知识点思维导图
9 个知识节点
面试题（01） - 高频面试题：Agent
读完后，你应能完成以下任务：
- 绘制“面试题（01） - 高频面试题：Agent / 与进阶篇的分工”的关键对象与数据流，解释“准备深入追问时，请结合 53-57、63、75-76、82-83，把“Agent 能调工具”升级成“工具可控、上下文可管、状态可追踪、多 Agent 可交接”的回答。”，并用源码位置、日志或 Trace 标注证据。
- 为“面试题（01） - 高频面试题：Agent / 怎么用这一篇”设计正常与异常输入，验证“Agent 面试最大的误区是猛吹"自主智能"。”，输出首个偏差位置与回归测试结果。
- 实现“面试题（01） - 高频面试题：Agent / Q1：Agent 和普通 Chatbot 的区别是什么？”的最小代码或配置，检验“Agent 能决定调工具、看结果、再决定下一步，去完成任务。”，输出命令、结果与 Diff，并说明不适用边界。
一、与进阶篇的分工
本篇保留为 Agent 面试速记。准备深入追问时，请结合 53-57、63、75-76、82-83，把“Agent 能调工具”升级成“工具可控、上下文可管、状态可追踪、多 Agent 可交接”的回答。
二、怎么用这一篇
Agent 面试最大的误区是猛吹"自主智能"。面试官真正想听的是：你怎么让工具调用可控——权限、校验、确认、trace、停止条件。把这些讲透，比讲一百遍"智能体"都管用。
2.1 Q1：Agent 和普通 Chatbot 的区别是什么？
一句话答：Chatbot 只生成文本；Agent 能决定调工具、看结果、再决定下一步，去完成任务。
展开：Chatbot 输入一句输出一句，不碰外部系统。Agent 在模型外套了"决策-行动-观察"循环：模型判断要不要用工具、用哪个、传什么参数，后端执行后回填结果，模型再决定继续还是收尾。区别是"会不会行动"，不是"智不智能"。
加分项：强调 Agent 价值在"可控地调用业务能力"而非"自主"。
2.2 Q2：Agent 和 Workflow 怎么选？
一句话答：步骤固定可预先编排用 Workflow；步骤依赖中间结果、需动态决策用 Agent。
展开：Workflow 把流程写死，先 A 再 B，可控、可预测、好排查。Agent 把"下一步做什么"交给模型，灵活但不可预测、难调试、有失控风险。生产里能用 Workflow 解决的就别上 Agent。
加分项：说出"能固定就别动态"这个取舍，比一味吹 Agent 强大更显成熟。
2.3 Q3：Function Calling 的完整流程是什么？
一句话答：后端把工具 schema 给模型，模型提出调用，后端校验权限/参数后执行，结果回填生成回答。
展开：1) 后端把工具定义发给模型；2) 模型返回想调的工具名和参数；3) 后端校验白名单→权限→参数→是否需确认；4) 全过了才执行真实函数；5) 结果回填生成回答；6) 前端展示 trace。模型只提议，执行永远在后端。
加分项：反复强调"模型只提议、后端才执行"这条边界。
2.4 Q4：ReAct 模式是什么？
一句话答：让模型按"Thought 想 → Action 做 → Observation 看结果"循环推进，直到能回答。
展开：ReAct = Reasoning + Acting。模型先输出思考（要查什么），再输出动作（调哪个工具），后端执行得到观察结果喂回模型，模型基于新信息再想下一步。多步任务靠这个循环逐步逼近答案，每步留痕便于排查。
加分项：能当场说出一轮 Thought/Action/Observation（跑 quiz.py --trace 照着记），比只说"边想边做"具体得多。
2.5 Q5：怎么防止 Agent 工具误调用/失控？
一句话答：白名单、参数校验、权限分级、写操作人工确认、最大步数上限、全程 trace 日志。
展开：六道闸——白名单（不能调没注册的工具）、参数 schema 校验、权限读写分级、写操作默认需确认、设最大步数和停止条件防死循环烧 token、每步记 trace。这些全在后端硬做，不靠 prompt 约束。
加分项：特别点出"最大步数 + 停止条件"，很多人答工具调用会漏掉防死循环。
2.6 Q6：Agent 记忆怎么做？short-term 和 long-term 分别指什么？
一句话答：short-term 是当前会话的对话历史（放上下文）；long-term 是跨会话的持久知识（存外部，用时检索）。
展开：short-term 是本轮 session 的 messages，直接拼进上下文，超长就截断或摘要。long-term 是用户偏好、历史结论等需跨会话记住的，存数据库/向量库，需要时检索回来拼进 prompt。本质上 long-term 记忆就是一个"针对用户的 RAG"。
加分项：把 long-term 记忆点破成"对用户画像的 RAG"，体现你能把概念串起来。
