阿里Agent研发暑期实习一面 攒人品中

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，围绕一条链路说明你做过什么、你负责什么、难点在哪2. 一个面向多业务域的 Agent 系统，为什么不能只用一个大 Agent 把所有事情做完单 Agent 的问题不是“不能做”，而是做大以后上下文会混杂，知识边界、工具边界和状态边界都不清楚。比如订单查询、风控审计、赔付建议、配置解释，本质上就是不同任务类型，它们需要的知识、状态和可调用工具完全不同。如果硬塞到一个 Agent，模型容易被无关上下文干扰，也容易误用工具。实际工程里更稳的做法是做任务拆分：入口先做路由，再把请求交给垂直 Agent 或垂直 Skill 处理。3. 对多场景、多上下文的请求做路由时，如何判断当前应该调...

发一下问题给大家参考，攒攒人品！1. 如何实现多 Agent 协作系统？2. 什么是 RAG（Retrieval Augmented Generation）？3. Java 如何实现 streaming response？4. 什么是 hallucination（幻觉）？为什么会发生？5. LangChain4j 如何返回结构化 JSON？6. 如何实现 SSE 推送？7. 如何评估 Agent 的执行效果？8. LLM 服务如何做缓存？9. LangChain4j 如何实现 Tool 调用？10. 什么是 AI Agent？11. 什么是 Prompt Engineering？12. Agent 和普通 ChatBot 有什么区别？13. RAG latency 怎么优化？14. Java 调用 OpenAI API 如何设计 SDK？15. RAG pipeline 的完整流程是什么？16. RAG 系统主要组件有哪些？17. 如何设计一个 AI 问答系统架构？18. RAG 如何做 rerank？19. AI系统如何做监控？20. embedding 和向量相似度搜索是什么？21. 什么是 ChatMemory？22. Java LLM 服务如何做连接池管理？23. 如何评估 RAG 系统效果？24. Agent memory 有哪些类型？25. 如何实现对话历史 memory？26. Transformer 架构核心原理是什么？27. 如何减少大模型 hallucination？28. LLM API 如何设计接口？29. chunk size 为什么很重要？如何选择？30. 如何实现 hybrid search（向量 + keyword）？31. 什么是 ReAct Agent？32. Spring AI 和 LangChain4j 有什么区别？33. 什么是 Tool Calling？34. embedding 模型如何选择？35. AI Chat 系统的整体架构是什么？36. 文档切分有哪些策略？37. LLM 服务如何做限流？38. LangChain4j 如何实现 prompt template？39. ChatGPT 的 system / user / assistant role 有什么作用？40. LLM 为什么推理成本高？41. AI系统如何记录 Prompt 和 Response？42. Agent 如何做任务规划（planning）？43. LLM latency 如何优化？44. 如何设计 Prompt 管理系统？45. streaming response 如何实现？46. MCP（Model Context Protocol）是什么？47. Agent workflow 和普通 workflow 有什么区别？48. 大模型上下文窗口是什么？如何突破长度限制？

1.skills和tools是怎么区分的？2.skills真正的优点是什么？能做到什么？3.mcp的讲解？ mcp要定义接口的话，必须把参数那些都定义到上下文中，他是一个比较冗余的信息，会污染到上下文。正常的工具调用是不需要这些冗杂语义的，而skill会隔离这些东西在上下文里面会去隔离这些东西，不光是token消耗量。还有一个重点就是做到按需加载，渐进式加载的问题。4.长期记忆是怎么做的？用户的记忆属于实体记忆，实体记忆应该更偏向于关键词记忆，并非rag。5.接触过融合检索吗？融合检索是什么？6.混合检索的融合算法是什么样的？他的比重是什么样子的？有可能rag找回了top5，es召回了top5...