AI Agent 面试题总结

Guide约 3700 字大约 12 分钟

AI Agent 面试最容易出现两种极端：一种是把 Agent 讲得像“全自动数字员工”，什么都能自己规划、自己执行；另一种是把 Agent 讲得像“几个 Prompt 串起来”，完全看不出和普通工作流有什么区别。

真正好的回答要落到中间：Agent 的核心不是神秘的自主意识，而是一套围绕大模型构建的任务执行系统。它要有运行循环、上下文供给、记忆机制、工具调用、安全边界、失败恢复和评测闭环。

这份 AI Agent 面试题根据 AI 专栏现有文章整理，重点不是让你背“Agent 是什么”，而是帮你学会这样回答：

Agent 为什么需要 Loop？
Agent 为什么离不开 Context Engineering？
Memory、Tools、MCP、Skills 分别解决什么问题？
什么时候应该用 Workflow，而不是直接上纯 Agent？
Agent 上生产后，怎么控制成本、风险和不确定性？

如果能沿着这条线回答，面试官通常会觉得你不是只看过概念，而是真的思考过工程落地。

面试官真正想考什么

Agent 题本质上在考“复杂 AI 应用怎么编排”。可以按下面几个层次准备。

考察方向	面试官想确认什么	常见扣分点
Agent 基础	你能否讲清 Agent、Workflow、普通 Chatbot 的区别	把 Agent 说成“会自动思考的机器人”
Agent Loop	你是否理解推理、行动、观察、修正的循环	只讲工具调用，不讲观察和迭代
Context Engineering	你是否知道上下文质量决定 Agent 表现	只会调 Prompt，不会管理上下文
Memory	你是否能区分短期状态、长期事实和经验沉淀	把历史聊天记录等同于记忆系统
Tools/MCP/Skills	你是否知道工具接入、调用意图和任务 SOP 的边界	把 MCP、Function Calling、Skills 混为一谈
Workflow/Harness	你是否具备生产级 Agent 工程化思维	盲目追求纯 Agent，不考虑可控性

回答 Agent 题时，建议少讲“智能”，多讲“约束”。因为真实项目里，Agent 最大的问题不是不会做事，而是不稳定、不可控、难排查、成本高。

Agent 基础

参考文章：《AI Agent 核心概念：Agent Loop、Context Engineering、Tools 注册》

这一组题是 Agent 面试的入口。重点不是背公式，而是讲清 Agent 和传统程序、Workflow 的边界。

建议掌握这些关键点：

Agent 可以理解为 LLM + Planning + Memory + Tools 的组合，但这个公式只是起点，不是完整生产架构。
普通 Chatbot 主要回答问题，Agent 更强调多步骤任务执行和外部工具调用。
Workflow 的路径更固定，适合流程清晰、需要可控性的场景；纯 Agent 更适合路径难提前穷举的开放任务。
ReAct、Plan-and-Execute、Reflection、Multi-Agent 不是越复杂越好，要结合任务复杂度、调试成本和容错要求选择。

高频面试题：

AI Agent 是什么？和普通 Chatbot 有什么区别？
Agent = LLM + Planning + Memory + Tools 这条公式怎么理解？
Agent Loop 的完整流程是什么？
Agent 和传统编程、Workflow 的核心区别是什么？
ReAct、Plan-and-Execute、Reflection、Multi-Agent 分别适合什么场景？
Tools 注册时，工具 description 为什么很关键？
什么时候用纯 Agent，什么时候用 Workflow 或 Agentic Workflow？
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？

一个更稳的回答方式是：先承认 Agent 的动态决策能力，再补上它的代价。比如纯 Agent 灵活，但调试难、轨迹不稳定、Token 成本高；Workflow 可控，但前期流程拆解要求高。To B 场景通常会优先选择 Workflow 或 Agentic Workflow，把关键路径控制住，只在必要节点让模型做判断。

AI Agent 核心架构