腾讯暑期实习

上周去面一个AI Agent相关的岗，面试官第一句就扔过来：“你说说ReAct是什么？”我当时脑子一卡，差点把React框架说出来。还好缓过劲儿，赶紧答：ReAct就是Reason + Act，模型先想一想该干啥，再调用工具执行，拿到结果再观察，然后继续下一轮思考。不是一次性吐答案，而是边想边干，循环迭代，像给人配了个会反思的实习生。他接着追问：“那任务拆解怎么搞？”这题挺实用。我说复杂任务不能一股脑全扔给模型，得先拆成小步。比如用户说“帮我分析上季度用户留存”，就拆成：1. 拉取留存数据；2. 定义留存指标（次日、7日、30日）；3. 分渠道、分用户群看趋势；4. 找异常点并给出假设；5. 生成图表和建议。拆得越细，Agent执行时越不容易跑偏。面试官点点头，说很多新人就卡在这一步，模型直接硬上，结果输出一堆废话。最狠的是后面那道：“设计一个数据分析Agent（数分Agent）给我看看。”我现场画了架构：核心是LLM做大脑，配上工具集（SQL查询、Pandas处理、Matplotlib画图、甚至直接连BI系统）。加个记忆模块，记住上次的分析偏好；再套ReAct循环，确保每步都有Reason-Action-Observation。潜在坑我也提了：幻觉问题怎么防？加个验证步骤，让模型先输出SQL再执行，人工或规则审核；工具调用失败了怎么重试；多轮对话时上下文爆了怎么办，用向量数据库存历史摘要。面试回来我复盘，发现Agent岗现在问得越来越实操。不再是背定义，而是让你现场脑暴：怎么让Agent不卡死在循环里？怎么处理多Agent协作（一个负责查数据，一个负责写报告）？工具权限怎么控，避免它乱删库？甚至问你用LangChain还是LangGraph搭框架，为什么？说实话，Agent这东西火得快，但面试暴露的问题也多。很多人只玩过简单demo，一到设计真实场景就露馅。准备的时候，别光刷论文，多自己搭个小Agent练手，比如做一个自动回邮件的，或者帮你监控竞品价格的。真正拉开差距的，是你能不能把“想清楚-干一步-看结果”这个循环玩明白，而不是靠模型瞎猜。

1. 自我介绍2. 介绍你这项目，重点讲 LLM 部分是怎么设计的3. 如果让你从零设计一个对话 Agent 的流程，核心状态有哪些核心状态至少要有会话状态、任务状态、工具状态和记忆状态。会话状态负责当前轮的输入输出和上下文窗口；任务状态描述目标、槽位、依赖和是否完成；工具状态记录已经调用过哪些外部能力、返回了什么、是否失败和是否可重试；记忆状态保存长期偏好、历史事实和结构化摘要。很多对话系统看上去只是“多轮聊天”，实际真正难的是状态机设计，如果状态边界不清晰，模型很容易把临时信息写成长久事实，或者把上一个任务的中间结果错误继承到当前轮。4. 如果用户和 AI 对话时生成的问题本身有冲突，系统...

基础概念：Agent与普通程序的区别？核心组件（规划/记忆/工具/行动）？ReAct、CoT、ToT各是什么？记忆机制：短期记忆（滑动窗口/摘要）vs 长期记忆（向量数据库+检索）。如何更新和遗忘？规划决策：如何拆解复杂任务？规划失败怎么回退？多Agent如何避免冲突？工具调用：怎么让Agent学会新工具？函数调用如何实现？API超时怎么容错？.框架与追踪：LangChain/AutoGen/CrewAI区别？Agent执行轨迹如何调试（LangSmith）？评估优化：成功率、效率、工具准确率怎么测？无限循环、遗忘、过度调用工具如何解决？代码手写：实现一个ReAct循环，或记忆模块伪代码。进阶追问：不用LLM怎么做Agent？如何保证安全？工具返回海量数据如何处理？

1. 自我介绍2. 多阶段 RAG 里同时使用 BM25 和向量召回，混合检索策略通常怎么设计混合检索的关键不是把两路结果简单拼起来，而是根据问题类型决定两路召回各自承担什么角色。BM25 对精确术语、错误码、接口名、字段名、版本号这类关键词命中很强，向量召回则更擅长语义改写、口语化表达和抽象问题。真正稳定的设计一般是先并行召回，再做去重、融合、重排，最后再进入上下文构建阶段。如果问题本身是“精确定位型”，比如某个报错码、类名、接口路径，BM25 权重通常更高；如果问题是“意图表达型”，比如用户用自然语言描述故障现象，向量召回的权重会更高。工程里比较常见的是先取两路 topk，再用 RRF 或...