蚂蚁Agent一二面面经

继续来分享下最近的面经~欢迎友好讨论，信息共享1.实习拷打2.有没有召回的准确率之类的过程指标3.评测机制是怎么构建的，评测集是怎么构建的4.人工标注的话，大概多少条呢5.你说召回率75%，那剩下的25%是什么原因呢6.第二段实习你做过多Agent的设计是吗？讲一下单Agent和多Agent的差异7.调研过程中，对一些任务编排有了解过吗8.RAG的原理如何理解9.你的prompt提示词模板怎么管理的10.每次更新有没有版本的概念11.第一段实习中的自研大模型，有没有和别的通用大模型作对比12.你们最终衡量这个项目的结果时，用什么指标衡量的13.LocalLife是你自己做的项目吗，说一下其中的function Calling完整的工作流14.如果用户的询问中命中了两个函数，那系统调用的逻辑是怎样的15.定义了几个function供大模型调用，如何设计的16.会不会出现不同function之间，描述有歧义或冲突17.function Calling和Agent的区别18.如果将你的LocalLife升级成一个Agent的体系结构，你觉得还要做哪些事19.举一个用AI编程工具完成的比较复杂的一个开发任务20.对AI代码的审查你用的是开源框架还是什么方式21.利用AI进行的模块设计中，有用到一些设计模式之类的吗22.单Agent和多Agent的使用场景23.电商场景下，会涉及到商品的图文分类，那么你会如何设计这样一个自动分类的系统24.用秒杀场景类似的思路，对Agent的很多接口调用，做一个接口限流如果要控制成本，对不同的大模型，也需要做一个差异化限流（比如轻量模型和重量模型的切换等），你有怎么样考虑思路25.秒杀场景的不超卖用的什么方案26.Agent中的长期记忆和短期记忆你是如何理解的

Q1：⼀句话说明什么是 AI Agent？答案：AI Agent 是以⼤模型为认知核⼼，结合规划、记忆与⼯具调⽤，能在多步交互中根据环境反馈持续决策并完成任务的系统；其本质是 闭环的感知—思考—⾏动 循环，⽽不仅是单次⽂本⽣成。Q2：为什么说 Agent = LLM + Planning + Memory + Tools？缺⼀块会怎样？答案：缺 Planning：容易变成「只会接话」的聊天，⻓任务易跑偏或⼀步登天完不成。缺 Memory：⻓对话会丢线索，多会话⽆法延续⽤户偏好与任务状态。缺 Tools：只能「空谈」，⽆法查实时信息、执⾏代码、改系统状态。LLM 仍是中枢，但单靠 LLM 没有外...

攒人品中，祝大家都能拿到满意的Offer！1.实习拷打2.拷打实习3.拷打第一个项目：MinerU解析过程中如果遇到跨页表格，如何保证表格语义的完整性？讲一下Ragas评测？如果Answer Relevance得分低，如何判断是检索质量问题还是模型能力问题？4.拷打第二个项目：LangGraph中的State是如何定义和流转的？如果任务节点非常多，如何防止状态对象过大导致内存溢出？你的长期记忆库如何将多轮对话中的信息提炼成结构化的用户画像存到向量库？5.文档切片时，overlap的作用是什么？如何平衡分片大小与上下文完整性？6.了解GraphRAG吗？介绍一下7.当GraphRAG召回大量关联信息后，如何用自反思或CoT在生成阶段过滤掉检索噪声？8.讲一下ReAct的原理，为什么能提升模型对复杂任务的理解能力？9.如果模型在调用工具时产生了参数幻觉或语法错误，通常采取哪些自动修正手段？10.什么是Multi-Agent系统中的中心化编排模式？相比于点对点有什么优势？11.讲一下Agent的Self-Reflection，它是如何识别输出中的逻辑错误的？12.如何设计Agent的长期记忆？13.在执行涉及支付等高敏感操作时，如何实现Human-in-the-loop的干预流程？14.如何设计一个Skill？大概讲一下15.对比一下Skill和MCP的区别16.OpenClaw如何增强Agent对本地文件系统和代码执行环境的感知与操作权限？17.你如何理解Vibe Coding？有什么经验吗？18.如何确保自然语言描述的任务逻辑能够转化为可靠的执行路径？19.什么是上下文缓存？它在处理Agent频繁读取的冗余系统指令时有哪些优势？

Q1：大模型（LLMs）具有什么优缺点？答案：优点：可以利用大量的无标注数据来训练一个通用的模型，然后再用少量的有标注数据来微调模型，以适应特定的任务。这种预训练和微调的方法可以减少数据标注的成本和时间，提高模型的泛化能力；可以利用生成式人工智能技术来产生新颖和有价值的内容，例如图像、文本、音乐等。这种生成能力可以帮助用户在创意、娱乐、教育等领域获得更好的体验和效果；可以利用涌现能力（Emergent Capabilities）来完成一些之前无法完成或者很难完成的任务，例如数学应用题、常识推理、符号操作等。这种涌现能力可以反映模型的智能水平和推理能力。缺点：需要消耗大量的计算资源和存储资源来训...