompt 用来提供可复用的提示模板,通常由用户显式选择。判断用哪一种,要看需求是“做事”“读资料”还是“启动一套对话流程”。…
MCP 初始化用于建立协议版本和会话基础,能力协商用于明确本次连接可以使用哪些可选功能;完整生命周期分为 Initialization、Operation 和 Shutdown。…
stdio 由 Client 启动本地 Server 子进程,通过标准输入输出传输消息,简单且隔离;Streamable HTTP 让 Server 独立部署,通过 HTTP POST、可选 GET/SSE 与多个客户端通信,更适合远程共享…
Roots 用来声明客户端愿意暴露给 MCP Server 的文件系统根范围;Sampling 允许 Server 请求 Client 代为调用大模型;Elicitation 允许 Server 通过 Client 向用户补充询问信息。…
远程 MCP 的授权基于 OAuth 体系:Client 发现 MCP Server 对应的授权服务,用户完成授权后,Client 获取绑定到该 MCP 资源和 Scope 的访问令牌;不能把其他系统的 Token 直接转交给 Server…
MCP Tasks 把长时间请求包装成有 taskId 和生命周期的持久任务,接收方先返回任务句柄,请求方随后查询状态、获取结果或取消任务,从而把“长连接等待”变成“异步执行与延迟取回”。…
Progress 用来报告在途请求的进展,Cancellation 用来通知对方停止仍在执行的请求,Logging 用来输出可筛选的诊断信息;三者分别面向体验、控制和排障。…
Agent Harness 是包在模型外部的运行与控制层,负责上下文组装、Agent Loop、工具执行、状态、权限、沙箱、预算和观测;大模型提供推理能力,Agent 是面向任务的整体,Agent Framework 是构建 Agent 与…
Agent Harness 通常由 Context、Runner/Loop、Tool Runtime、State/Memory、Guardrails/HITL、Sandbox、Budget、Tracing/Evals 八类模块组成,它们共同…
模型决定推理能力的大致上限,Harness 决定信息是否给对、动作是否可用、错误是否可修正、状态是否连续以及循环是否受控,所以同一模型在不同 Harness 中可能表现得像两个产品。…
截断适合丢弃低价值旧内容,摘要适合压缩仍需保留的长历史,按需加载适合工具、Skill、文档和长期记忆;生产中通常三者组合,并对系统指令、审批结果和关键执行状态做无损保留。…
Agent 应同时设置最大模型轮次、分类重试策略、Token 与费用预算、总超时和工具并发限制,并检测重复调用;每轮执行前扣减预算,超过阈值后受控终止、保存状态并返回已完成结果和阻塞原因。…
Sandbox 通过隔离文件系统、进程、网络、身份和资源,把 Agent 的代码执行限制在受控工作区;Prompt 和 Guardrail 负责指导与检查,Sandbox 和底层权限负责即使模型出错也无法越过硬边界。…
Guardrails 是围绕 Agent 输入、工具调用和最终输出设置的检查与阻断机制;Prompt 只能提供行为指导,真正的安全还要靠代码校验、权限系统、沙箱、审批、限额和审计。…
Human-in-the-loop 是 Agent 在高风险、不可逆或语义不确定的节点暂停执行,由有权限的人批准、拒绝或修改后再恢复;付款、删除、生产变更、外发敏感数据和代表用户公开发布等操作通常必须审批。…
Agent Tracing 是记录一次任务从输入到最终输出的完整执行轨迹,将模型生成、工具调用、Handoff、Guardrail、检索和自定义步骤表示为带父子关系的 Span,用于定位错误、分析延迟成本、审计副作用并支撑 Evals。…
Agent Eval 应以任务成功为核心,同时检查执行轨迹、工具选择与参数、状态变化、成本延迟和安全约束,并把离线回归与线上监控结合起来。…
LLM-as-a-Judge 是让大模型按明确 Rubric 对回答进行打分、分类或比较;它适合规模化评估开放问题,但必须通过人类标注校准,并防范位置、冗长、自我偏好和提示注入。…