写在前面欢迎大家关注Rocky的公众号WeThinkIn欢迎大家关注Rocky的知乎Rocky Ding《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book欢迎大家StarRocky最新撰写的10万字AI AgentAI智能体深入浅出全维度解析文章深入浅出完整解析AI AgentAI智能体的核心基础知识AIGC/LLM/AI Agent算法岗/开发岗求职面试内推学习社群涵盖AIGC、LLM大模型、AI Agent、传统深度学习、自动驾驶、机器学习、计算机视觉、自然语言处理、强化学习、大数据挖掘、具身智能、元宇宙、AGI等AI行业最新面试干货经验与核心知识欢迎大家加入https://t.zsxq.com/33pJ0大家好我是Rocky。面试问题汇总1. 介绍一下自己的项目整体架构和技术栈是什么回答项目介绍要围绕一个真实业务闭环而不是罗列框架名称。推荐按照“业务问题 - Agent 链路 - 关键模块 - 指标与结果”的顺序回答。可以先说用户、任务和原流程痛点再给出架构接入层负责鉴权和会话编排层负责状态机/Workflow/Agent Loop模型层负责规划、结构化输出和工具选择知识层提供 RAG工具层访问业务 API状态层保存短期上下文和长期记忆最后由评测、日志和告警形成闭环。技术栈需要与职责绑定例如 Python/FastAPI 负责模型和 Agent 服务LangChain/LangGraph 负责组件复用与图式编排Redis/PostgreSQL 保存会话和任务状态向量库承担 ANN 检索消息队列支持长任务异步化OpenTelemetry/日志平台负责链路追踪。若实际使用的是其他组件应如实替换。最后必须说明数据流、一次请求的状态变化、关键取舍、成功率/延迟/成本等指标以及自己真正负责的模块。面试官更关心“为什么这样设计、哪里失败、怎么验证”而不是技术栈的数量。2. 项目中 Agent 的完整流程是怎样的回答典型 Agent Loop 可以表示为Request → State/Context → Plan/Route → Tool Call → Observation → Validate → Final or Next Step \text{Request}\rightarrow\text{State/Context}\rightarrow\text{Plan/Route} \rightarrow\text{Tool Call}\rightarrow\text{Observation}\rightarrow\text{Validate} \rightarrow\text{Final or Next Step}Request→State/Context→Plan/Route→Tool Call→Observation→Validate→Final or Next Step具体过程是接入层鉴权并创建conversation_id、task_id读取当前会话、用户偏好和任务相关知识模型进行意图识别、任务拆分或路由如果需要外部能力就生成符合 schema 的工具调用服务端校验参数、权限、预算和幂等键后执行工具将工具结果作为 observation 写回状态验证器检查格式、事实、业务规则和停止条件未完成时继续下一轮完成时生成最终答复并保存摘要、引用和可观测轨迹。循环必须有最大步数、总 token/费用预算、单步超时和全局 deadline。工具失败要分类处理可重试的瞬时错误重试不可重试的参数错误要求模型修正或直接降级副作用工具要使用幂等键并支持人工确认。Agent 的本质不是“模型调用工具一次”而是带状态、观察和停止条件的受控决策循环。3. 项目过程中针对 Agent 做过哪些优化具体怎么调优回答我会先用 trace 把一次任务拆成模型耗时、排队耗时、工具耗时、检索耗时、重试次数、上下文 token 和失败节点再按瓶颈优化而不是凭感觉改 Prompt。常见优化包括对简单意图走固定 Workflow 或小模型路由复杂任务才进入 Agent Loop将工具描述、Prompt 和输出 schema 精简减少无效上下文对独立检索/工具调用并行执行对模型、Embedding 和静态结果做缓存使用结构化输出、参数校验和状态机减少无效循环对工具错误分类设置有限重试、指数退避、熔断和可解释降级调整 RAG 的召回、Rerank、上下文压缩和引用策略对长任务采用异步队列、checkpoint 和断点续跑避免请求超时丢失进度。调优要固定评测集和版本做单变量消融观察任务成功率、工具调用正确率、首 token/总延迟、token 成本、重试率和安全违规率。线上灰度时同时设置 P99、错误率和用户负反馈护栏避免只优化某一个离线指标。4. Agent 优化有哪些常见手段回答可以从模型、上下文、工具、编排、系统和评估六层回答模型层模型路由、提示模板、结构化输出、必要时微调/蒸馏控制温度和最大输出。