2026.4.24 面经学习(第二天，Agent)

开发你的agent的时候，用的是什么流程？为什么用这个流程？

用的是React流程：先推理->调用工具执行->观察 循环迭代知道任务全部完成 适合工具调用场景：ReAct 的流程天然适合工具调用，因为每一步都可以根据上一步的观察结果决定下一步做什么。 可解释性比较强：ReAct 的执行轨迹通常比较清楚 容错能力更好：如果工具返回失败、结果不完整，ReAct 可以继续调整策略

模型和 Agent 的区别是什么？

模型只负责输出，不能自主感知、自主决策、自主执行，而Agent可以自主感知、自主决策、自主执行 自主感知：环境输入获取能力 自主决策：基于当前状态选择下一步做什么 自主执行：把决策转化为实际动作

本地工具、MCP Tools、Skill 三者的区别？

本地工具：直接写在代码里的函数、脚本，执行链路端但是可扩展性差 MCP：暴露的标准化工具接口，本质是“远程可调用能力”。 SKILL：是一种可复用的任务能力封装。 通常用Reference(触发条件) + Script(执行脚本)+Context(上下文)

为什么已经有了 MCP，Anthropic 不继续做 MCP 而是转向做 Skill 了？

MCP： 解决“工具怎么接进来、怎么被调用”。 本质是接口标准（类似 API/插件协议）。 它不关心：什么时候用、用几个、按什么顺序用。 仅有MCP的时候需要模型自己临时决定使用哪个工具，不稳定、不可控。

Skill： 解决“一个任务怎么完成”。 把触发条件、执行流程、工具组合打包成一个能力单元。 它关心的是：选择、编排、复用。 Skill把“最佳实践流程”提前固化,减少模型临时决策成本，提高系统稳定性和高复用性。

Skill 里面有没有工具？

Skill 里面间接包含工具（通过 Script 使用API、MCP）， 但 Skill 本质不是工具，而是“工具的使用方案”。

Claude Code 的记忆架构是什么？上下文真的等于记忆吗？

短期记忆：存储在上下文中 环境记忆：通过文件系统动态读取 执行痕迹：命令历史、修改记录、运行结果作为后续决策的输入

为什么 Claude Code 不用 RAG 检索代码而是直接用 grep？

第一，代码是强结构、强精确匹配的数据 第二，代码任务更依赖“定位”而不是“语义相似” 第三，实时性和成本，grep 是本地扫描，无需 embedding，延迟低、实现简单、无额外存储成本

有没有了解过最前沿的记忆设计？

Memory Graph： 把记忆结构化成图（实体、关系、事件），类似知识图谱。 优势是可推理（例如人物关系、依赖链），适合复杂上下文理解。

Episodic Memory（情景记忆）： 按“事件”存储（做了什么、结果如何）。 常见做法是记录任务轨迹（类似轨迹日志），用于反思和策略优化。

Semantic Memory（语义记忆）： 就是传统向量库（embedding + 相似度检索）。 适合存知识片段、文档内容。

Procedural Memory（程序性记忆）： 把“怎么做一件事”固化下来（类似 Skill / Workflow）。 本质是经验沉淀 → 可复用流程。

Working Memory（工作记忆）： 当前上下文窗口 + 临时状态（短期）。 用于当前推理，不持久化。

面经来源

Agent八股有点太开放了

https://www.nowcoder.com/feed/main/detail/594f3debc8a54313b89e4b70e83419f0?sourceSSR=users