先把十道题排成三层

Agent 岗的面试题看着散，其实有结构。按「是什么、怎么干、怎么变好」三层排一下，十道题各归其位：

• 是什么：本质与普通 LLM 应用的区别、什么时候用 Workflow 还是 Agent、几种范式的区别。
• 怎么干：工具调用流程、协议（MCP）、可靠性（容错与防跑飞）、记忆。
• 怎么变好：上下文与成本、检索质量、评测与迭代。

按这个骨架准备，比背十条答案有用得多，因为面试官一追问，你能顺着层级往上走。

下面挑四道最容易翻车的展开讲，其余给要点。

第一题：Agent 跟普通 LLM 应用的本质区别

标准答法一句话：有没有自主决策和闭环。

展开成四行对照：

维度	普通 LLM 应用	Agent
交互	单轮映射，问完即答	目标驱动的循环
决策权	用户决定每一步	Agent 自己决定下一步
外部交互	无	调工具、查数据、改状态
终止	生成完就结束	目标达成、超限或人工终止

追问通常是「为什么 Agent 天然是循环」。答生成机制：LLM 是自回归的，一次只出一个 token，看不到全局，没法一次规划完再执行，只能想一步、做一步、拿结果、再想一步。

图 1｜一键对照

图 1｜一句话区分：有没有闭环

第四题：Function Calling 的完整流程

这题最容易答成「就是模型调函数」。要焊死一条铁律：模型只做决策，不执行。

六步走一遍：

第一步，你写好工具函数。
第二步，把工具说明（JSON Schema）传给模型，不传函数本身。
第三步，用户问题加工具说明发给模型。
第四步，模型返回的不是结果，是一个结构化调用意图：函数名加参数。
第五步，你的代码按意图调用真实函数。
第六步，结果回填给模型，让它组织最终回答。

两个细节能加分：

第一，模型选工具的本质是语义匹配——拿用户意图跟工具描述比相似度。所以描述写得含糊，选错率立刻上去。

第二，参数要校验。模型返回的是文本参数，必须过 JSON Schema 或 Pydantic 再进业务函数；业务合法性（订单存不存在、金额能不能为负）要在函数内部再判一次。

再补一层区分：Function Calling 解决「怎么表达调用」，MCP 解决「工具怎么标准化接入」。两者正交，不存在谁封装谁。

图 2｜六步调用链

图 2｜决策在模型，执行在你的代码

第六题：工具失败与无限循环怎么处理

先分清失败位置，这是最容易混的地方。

解析失败：执行之前就挂了，模型输出的参数不合法。处理是校验 + 带错误信息重试一次 + 兜底。

执行失败：参数没问题，函数报错或超时。处理是把错误回喂给模型，让它换参数或换工具；超时用指数退避，全失败就软失败。

防死循环四道防线：

第一，最大轮次上限（状态里维护计数器）。
第二，完成标记（判断目标达成，主动结束而不是被动超限）。
第三，每轮结果校验（达标即停）。
第四，人工介入（高危操作或反复失败时暂停）。

注意「校验」和「标记」是两步，因果链是：校验通过 → 标记完成 → 终止循环。答成一步会被追问。

图 3｜四道防线

图 3｜上限兜底，达成即停，高危转人

第十题：怎么评测一个 Agent

指标层五个：任务完成率、端到端延迟、工具调用次数、token 消耗、幻觉率。完成率是硬指标，其余四个是成本与质量的护栏。

评测层分两种：能机械判定的（写了文件、改了配置）用验证器核实事实，不要听 Agent 自述；开放式的（生成报告）用评分细则打分。

这里有个特别值得讲的点：Pass@k 和 Pass^k 差一个符号，差一个世界。

Pass@k = 1 减 (1 减 p) 的 k 次方，衡量「k 次里至少成一次」，是能力上限。Pass^k = p 的 k 次方，衡量「k 次每次都成」，是业务可靠性。

单次成功率 0.6，跑五次：Pass@5 约 99%，看起来几乎必成；Pass^5 约 7.8%，连续五次不出错依然很难。

有副作用的场景绝不能看 Pass@k，那个数字会骗人。

迭代层：跑评测 → 看失败 case → 归因 → 改 prompt 或工具或规划 → 再跑。归因要归「首个错误」，并且要分清是模型问题还是壳的问题——Harness 的观察通道缺失，经常被误判成模型能力不足。

图 4｜评测与迭代闭环

图 4｜评测可以自动化，优化不能自动化

其余六题的要点速记

第二题，Workflow 还是 Agent：路径能写死用 Workflow；写不死才上单 Agent；拆多 Agent 的前提是「拆完能拿到新信息」，拿不到就是烧钱。

第三题，四种范式：CoT 只管想，ReAct 加上做和看，Plan-and-Execute 先想全局，Self-Refine 做完再审。生产环境混着用：Plan 拆解、ReAct 执行、Refine 把关。

第五题，MCP：三分角色（host、client、server），三种原语（tools 模型决定、resources 应用决定、prompts 用户决定），stdio 传输别乱 print 日志。

第七题，记忆四件套：短期记忆、长期记忆、知识库、执行日志。判断标准一条——会不会被语义检索出来影响决策。

第八题，上下文溢出与腐化：溢出是装不下，报错明显；腐化是装得下但找不到，不报错更危险。治溢出靠压缩与隔离，隔离优于压缩；治成本靠 KV Cache 三条铁律（前缀别改、动态信息放末尾、用标准格式）。

第九题，RAG 链路：离线建库、在线召回加重排。混合检索用 RRF 融合，粗筛用双编码器、精排用跨编码器。两个阶段必须用同一个 embedding 模型，否则是隐性 bug。

结语

十道题说到底在考一件事：你能不能说清一个系统的边界——它靠什么判断对错、错在哪一层、怎么证明改好了。

答得出这三句，细节忘了也能现场推。答不出，背完十条也只是复读机。

---

这波 AI 大模型的机会，你接得住吗？

又到了一年中最受期待的 “金九银十”招聘季。每年这两个月，各家大厂都会集中释放大量岗位：既有补录名额，也有核心业务扩招，对应届生来说是冲刺上岸的最后窗口，对在职的朋友而言，同样是全年最值得把握的跳槽时机。

我最近梳理了一遍大厂的招聘需求，发现今年的市场格局和往年明显不同

机会确实在，但门槛也在抬高。

先看机会端。在大模型、生成式 AI 这条赛道上，各家公司的诚意给得很足：岗位数量大幅增加，薪资水涨船高。目前中大厂的大模型相关岗位，年薪普遍能到 50W+，顶尖人才拿到百万年薪并不稀奇，不少岗位的薪酬比去年上调了 40% 左右。更难得的是，这条赛道对年龄也宽容得多——对深陷“35 岁焦虑”的程序员来说，这几乎是目前为数不多的高薪避风港。

但高薪的另一面是残酷的现实：缺人的领域，同样缺不了找不到工作的人。

原因不复杂——想进大模型领域的人非常多，可真正具备胜任能力的极少。大多数求职者的技能储备，和一线企业核心 AI 岗位的要求之间，隔着一道不小的鸿沟。

怎么补上这道鸿沟？

为了帮大家真正达到国内一线大模型岗位的用人标准，我整理了一套 【2026 最新版】AI 大模型免费学习资源，从零基础入门到项目实战、从理论体系到大厂面试，一路进阶全覆盖。所有资料已分类归档，没有杂乱内容，无套路免费分享给每一位想入局 AI 赛道的程序员和零基础小白。

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在AI大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！