上下文层只注入任务相关信息做摘要、压缩、去重、优先级排序和检索避免无边界拼接历史。工具层减少工具重叠提供清晰 schema、示例、错误码、权限和幂等语义让工具返回机器可读结果。编排层简单任务使用 Workflow复杂任务使用图式状态机限制最大步数加入路由、验证、反思和人工审批。系统层并行调用、缓存、批处理、异步化、超时、重试、熔断、限流、checkpoint 和灰度发布。评估层建立任务集和轨迹集评估最终结果、工具选择、参数正确率、过程效率、成本、延迟和安全。优化的原则是先测量再修改。Agent 的问题可能来自错误规划也可能来自工具契约、检索证据、上下文过长或服务超时只改 Prompt 往往会把系统问题掩盖成偶然的模型波动。5. 基于项目设计一个场景如果遇到类似问题应该怎么解决回答场景题先不要急着选框架。我会先澄清用户目标、输入输出、时延、准确率、数据权限、外部副作用、失败代价和人工介入要求再决定是 Workflow 还是 Agent。例如设计一个“根据企业内部规范生成并提交变更申请”的 Agent先检索并引用当前版本规范识别申请类型和缺失字段用结构化 schema 生成申请草稿规则引擎校验字段、权限和风险等级对只读查询可以自动执行对写入/提交动作必须二次确认或人工审批提交前再次检查版本、重复申请和幂等键提交后轮询状态并把结果写入任务状态任一工具失败都保留 checkpoint按错误类型重试、换工具或返回人工处理不让模型自行绕过权限。评估包含字段准确率、规范引用正确率、工具参数正确率、审批拦截率、任务完成率、延迟和成本。这个回答体现的是问题拆解、约束建模、风险分级和可验证闭环而不是只说“让大模型自主规划”。6. 语义检索是如何实现的回答语义检索通常分为离线建库和在线检索两部分。离线侧对文档解析、清洗、按标题/段落/语义边界分块保留文档 ID、版本、权限、时间和来源等 metadata用 Embedding 模型将块编码为向量写入向量数据库或 ANN 索引同时维护倒排索引。在线侧先规范化 Query必要时做意图识别、改写和过滤条件提取用同一表示空间的 Embedding 编码 Query进行向量召回并与 BM25/关键词、规则和结构化过滤融合对候选用 Cross-Encoder Rerank按阈值或 token 预算截断去重后注入上下文并携带引用。向量相似度可以写成s ( q , d ) e q T e d ∥ e q ∥ 2 ∥ e d ∥ 2 s(q,d)\frac{e_q^{\mathsf T}e_d}{\lVert e_q\rVert_2\lVert e_d\rVert_2}s(q,d)∥eq​∥2​∥ed​∥2​eqT​ed​​工程上不能只看相似度。要验证 RecallK、MRR/nDCG、证据支持率、无结果率、延迟、索引更新时效和权限过滤正确率专业术语、编号、代码和新词通常需要保留关键词召回。7. 向量数据库在项目中具体承担什么作用回答向量数据库的核心职责是对高维 Embedding 做近似最近邻检索并把向量与文档 ID、租户、权限、版本、时间等 metadata 关联起来。它解决的是“从大规模候选中快速找语义相近对象”不是替代知识库、业务数据库或事实校验系统。典型能力包括向量写入和更新、ANN 索引构建、Top-K 相似度查询、metadata 过滤、分区/分片、持久化、备份和扩容。HNSW 适合低延迟和较高召回IVF/PQ 等方案更关注大规模内存和成本具体选择要由数据规模、更新频率、召回要求和 P99 决定。上线时要处理 embedding 模型版本、维度变更、增量更新、删除一致性、冷热数据、租户隔离和索引重建。向量库返回的只是候选证据还需要 Rerank、权限二次校验、文档版本校验和生成后引用验证。8. langchain、langgraph 这些框架为什么选择底层流程了解吗回答选择框架的理由应该是降低工程成本和提高可观测性而不是因为“大家都在用”。LangChain 提供模型、Prompt、Parser、Retriever、Tool 等组件抽象适合快速组合常见链路LangGraph 在此基础上把 Agent 表达为带共享状态的有向图节点执行计算边负责路由支持循环、条件分支、checkpoint、恢复和人在回路。底层流程仍然是应用构造消息和工具 schema调用模型模型返回文本或 tool call框架解析响应并更新 state路由节点决定下一步工具节点执行并把 observation 写回直到满足终止条件。框架不会替模型解决事实性、权限、幂等和业务规则。如果流程固定、延迟敏感直接实现轻量状态机可能更容易调试如果有多分支、长任务、恢复和人工审批图式框架更有价值。生产中应封装自己的 Provider、Tool、State 和 Trace 接口避免业务逻辑散落在框架回调中并锁定版本、评估升级兼容性和额外延迟。9. 