2.7 Q7：多工具 Agent 怎么决定调哪个工具？
一句话答：把所有工具的名称和描述给模型，模型按用户意图选；后端再校验选得对不对。
展开：工具注册成一张表（名称+描述+参数 schema），description 写清适用场景，模型靠它路由。工具多了要注意描述别重叠（否则模型选错）、按场景分组、必要时先用分类步骤缩小范围。选择权在模型，执行前的校验权在后端。
加分项：提"工具描述重叠会导致选错"这个实际坑。
2.8 Q8：什么情况下不该用 Agent？
一句话答：流程固定、对延迟/成本敏感、要强确定性的场景，用 Workflow 或直接调接口更好。
展开：Agent 多轮调模型，慢、贵、不稳定。任务步骤明确（比如"查订单→发通知"固定两步），写死的 Workflow 又快又稳又好排查。Agent 的多步自主决策只在"下一步真要看上一步结果"时才划算。
加分项：敢说"大多数业务场景不需要 Agent"，反而显得判断务实。
2.9 Q9：前端怎么展示 Agent 的执行过程？
一句话答：把后端返回的 toolTrace 渲染成步骤列表——计划、检索、工具调用、需确认、最终回答，分状态展示。
展开：Agent 不能只给最终答案，过程要可见。前端按 trace 类型渲染：plan（规划中）、rag（检索中）、tool（调用工具 X）、confirm（等确认）、final（生成回答），配合 SSE 流式逐步推送，用户能看到"它正在查订单"而不是干等。
加分项：从前端体验角度答工具调用，正是前端转 AI 的差异化优势。
2.10 Q10：模型把工具参数传错了怎么办？
一句话答：后端 schema 校验拦下，把错误信息回填给模型让它改，或字段名做归一化兜底。
展开：模型可能漏必填参数、拼错字段名（customerId vs customer_id）、给错类型。后端校验失败时不要直接报错给用户，而是把"缺少参数 X / 类型应为 Y"回填给模型让它重新生成。同时 schema 字段名和代码严格对齐，必要时加归一化。
加分项：提"把校验错误回填让模型自我修正"，这是让 Agent 鲁棒的关键技巧。
三、动手实践：50 高频面试题 Agent —— 自测 quiz
Agent 方向高频真题库 + 命令行自测工具，外带一个 ReAct trace 演示。
3.1 运行
python3 quiz.py # 随机抽 5 题，回车看答案
python3 quiz.py --all # 通读全部题目和答案
python3 quiz.py -n 3 # 抽 3 题
python3 quiz.py --trace # 打印一个 ReAct 循环示例，看 Agent 怎么想
零依赖，纯标准库。
3.2 预期输出（--trace 模式）
ReAct 循环示例：任务 = 查客户 C1001 订单并总结风险
[Thought] 用户要查 C1001 的订单并总结风险。我得先拿到订单数据...
[Action] lookup_orders(customer_id='C1001')
[Observation] 返回 2 笔订单：O-0518 已发货(正常)、O-0520 退款中(高风险)。
[Thought] 拿到数据了。有 1 笔高风险退款，足够总结...
[Action] finish
[Answer] 客户 C1001 近期 2 笔订单，其中 O-0520 处于退款中、风险较高，建议优先跟进。
--trace 把"边想边做"从抽象概念变成你能照着说的具体步骤——面试被问 ReAct 时，照这个结构讲就行。
3.3 题库覆盖
Agent vs Chatbot vs Workflow、Function Calling 流程、ReAct、工具误调用防护、记忆、多工具路由、什么时候不该用 Agent、前端展示、参数纠错。共 10 题，答案与文章 50 正文一致。
四、总结
- 怎么用这一篇：Agent 面试最大的误区是猛吹"自主智能"。
- Q1：Agent 和普通 Chatbot 的区别是什么？：Agent 能决定调工具、看结果、再决定下一步，去完成任务。
- Q2：Agent 和 Workflow 怎么选？：Agent 把"下一步做什么"交给模型，灵活但不可预测、难调试、有失控风险。
- Q3：Function Calling 的完整流程是什么？：后端校验白名单→权限→参数→是否需确认；
- Q4：ReAct 模式是什么？：模型先输出思考（要查什么），再输出动作（调哪个工具），后端执行得到观察结果喂回模型，模型基于新信息再想下一步。
- Q5：怎么防止 Agent 工具误调用/失控？：展开：六道闸——白名单（不能调没注册的工具）、参数 schema 校验、权限读写分级、写操作默认需确认、设最大步数和停止条件防死循环烧 token、每步记 trace。
4.1 实现源码与运行边界
quiz.py
学完自测
选择所有正确答案；提交后逐项核对判断依据。