匹配正文：核心设计思路工具选择本质是多目标决策问题，需在功能正确性、成本、时效性间权衡。建议采用**"语义路由 → 候选集生成 → 多维度打分 → 动态决策"**的分层架构。关键决策维度维度说明数据来源功能匹配度工具描述与任务需求的语义相似度 Embedding相似度、LLM判断历史成功率该工具对此类任务的完成率执行日志统计成本/延迟 Token消耗、API费用、响应时间实时监控当前负载服务可用性、限流状态健康检查接口实现方案方案一：规则+启发式（冷启…

#高德#Agent#Agent 工具选择

面试题·Agent

Deep Research 有 Search、Visit、Scholar 和 Python，Agent 怎样选对工具？

匹配正文：给 Agent 接上四个工具，并不等于它真的会做研究。 Search 适合发现候选来源，Visit 适合读取正文，Scholar 适合寻找论文元数据与学术出处，Python 适合计算和数据处理。它们看起来分工明确，实际运行时却经常被混用。模型可能只看搜索摘要就下结论，也可能没有 URL 便直接调用 Visit；本来查官方文档的问题，它反复使用 Scholar；一个简单换算，它不用计算工具而是凭语言模型心算；工具失败后，又不停重试同一路径。这些错误不会总表现为接口报错。很多…

#Deep Research#研究工具与稳定性#Deep Research 工具路由

面试题·Agent

Agent 有几十上百个工具时怎么选？大工具集路由怎样设计和验收

第 1 / 3 页下一页 →

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

匹配正文：面试官可能会问：“Agent 只有三四个工具时可以把 Schema 全塞给模型，工具扩展到几十上百个以后怎么办？” 这道题不能只回答“用向量检索找 Top K”。工具一多，问题不仅是上下文变长，还包括名称和描述越来越相似、敏感能力不该暴露、工具版本与健康状态不断变化，以及候选召回错误会让后面的模型根本没有机会选对。大工具集路由更像一个分层检索与授权系统：先根据用户、租户和任务过滤绝对不能使用的能力，再从剩余工具中召回小候选集，结合描述、参数和上下文重排，最后才让模型选择或请…

#Agent#工具调用与安全#Agent 大工具集路由

面试题·Agent

首次 SFT 后格式稳定了，为什么工具选择和答案仍然不行？

匹配正文：第一次训练 Agent 时，团队很容易被一个明显变化鼓舞：模型终于能稳定输出结构化 tool call，JSON 也不再频繁报错。但把问题换成“什么是人工智能”，它仍然先调 Search；遇到简单计算，也不一定选择合适工具；即使工具调用成功，最终答案还可能不完整。这不是一个矛盾结果。格式学习、工具策略和答案能力本来就是不同层次。SFT 可以很快让模型模仿外壳，却未必已经学会在不同情境下做选择，更不能保证它能从工具结果中组织完整答案。现有首次训练记录正好提供了一个可以诚…

#Deep Research#数据构造与训练#Deep Research SFT

面试题·Agent

训练数据里 Search 太多，为什么 Agent 遇到什么都想先搜？

匹配正文：一个调研 Agent 面对“水的化学式是什么”，先调用 Search；面对简单乘法，也想搜网页；真正需要访问原文时，却停在搜索摘要。很多团队会先怀疑 Prompt 没写好，或者模型太小。但如果训练轨迹里大量任务都以 Search、Visit 开头，模型可能只是忠实模仿了高频动作。它没有学会判断“当前缺什么信息”，而是把“收到问题”与“先搜索”绑定在一起。相关首次训练记录里，就出现了简单问题仍偏 Search 的现象，材料同时指出 Search、Visit 轨迹偏多可能是…

#Deep Research#数据构造与训练#Deep Research 工具选择

面试题·评估· 高德

Agent 多工具如何评分选路?

匹配正文：核心设计思路工具选择本质是多目标优化问题，需在准确性、延迟、成本、成功率间权衡。我按三层架构来设计：一、工具表征层：建立统一描述每个工具注册时标注元信息：能力边界：输入输出Schema、支持的任务类型性能画像：历史成功率、平均延迟、调用成本质量评分：人工标注或离线评测的准确率 # 工具描述示例 tool_profile = { "name": "weather_api_v2", "capabilities": ["current_weather", "foreca…

#高德#评估与监控#Agent

面试题·评估· 高德

Agent 多工具怎么选?