模型输出结果如何控制规则回答规则控制要形成“生成约束 解析校验 业务决策 执行隔离”四层防线。生成前给出 JSON Schema、字段枚举、必填项、单位、示例和禁止行为能使用 constrained decoding 或结构化输出就不要只依赖 Prompt。生成后先做 JSON 解析、类型/范围/枚举、跨字段一致性和引用完整性校验失败则有限次修复或降级。涉及业务规则时规则引擎应由代码维护例如权限、金额上限、状态机迁移、黑名单和合规策略不能让模型通过自然语言“判断自己是否有权限”。工具层再次做鉴权、参数校验、幂等和资源限制写操作、高风险动作和不可逆操作设置人工确认。最终输出还应记录模型版本、Prompt 版本、校验结果、工具轨迹和拒绝原因。模型负责生成候选意图确定性规则负责决定是否接受和执行这才是可审计的控制链路。10. 记忆模块是怎么设计的回答Memory 不是把所有历史消息无限追加到 Prompt而是把历史信息按用途和时效分层。短期记忆当前会话消息、工具结果、任务状态和未完成计划放在 checkpoint/session store 中服务于当前任务恢复。长期语义记忆用户偏好、稳定事实、历史经验和重要事件以结构化记录或向量索引保存带时间、置信度、来源和版本。工作记忆当前任务的目标、约束、已完成步骤、待办和错误优先使用结构化 state而不是让模型从长文本中猜。写入长期记忆前要做重要性判断、去重、冲突检测、敏感信息过滤和用户授权读取时按当前 Query、租户、权限和时间衰减检索经过 Rerank 和 token 预算截断。摘要要保留事实、来源和不确定性不能把模型猜测写成用户事实。记忆系统还要支持删除、过期、纠错、审计和隔离。评估它对任务成功率、重复询问率、上下文 token、错误记忆引用和隐私风险的真实贡献而不是只看“记住了多少内容”。11. 多轮、多会话场景下 memory 如何处理回答核心是建立明确的身份层级和状态隔离tenant_id - user_id - conversation_id - task_id。会话级状态只服务于当前对话用户级长期记忆可以跨会话使用但必须经过权限、租户和用途校验任务级 checkpoint 用于长任务恢复不能直接当作长期用户画像。每条消息和记忆记录带时间、来源、版本、有效期和写入原因。并发请求通过版本号、乐观锁或事件序列保证同一会话的更新顺序重复提交使用幂等键。新旧记忆冲突时优先考虑更近且证据更强的事实同时保留冲突状态或要求用户确认不能简单用最后写入覆盖所有历史。上下文组装时按当前问题检索相关记忆区分“明确事实”“用户偏好”“历史推测”和“本轮临时状态”并设置 token 预算。会话结束后可异步摘要原始记录仍按隐私和审计策略保存用户应能够查看、更正和删除长期记忆。12. 如果系统出现异常整体的容错和异常处理机制怎么设计回答先建立可观测的错误分类输入/鉴权错误、模型限流或超时、工具业务错误、网络瞬时错误、解析校验错误、状态存储错误和不可恢复错误。每类错误定义责任边界、重试策略和用户可见结果。服务层设置 deadline、连接超时、读取超时和最大 Agent 步数瞬时网络错误使用带抖动的指数退避非幂等操作必须有幂等键不能盲目重试。模型服务可以配置备用模型或降级为模板/人工处理检索失败可以返回无证据状态不能让模型无依据编造。连续失败触发熔断恢复后半开探测。长任务通过队列和 checkpoint 记录每一步输入、输出、状态和副作用服务重启后从最后安全点恢复已执行操作由幂等机制避免重复。对部分成功任务要有补偿或人工介入。日志中记录 trace_id、task_id、模型版本、工具名、耗时和错误码同时对 Prompt、Token 和业务数据脱敏。容错设计最终要用超时、限流、工具 5xx、空检索、重复消息和状态库故障做故障注入观察任务完成率、错误恢复率、重复副作用、P99 和用户提示是否可解释。13. 再给一个上下文处理相关的场景题如何优化 context 管理回答例如一个 Agent 需要处理数百页规范文档、几十轮对话和多次工具结果但模型上下文预算有限。我会先定义当前任务真正需要的证据和状态再做上下文分层而不是简单截断末尾消息。把系统规则、当前目标、硬约束、已确认事实、待办状态、检索证据和历史对话分区结构化状态优先于自然语言复述。对历史消息做摘要但保留时间、参与者、结论、未决问题和证据引用原始消息放在可检索存储中需要时按 Query 召回。文档采用混合检索和 Rerank按相关性、权威性、新鲜度和权限过滤对相互矛盾的证据显式标注不把所有候选拼进去。给每类信息设置 token 预算和优先级保留当前约束、工具 schema 和关键证据淘汰重复说明、已完成步骤和低置信度内容。输出前检查上下文是否包含必要字段、是否超过预算、引用是否支持结论对证据不足触发澄清或拒答。评估要看长上下文下的关键信息召回率、任务成功率、引用忠实度、token 成本和延迟并与简单截断、摘要、RAG 等方案做对照。