大家好，我是小林。
这次给大家整理了一套 AI Agent 和 RAG 方向的面试题，题目都是我从网上真实面经里收集来的，所以这里的每一道都是货真价实的面试真题，不是我编的，也不是八股文，是真实面试里会被问到的问题。
每道题我都按照「面试现场复盘」的方式来写：开头先模拟一段真实对话，候选人怎么踩雷、面试官怎么怼，让你先感受一下「这道题答不好会出什么问题」，然后再从根子上把知识点讲透。我的目标不是让你背答案，而是真的搞懂原理，这样上了面试场，就算面试官换个问法，你也能自己推导出来。
目前一共三个专题，Agent 面试专题，RAG 面试专题，工具调用 面试专题，下面分别说说各覆盖了哪些内容。
Agent 面试专题
Agent 现在是 AI 工程里最热的方向，面试里出现频率非常高，但也是最容易答得「听起来没问题、其实没说到点上」的方向。这个专题从最基础的概念一路讲到多 Agent 协作，把面试里最常被追问的几个维度都覆盖到了。
从基础到进阶大概分四块。第一块是概念和架构，先把 Agent 到底是什么、和普通 LLM 调用有什么本质区别搞清楚，再拆 Agent 的核心组件，以及 Workflow、Agent、Tools 三个概念怎么区分，这是后面所有问题的地基，一定要答利索。
第二块是设计范式，重点就是 ReAct、Plan-and-Execute、Reflection 这三种，每种解决什么问题、有什么代价、适合哪种场景，这是面试里最高频的考点，也是最容易答得半对不对的地方。
第三块是工程实践，这一块问的都是你真正做过 Agent 才会遇到的问题，比如复杂任务怎么拆分、记忆模块怎么设计、规划能力怎么实现、反思机制具体怎么跑，还有一道「为什么有时候要手搓 Agent 而不用框架」，能答好这道题说明你真的踩过坑。
第四块是多 Agent，从什么是 Multi-Agent 讲起，到 Single-Agent 和 Multi-Agent 怎么选，再到多 Agent 之间怎么通信（消息传递还是共享状态）、路由怎么做（静态规则还是 LLM 动态决策），这块是做过复杂系统才会深入思考的问题，答好了印象分很高。
- 1. 什么是 Agent？与大模型有什么本质不同？
- 2. Agent 的基本架构由哪些核心组件构成？
- 3. Workflow，Agent，Tools 这三个的概念和区别介绍一下？
- 4. 了解哪些其他的 Agent 设计范式？Agent 和 Workflow 的区别是什么？
- 5. Agent 推理模式有哪些？ReAct 是啥？具体是怎么实现的？
- 6. ReAct、Plan-and-Execute、Reflection 三种范式有什么核心区别？实际项目中该如何选型？
- 7. 复杂任务怎么做的任务拆分？为什么要拆分？效果如何提升？
- 8. 请你介绍一下 AI Agent 的记忆机制，并说明在实际开发中应该如何设计记忆模块？
- 9. Agent 的长短期记忆系统怎么做的？记忆是怎么存的？粒度是多少？怎么用的？
- 10. 什么是 Multi-Agent？
- 11. 说说 Single-Agent 和 Multi-Agent 的设计方案？
- 12. Agent 记忆压缩通常有哪些方法？
- 13. 在工程实践中，为什么有时候选择「手搓」Agent，而不是直接用成熟框架？
- 14. 如何赋予 LLM 规划能力？
- 15. 讲讲 Agent 的反思机制？为什么要用反思？具体怎么实现？
- 16. 如何设计多 Agent 的协作与动态切换机制？
RAG 面试专题
RAG 是把外部知识接入大模型最主流的方案，现在几乎所有 AI 应用里都有它的影子，面试里肯定绕不开。这个专题从 RAG 的基础原理一路讲到工程落地，覆盖了整条链路。
也是四块。第一块是基础，先把 RAG 是什么、解决了大模型哪些根本问题讲清楚，然后对比 RAG 和微调各自该用在什么场景，这是面试开场的必考题，得答出层次来。
第二块是索引构建，文档怎么切割（Chunking）、粒度怎么定、语义被切断了怎么办、Embedding 是什么怎么选、向量数据库怎么选型、怎么用，这一块是 RAG 系统搭起来之前必须搞定的事，问题看着简单，但每道深入问下去都有坑。
第三块是检索优化，这是最容易在面试里拉开差距的部分。一般人能说出「向量检索」，但 Query Rewrite 是什么、为什么要做、多路召回怎么设计、各种检索优化策略是什么、有哪些更复杂的 RAG 范式（比如 Self-RAG、Corrective RAG）、图数据库什么时候用，这些点很多人答不上来，但这恰恰是面试官最爱深挖的地方。
第四块是生产落地，幻觉怎么规避、效果怎么量化、知识库怎么动态更新，最后一道「RAG 落地最难的地方」是个开放题，没有标准答案，但能答好这道题的人，面试官基本就认可你真的做过 RAG 系统了。
- 1. 什么是 RAG？详细描述一个完整 RAG 系统的详细工作流程？
- 2. 大模型的 RAG 主要用来解决什么问题？
