AI Agent 面试题 6 篇系列 · 索引

第 1 篇 · Agent 基础#

• 区分 Agent 和 Chatbot 的关键不是”用没用 LLM”，而是”有没有 Loop、有没有 Tools、有没有目标完成判断”。
• 「Agent = LLM + Planning + Memory + Tools」是起点不是终点；生产公式是「Agent = Model + Harness」。
• 生产里 Agentic Workflow 才是最常见的选择，纯 Agent 反而是少数。
• Multi-Agent 慎用——通信、调试、一致性是三个最常被低估的难题。

第 2 篇 · Agent Memory#

• 聊天记录是数据，记忆是能力。
• 记忆系统不是”存起来”那么简单，而是要解决写入、读取、压缩、过期、冲突、安全、可观测性这一整套问题。
• Auto Memory 必须配写入门槛、置信度评估、人工 Review、可回滚四件套——记忆系统的”刹车”比”油门”更重要。
• 团队记忆走 Git + Code Review，本质是把记忆当代码管；记忆分层比记忆存储更重要。

第 3 篇 · Prompt 与 Context Engineering#

• Prompt 决定模型收到什么指令，Context 决定模型实际看到什么世界——Agent 多步执行里后者更重要。
• 调 Prompt 是治标，调 Context 才是治本。
• Prompt 四要素按 Role → Task → Context → Format 顺序组织效果最好。
• 防护 Prompt 注入靠系统设计，不靠模型自觉——假设注入一定会发生。

第 4 篇 · MCP 与 Agent Skills#

• MCP 是 AI 领域的 USB-C——一个协议统一所有 Agent 和工具的连接。
• Function Calling 是”嘴和手”（模型怎么”说”），MCP 是”电话系统”（工具怎么”接”），Skills 是”工作经验”（Agent 按什么”经验”做）。
• MCP 把工具接入标准化了，但安全治理不能省——协议标准化不等于安全标准化。
• SKILL.md 的核心是”少而精”——一个 Skill 解决一类任务，多任务就拆多个。

第 5 篇 · Harness Engineering#

• Harness 是”模型之外的那一层系统”——它编码了”模型做不好什么”的领域知识。
• Agent = Model + Harness——Harness 不是补丁，是领域知识的显式表达。
• Harness 的每个组件都需要独立评估和重新验证，模型换了 Harness 必须重新走一遍。
• 一线 Agent 工程三大难题：上下文污染、代码熵积累、工具调用可靠性——三类共同治理思路是”假设问题一定会发生”。

第 6 篇 · Workflow、Graph 与 Loop#

• 工作流是 AI 系统的骨架，不是 AI 系统的枷锁。
• Workflow 是任务过程（抽象），Graph 是结构载体（具象），Loop 是控制模式（特定逻辑）——三者从不同维度描述 AI 系统。
• Graph Loop 和 Agent Loop 是不同概念——前者条件边驱动可控，后者 LLM 驱动不可控。
• Loop 防死循环要建四道闸门：继续条件、退出条件、最大步数、最大成本——任何 Loop 都必须设。

第 1 篇 · Agent 基础（8 题）#

1. AI Agent 是什么？和普通 Chatbot 有什么区别？
2. Agent = LLM + Planning + Memory + Tools 这条公式怎么理解？
3. Agent Loop 的完整流程是什么？
4. Agent 和传统编程、Workflow 的核心区别是什么？
5. ReAct、Plan-and-Execute、Reflection、Multi-Agent 分别适合什么场景？
6. Tools 注册时，工具 description 为什么很关键？
7. 什么时候用纯 Agent，什么时候用 Workflow 或 Agentic Workflow？
8. Multi-Agent 协作的主要问题是什么？为什么生产里不能盲目上多 Agent？

第 2 篇 · Agent Memory（8 题）#

1. Agent 的短期记忆和长期记忆有什么区别？
2. Agent 记忆系统要解决哪些核心问题？
3. 向量记忆和 Markdown 记忆分别适合什么场景？
4. Auto Memory 是什么？它为什么不能无限自动写入？
5. 团队共享记忆为什么适合走 Git 和 Code Review？
6. 记忆压缩、记忆过期、记忆冲突应该怎么处理？
7. 如何避免长期记忆污染上下文？
8. 面试里怎么讲”有记忆”不是简单保存聊天记录？

第 3 篇 · Prompt 与 Context Engineering（8 题）#

1. Prompt Engineering 和 Context Engineering 有什么区别？
2. Prompt 四要素 Role、Task、Context、Format 分别解决什么问题？
3. Few-Shot、CoT、任务分解、结构化输出分别适合什么场景？
4. Prompt 注入攻击是什么？常见防护方式有哪些？
5. 为什么 Agent 场景下只优化 Prompt 不够？
6. Context Engineering 要解决哪些问题？
7. 静态规则、动态信息、工具结果、记忆应该如何进入上下文？
8. 长任务上下文溢出时，Compaction、结构化笔记、Sub-agent 分别怎么用？

第 4 篇 · MCP 与 Agent Skills（9 题）#

1. MCP 解决什么问题？为什么常被类比成 AI 领域的 USB-C？
2. MCP Client、MCP Server、Host 分别是什么？
3. MCP 的 Tools、Resources、Prompts 分别解决什么问题？
4. MCP 和 Function Calling 有什么区别？
5. 生产级 MCP Server 要做哪些安全治理？
6. Agent Skills 是什么？它和 Prompt、MCP、Function Calling 的边界是什么？
7. Skills 为什么要延迟加载？
8. Skill 路由怎么做？为什么它和 RAG 相似但目标不同？
9. 写一个 SKILL.md 最容易踩哪些坑？

第 5 篇 · Harness Engineering（7 题）#

1. Harness Engineering 是什么？它和 Prompt Engineering、Context Engineering 有什么关系？
2. 为什么说 Agent = Model + Harness？
3. Harness 的六层架构分别解决什么问题？
4. 模型能力升级后，Harness 里的某些机制为什么需要重新验证？
5. 上下文污染、代码熵积累、工具调用可靠性分别怎么治理？
6. Agent 工程里为什么需要评测器、验证器和任务状态管理？
7. 一线团队做 Agent 工程化时，共同遇到的难点是什么？

第 6 篇 · Workflow、Graph 与 Loop（8 题）#

1. 为什么 AI 系统需要工作流？
2. Workflow、Graph、Loop 三者是什么关系？
3. Graph Loop 和 Agent Loop 有什么区别？
4. Loop 如何防止死循环？
5. State 的更新策略怎么选？Replace、Append、Reducer 分别适合什么字段？
6. 条件边和动态路由有什么区别？
7. 工作流中断后怎么恢复？
8. 工作流有哪些特有的安全风险？