上下文工程的本质是给模型构造“当前决策所需的最小充分状态”。14. 手撕算法Greedy贪心相关回答贪心不是“每一步选当前最小/最大”就一定正确。需要证明两个条件一是贪心选择性质存在一个最优解包含当前选择二是最优子结构做出选择后剩余问题仍是同类最优问题。面试时应先问清目标函数、输入约束、是否允许排序和是否要求输出方案。经典例子是区间调度给定若干活动( s t a r t , e n d ) (start,end)(start,end)选择最多个互不重叠区间。按结束时间升序排序每次选择结束最早且与已选区间兼容的活动。结束越早为后续留下的空间越大可以用交换论证证明该选择不劣。def max_non_overlapping(intervals): intervals.sort(keylambda pair: pair[1]) count 0 current_end float(-inf) for start, end in intervals: if start current_end: count 1 current_end end return count时间复杂度为O ( n log ⁡ n ) O(n\log n)O(nlogn)主要来自排序额外空间取决于排序实现。若题目改成“带权区间最大收益”简单贪心就不成立需要按结束时间排序并用二分查找前驱结合动态规划这也是判断贪心边界的重要追问。推荐阅读Rocky一直在运营技术交流群WeThinkIn-技术交流群这个群的初心主要聚焦于技术话题的讨论与学习包括但不限于算法、开发、竞赛、科研以及工作求职等。群里有很多人工智能行业的大牛欢迎大家入群一起学习交流请添加小助手微信Jarvis8866拉你进群1. 深入浅出完整解析AI AgentAI智能体的核心基础知识2025年可以说是AI Agent全面落地应用的元年因此Rocky在持续撰写对AI Agent的全维度解析文章深入浅出完整解析AI AgentAI智能体的核心基础知识2. 深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识Rocky对扩散模型的本质原理与和核心基础知识进行了全面系统的深入浅出分析讲解同时不断跟进补充扩散模型的最新技术发展希望能给大家带来帮助深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识3. 入浅出完整解析FLUX.2、Seedream即梦、Z-image、GLM-Image核心基础知识Rocky对AIGC时代“中场时刻”之后的主流AIGC创作大模型的核心基础知识进行了全面系统的深入浅出分析讲解力求让大家通俗易懂理解AIGC时代的技术浪潮的本质价值入浅出完整解析FLUX.2、Seedream即梦、Z-image、GLM-Image核心基础知识4. 深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识Rocky对FLUX.1 Kontext和FLUX.1 Krea的核心基础知识作了全面系统的梳理与解析深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识5. 深入浅出完整解析DeepSeek系列核心基础知识Rocky对DeepSeek系列模型的核心基础知识作了全面系统的梳理与解析深入浅出完整解析DeepSeek系列核心基础知识6. 深入浅出完整解析Stable Diffusion 3SD 3和FLUX.1系列核心基础知识Rocky对Stable Diffusion 3和FLUX.1的核心基础知识作了全面系统的梳理与解析深入浅出完整解析Stable Diffusion 3SD 3和FLUX.1系列核心基础知识7. 深入浅出完整解析Stable Diffusion XLSDXL核心基础知识Rocky对Stable Diffusion XL的核心基础知识作了全面系统的梳理与解析深入浅出完整解析Stable Diffusion XLSDXL核心基础知识8. 深入浅出完整解析Stable DiffusionSD核心基础知识Rocky对Stable Diffusion 1.x-2.x系列模型的核心基础知识做了全面系统的梳理与解析深入浅出完整解析Stable DiffusionSD核心基础知识9. 深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识Rocky对Stable Diffusion中最为关键的U-Net结构进行了深入浅出的全面解析包括其在传统深度学习中的价值和在AIGC中的价值深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识10. 深入浅出完整解析LoRALow-Rank Adaptation模型核心基础知识对于AIGC时代中的“ResNet”——LoRA模型Rocky进行了深入浅出的全面讲解深入浅出完整解析LoRALow-Rank Adaptation模型核心基础知识11. 