大模型常考面试题100道(第26-50道)

这份题库不是随便凑出来的 100 道题，而是从大量面经和题目里 筛出来的高频题。我整理了上百套校招、实习、校招的大模型相关面试题，又结合公开平台上反复出现的问题，把那些 出现次数最多、覆盖岗位最广、面试最容易问到 的内容统一收拢，最后形成这套 大模型常考面试题100道

26. AI Agent 的核心组成有哪些？

答：一个完整的 Agent 一般至少有这几部分：大模型本身、任务规划、工具调用、记忆模块、执行控制和结果整理。大模型负责理解和推理，规划模块负责决定下一步做什么，工具模块负责和外部系统交互，记忆模块负责保留用户偏好和任务状态，执行控制负责重试、终止和异常处理。真正上线的 Agent 往往还会加权限校验、日志观测和工作流兜底，不然很难稳定。

27. Agent 和 Workflow 的区别是什么？

答：Workflow 更像固定流程，输入到哪一步、调用哪个接口、输出什么格式，通常都是预先设计好的。Agent 更强调动态决策，它会根据上下文判断该不该调用工具、调用哪个工具、是否继续执行。所以 Workflow 适合规则明确、路径稳定的任务，Agent 适合开放任务、多轮推理和步骤不固定的场景。很多实际系统并不是二选一，而是 Agent 和 Workflow 混合，用 Workflow 做边界控制，用 Agent 做灵活决策。

28. Function Calling 的本质是什么？

答：Function Calling 的本质是把工具能力结构化地暴露给模型，让模型输出的不再只是自然语言，而是“我要调用哪个函数、传什么参数”。这样可以把原本不稳定的自由文本调用变成一个更受控的结构化协议。它的价值主要体现在两点，一是工具选择更稳定，二是参数解析更可靠。在 Agent 场景里，这个能力几乎是基础设施。

29. Prompt Engineering 真正解决的是什么问题？

答：Prompt 主要解决的是角色约束、任务边界、输出格式和行为规则的问题。比如告诉模型什么时候应该调用工具，什么时候必须拒答，输出必须是什么 JSON 格式，没有依据时能不能猜。它能明显提高稳定性，但它解决不了所有问题。如果根因在知识缺失、召回不准、工具接口不稳，那再怎么调 Prompt 收益都有限。

30. CoT 是什么？为什么它有时候能提升效果？

答：CoT 就是 Chain of Thought，也就是让模型按步骤展开推理过程。它之所以有用，是因为复杂任务直接一步到位容易跳步、漏条件或者推错，中间加入显式推理过程后，模型更容易把任务拆开。尤其在数学、逻辑、多步推断和工具规划这类问题上，CoT 往往会提升正确率。不过线上系统不一定总把完整推理过程展示给用户，很多时候只在内部使用。

31. ReAct 是什么？

答：ReAct 可以理解成 Reason + Act，也就是一边推理，一边执行动作。它不是先把所有步骤想完再做，而是在每一步推理之后，根据当前状态去调用工具、获取反馈，再继续下一步。这种模式特别适合开放任务，因为很多时候问题不是一开始就能全想清楚，必须边查边做。Agent 系统里很多设计都能看到 ReAct 的影子。

32. 什么是规划型 Agent？

答：规划型 Agent 是先把大任务拆成若干子任务，再按顺序或依赖关系逐步执行。它更像“先有计划，再去做”，适合复杂任务，比如写报告、做调研、跨多个工具完成目标。相比只做单步决策的 Agent，规划型 Agent 更容易处理长链路任务，但复杂度也更高。如果规划错了，后面的执行往往都会被带偏。

33. Agent 里的 Tool Routing 是什么？

答：Tool Routing 就是工具路由，也就是在多个工具里先筛出最可能合适的那几个，再让模型进一步决策。这样做的目的很直接，工具太多时，如果全部暴露给模型，误调用概率会升高，推理成本也会增加。先缩小候选范围，可以提高工具选择准确率，也能降低上下文负担。工具越多，Tool Routing 的价值越明显。

34. 结构化输出为什么总是不稳定？

答：因为模型本质上是语言生成器，它天然更擅长生成“像样的文本”，不天然擅长严格遵守编程语法。所以你让它输出 JSON，它经常会多说一句解释、漏个逗号、字段名改一下，或者不同轮次格式漂移。解决这个问题通常要靠三层手段：Prompt 约束、Schema 约束、工程校验。如果业务要求很严，就不能只靠一句“请输出 JSON”。

import json

def parse_result(text):
    try:
        re