- 3. 相比直接微调 LLM，RAG 解决了什么问题？微调和 RAG 各自的优劣势是什么？
- 4. RAG 中的文档是怎么存的？粒度是多大？详细说说文档切割（Chunking）策略？
- 5. 怎么规避语义被切割掉的问题？
- 6. 在 RAG 中 Embedding 究竟是什么？如何选择和评估一个 Embedding 模型？
- 7. Embedding 有哪几种算法你了解过吗？
- 8. 什么是向量数据库？有没有做过向量数据库的对比选型？
- 9. 讲讲你用的向量数据库？数据量级是多大？性能如何？遇到过性能瓶颈吗？
- 10. 你使用 RAG 给大模型一个输入，系统是怎样的工作流程？
- 11. 请你介绍一下向量检索和关键词检索的区别？
- 12. 如何润色用户的 Query（Query Rewrite）？目的是什么？
- 13. 什么是多路召回？具体怎么做？
- 14. RAG 检索优化策略有哪些？
- 15. 了解哪些更复杂的 RAG 范式？
- 16. 在什么场景下，你会选择使用图数据库来增强传统的向量检索？
- 17. 如何规避 RAG 系统中大模型的幻觉？
- 18. 怎么量化你的 RAG 效果？
- 19. RAG 知识库如何实现动态与持续更新？
- 20. 在实际落地中，你觉得 RAG 最难的地方是哪里？
LLM 工具调用面试专题
做 AI 应用光让模型能聊天是不够的，你得让它能「干活」，能查数据库、能调 API、能操作文件，这些背后就是工具调用。Function Calling、MCP、Agent Skill 这些概念现在面试问得越来越多，但很多人对它们的理解还停留在「都是调工具的」这个层面，一追问就分不清谁是谁了。涵盖 Function Calling 原理与训练、MCP 协议架构、FC 与 MCP 对比选型、Agent Skill 知识封装、A2A 协议、通信协议对比、LLM 网关等面试题。
也是按模块来聊。前三道是 Function Calling 基础，FC 到底是什么、模型怎么学会调工具的、训练过程是怎样的，这是整个工具调用体系的地基，很多人只知道「模型能调工具」，但说不清模型输出的是什么格式、谁决策谁执行，面试官一追问就露馅。
第 4 到第 5 题是 MCP 协议，MCP 是什么、由哪几部分组成。MCP 现在是 AI 工具生态最热门的话题，理解了 MCP 的架构和组成，后面的对比和选型才有基础。
第 6 到第 8 题是 FC 与 MCP 的对比和选型，两者到底有什么区别、什么场景该用哪个、为什么有些推理模型不支持 MCP。这块最容易拉开差距，大部分人只会单独解释概念，说不清它们的关系和选型依据。
第 9 到第 11 题是 Agent Skill，Skill 是什么、和 MCP 有什么区别、FC/Skill/MCP 三者到底是什么关系。Skill 是 Anthropic 推出并开放为跨平台标准的概念，把使用工具完成任务的知识和流程打包成可复用模块，和 MCP 提供的工具能力形成互补。理解了这三层架构（FC 是语言、MCP 是工具箱、Skill 是操作手册），你对整个工具调用体系就有全局视角了。
第 12 题是 A2A 协议，A2A 是什么、跟 MCP 有什么区别。A2A 是 Google 推出的 Agent 间协作协议，属于进阶内容。第 13 到第 15 题是 通信协议，MCP 的通信方式、SSE 和 WebSocket 的区别、WebRTC 在 AI 对话场景里的角色，偏底层实现，面试官有时会从 MCP 架构往下追问到通信协议层。最后第 16 题聊 LLM 网关，偏工程实践，做过线上项目的同学答起来会很有优势。
- 1. 什么是 Function Calling？原理是什么？
- 2. LLM 是如何学会调用外部工具的？
- 3. 大模型的 Function Call 能力是怎么训练出来的？
- 4. 什么是 MCP（模型上下文协议）？讲讲它的核心内容？
- 5. MCP 由哪几部分组成？
- 6. MCP 和 Function Calling 有什么区别？有没有实际跑过 MCP？
- 7. Function Calling 也属于工具调用，请问什么场景下使用 Function Calling，什么场景下使用 MCP？
- 8. 为什么有些特定的推理模型不支持 MCP 协议？
- 9. Skill 是什么？
- 10. MCP 和 Agent Skill 的区别是什么？
- 11. Function Calling、Skill、MCP 这三个有什么区别？
- 12. 什么是 A2A 协议？它和 MCP 协议的区别是什么？
- 13. MCP 协议通常采用什么通信方式？
- 14. 说说 WebSocket 和 SSE 通信的区别及局限性？
- 15. 为什么要用 WebRTC 协议？它和 WebSocket 在 AI 对话流中的核心差异是什么？
- 16. 有没有用过大模型的网关框架？网关层解决了什么问题？
对了，AI RAG的面试题会在「公众号@小林面试笔记题」持续更新，林友们赶紧关注起来，别错过最新干货哦！