深入浅出完整解析ControlNet核心基础知识AIGC图像创作开源社区已经形成以Stable Difffusion/FLUX为核心ConrtolNet和LoRA作为首要AI辅助工具的变化万千的AIGC图像创作工作流。ControlNet正是让AI图像创作社区无比繁荣的关键一环它让AIGC图像创作过程更加的可控更有助于广泛地将AIGC算法解决方案应用到各行各业中深入浅出完整解析ControlNet核心基础知识12. 深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识AI绘画和AI视频是两个互相促进、相互交融的领域2024年无疑是AI视频领域的爆发之年Rocky对AI视频领域核心的Sora、Seedance、Keling等大模型进行了全面系统的梳理与解析深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识13. 深入浅出完整解析AIGC时代Transformer核心基础知识在AIGC时代中Transformer为AI行业带来了深刻的变革。Transformer架构正在一步一步重构所有的AI技术方向成为AI技术架构大一统与多模态整合的关键核心基座大有一统“AI江湖”之势。Rocky也对Transformer模型进行持续的深入浅出梳理与解析深入浅出完整解析AIGC时代Transformer核心基础知识14. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识AIGC创作框架正是AIGC算法工作流的运行载体目前主流的AIGC创作框架有ComfyUI、Diffusers、Stable Diffusion WebUI等。在传统深度学习时代PyTorch、TensorFlow以及Caffe是传统深度学习模型的基础运行框架到了AIGC时代Rocky相信ComfyUI就是AIGC时代的“PyTorch”、Stable Diffusion WebUI就是AIGC时代的“TensorFlow”、Diffusers就是AIGC时代的“Caffe”深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识15. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识在AIGC时代中如何快速转身入局AIGC产业如何成为AIGC/LLM/AI Agent算法/开发工程师如何在学校中系统性学习AIGC/LLM/AI Agent知识斩获心仪的AIGC/LLM/AI Agent算法/开发offerDon‘t worryRocky为大家总结整理了全面的AIGC/LLM/AI Agent算法/开发工程师成长秘籍为大家答疑解惑希望能给大家带来帮助手把手教你成为AIGC/LLM/AI Agent算法/开发工程师斩获AIGC/LLM/AI Agent算法/开发offer16. AIGC产业的深度思考与分析2023年3月21日微软创始人比尔·盖茨在其博客文章《The Age of AI has begun》中表示自从1980年首次看到图形用户界面graphical user interface以来以OpenAI为代表的科技公司发布的AIGC模型是他所见过的最具革命性的技术进步。Rocky也认为AIGC及其生态会成为AI行业重大变革的主导力量。AIGC会带来一个全新的红利期未来随着AIGC的全面落地和深度商用会深刻改变我们的工作、生活、学习以及交流方式各行各业都将被重新定义过程会非常有趣。那么在此基础上我们该如何更好的审视AIGC的未来我们该如何更好地拥抱AIGC引领的革新Rocky准备从技术、产品、商业模式、长期主义等维度持续分享一些个人的核心思考与观点希望能帮助各位读者对AIGC有一个全面的了解深入浅出全面解析AIGC时代核心价值与发展趋势2025年版17. AI算法工程师的独孤九剑秘籍为了方便大家实习、校招以及社招的面试准备同时帮助大家提升扩展技术基本面Rocky将符合大厂和AI独角兽价值的算法高频面试知识点撰写总结成《三年面试五年模拟》之独孤九剑秘籍:【三年面试五年模拟】AIGC时代的算法工程师的求职面试秘籍持续更新中18. 深入浅出完整解析AIGC时代中GANGenerative Adversarial Network系列模型核心基础知识GAN系列模型作为传统深度学习时代的最热门生成式Al模型在AIGC时代继续繁荣作为Stable Diffusion/FLUX系列大模型的“得力助手”广泛活跃于AlGC图像创作的产品与工作流中深入浅出完整解析AIGC时代中GANGenerative Adversarial Network系列模型核心基础知识