RAG、RAG 类型、Agent 底层原理、多 Agent。

#面试官最爱问的 AI 问题是......#

一、RAG 是什么？（面试必问）

RAG = 检索增强生成（Retrieval-Augmented Generation）
一句话：
先从外部知识库检索相关信息，再把信息喂给大模型生成答案。

作用：

• 解决大模型不知道新知识、幻觉的问题

• 不用重新训练模型，成本低、安全可控

RAG 核心流程（背这 4 步）

1. 文档切分（Chunk）

2. 向量化（Embedding）

3. 存入向量库

4. 用户提问 → 检索相关片段 → 给 LLM 生成答案

RAG 常见类型（面试高频）

1. 朴素 RAG
最简单：切分→向量→检索→生成。
适合简单问答。

2. 高级 RAG（优化版）

◦ 召回前：查询优化、重写

◦ 召回中：多路召回、混合检索（关键词+向量）

◦ 召回后：重排序（Rerank）

3. RAG + 知识库管理
带文档更新、去重、过滤、元数据过滤。

4. 模块化 RAG
可插拔：不同场景用不同检索策略。
二、Agent 底层原理（面试官最爱深挖）

一句话：
Agent = LLM 做大脑 + 工具调用 + 记忆 + 反思 + 规划

核心 5 组件（背这个）

1. 大脑（LLM）
负责思考、决策、理解任务。

2. 记忆（Memory）

◦ 短期记忆：上下文

◦ 长期记忆：向量库/数据库

3. 工具（Tools）
搜索、代码解释器、API、函数调用（FC）。

4. 规划（Planning）
拆解任务、多步推理、自主决定怎么做。

5. 反思（Reflection）
检查结果对不对，错了就修正。

标准执行流程（面试直接说）

1. 理解用户目标

2. 思考：我要做什么？需要哪些工具？

3. 调用工具获取信息

4. 继续推理，直到完成目标

5. 输出最终结果
三、多 Agent 是什么？

多 Agent = 多个智能体分工协作完成复杂任务。

特点

• 每个 Agent 有专属角色

• 互相通信、分工、协作

• 能处理复杂、多步骤、跨领域任务

常见架构

1. 集中式
有一个“主管 Agent”分配任务。

2. 分布式
无中心，Agent 之间互相沟通。

3. 分层式
上层决策，下层执行。

典型应用

• 代码开发团队（产品、前端、后端、测试）

• 内容创作团队

• 企业自动化流程
四、面试高频三连问（标准答案）

1. RAG 和 Fine-tuning 区别？

◦ RAG：外挂知识库，不改模型，安全、实时、成本低。

◦ 微调：改模型权重，适合固定风格/专业领域，成本高。

2. Agent 和普通 LLM 区别？

◦ LLM：你问啥它答啥，被动。

◦ Agent：有目标、会思考、会用工具、自主完成任务。

3. Agent 和工作流区别？

◦ 工作流：固定步骤，按流程跑。

◦ Agent：动态思考，自主决策下一步。
如果你要，我可以直接帮你整理成：
「AI 前端面试 10 分钟速背版」
你拿去背，面试基本稳过。#牛客AI配图神器#