Agent基本概念

1. 前端爱问的 LLM 上下文管理• FC 与 MCP 的核心区别*   FC (Function Call)：本质是模型调用工具。模型根据用户需求，主动决定何时调用、调用哪个工具，并接收工具返回的结果进行后续回答。*   MCP (Model Context Protocol)：本质是工具连接模型。它是一套更底层的协议规范，用于统一不同工具的接入标准，让模型能够标准化地访问和操作外部工具生态。*   一句话总结：FC 是模型的能力，MCP 是实现该能力的协议标准。• 上下文过长解决方案1. 截断策略 (Truncation)：保留最新关键信息，舍弃早期次要信息。2. 摘要压缩 (Summarization)：用摘要算法对历史对话/长文档进行浓缩，保留核心语义。3. 向量检索 (RAG)：将内容向量化，仅检索与当前问题最相关的 Top-K 片段注入上下文。4. 滑动窗口 (Sliding Window)：模型内部维护固定大小的窗口，随着新 token 加入，最旧的 token 被丢弃。

分享一下最近27鼠鼠投暑期，投了一周 boss拉满，官网基本都投了，收到了米哈游和美团笔试，然后亚信科技和经纬恒润测试和运维岗面完很水拒了，然后一家安全50人的厂开发oc了，收到了亚马逊中国的面试，真是违背自己鼠鼠英语巨烂，有没有大佬懂说数据中心运维岗怎么样，看大家都有offer了真的焦虑了，最近都是已读不回 电话很少了😂😂，不知各位27届兄弟都咋样了

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。

真的没招哩，快手上周四一面完的，现在还没有消息，这周三给hr打电话，hr说面试官还没有提交面评，这周五打电话已经不接了，这种情况怎么办