匹配题目：当多个可用工具均可完成同一子任务时，Agent应如何进行工具选择？是否需要引入评分、排序或成本评估机制？请设计一个合理的工具调度与决策流程。

#高德#Agent#Agent 工具选择

求职指南·Agent

Agent 工具调用与 Schema 设计项目模拟面试

匹配正文：…案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：Tool Calling 工具集设计原则、Agent工具系统：注册与权限控制。 5. metrics · metrics 工具选择、参数合法、业务成功和端到端完成率分别怎么定义？基线和测试集是什么？考察重点：核验效果数字是否有定义、基线、样本和可归因证据。工具选择、参数合法、业务成功和端到端完成率的口径固定工具集、模型版本和任务集下的旧方案结果正常、边界、非法参数与副作用任务的测试…

#模拟面试#简历项目#连续追问

面试题·Agent

LLM、Workflow 和 Agent 怎么选？什么任务根本不该做成 Agent

匹配正文：面试官问：“你这个功能为什么要用 Agent？写个固定工作流不行吗？” 这句话听起来像在问概念，实际上是在核验两件事：第一，你是否真的理解自己做的系统；第二，你有没有为了追热点，把一个本来很确定的问题硬包装成 Agent。很多项目介绍里写着“基于 Agent 实现智能决策”，追问两轮才发现，系统只有一次模型调用，或者永远按相同顺序调用三个接口。这样的实现不是不能用，而是命名和设计依据都说不清。面试官担心的也不是术语用错这么简单：如果团队连控制流属于谁都没有想明白，后续的权限…

#Agent#架构与规划#Agent 和 Workflow 区别

面试题·Agent

Agent 规划应该写在 Prompt 里，还是固定在业务代码里？

匹配正文：面试官问：“你们的 Agent 是怎么规划的？行业流程都写在 Prompt 里吗？” 这道题最容易出现两个极端答案。一种说法是：“全部让大模型自己拆任务，这样最灵活。”另一种说法是：“模型不可靠，所以所有步骤都写死。”前者忽略安全与确定性，后者又把 Agent 做成了披着模型外衣的固定流程。生产系统更常见的答案在中间：代码定义不可越过的边界和主流程，模型只在不确定、可验证、可回退的局部做规划。真正的难点在于规划权放在哪一层，以及模型给出的计划如何进入执行系统；一句“请逐步…

#Agent#架构与规划#Agent 规划 Prompt 还是代码

面试题·Agent

Agent 工具怎么设计和注册？Tool Schema、Registry 与执行器如何解耦

匹配正文：…按当前问题提取、不能访问私网。限制既帮助模型选择，也方便评估。修改描述后要跑回归集，而不是凭文案感觉。准备相似任务和难负例，观察工具选择、参数与无调用情况。描述是运行行为的一部分，应该像代码一样版本化和评审。工具版本怎样管理工具升级可能改变参数、语义或返回结构。若只是修复内部实现且契约不变，可以保持版本；若删除字段、改变默认行为或返回含义，就需要新版本。一次 Agent 运行最好绑定工具清单版本。长任务恢复时仍能知道当时模型看到什么 Schema、后端使用什么执行器。…

#Agent#工具调用与安全#Agent Tool Registry

面试题·Agent

Agent 工具返回成功就算完成了吗？调用、执行、业务成功要分三层判断

匹配正文：面试官可能会问：“工具接口已经返回 200，为什么 Agent 最后还是做错了？” 这道题看起来像异常处理，实际是在检查你有没有把“成功”定义清楚。一次工具调用可以在协议上完全正常，真实函数也没有报错，但用户目标仍然没有完成。反过来，工具返回空结果不一定是系统故障，也可能是合法业务结果。若所有情况都压成一个 success: true，Agent 就无法判断下一步，监控也会把大量业务失败算成成功。更稳的设计，是把成功拆成三层：调用协议成功、工具执行成功、业务目标成功。三层分…

#Agent#工具调用与安全#Agent 工具成功判断

面试题·Agent

MCP 和 Function Calling 有什么区别？Agent 工具接入时两者怎样配合

匹配正文：…决应用怎样用相对统一的客户端与服务器协议发现、连接和调用外部能力。一个更靠近模型决策接口，一个更靠近工具集成与通信层。在同一个 Agent 里，两者完全可以同时出现：Host 通过 MCP Client 从服务器发现工具，把工具描述转换成当前模型能理解的 Schema；模型使用 Function Calling 产生 tool call；Host 校验后通过 MCP Client 请求对应服务器；服务器执行并返回结果；Host 再把结果回灌给模型。MCP 没有让模型获得执行…

#Agent#工具调用与安全#MCP 和 Function Calling 区别

面试题·Agent

Teacher 生成的 Agent 轨迹为什么不能直接拿去训练，怎样筛出高质量样本？

匹配正文：…向正确但没做完。统一惩罚会鼓励模型提前给结论，应把事实错误、行动错误、环境失败和截断未完成分开。追问五：格式通过率提升，能说明 Agent 变强了吗？不能。格式只是第一层，还要独立评测工具选择、过程进展、证据准确、答案完整和异常恢复。怎样把 Teacher 轨迹质检流程说完整 Teacher 生成的轨迹只是候选数据，不是金标准。我会让它在真实或版本化模拟环境中逐步执行，工具返回只能由环境写入，轨迹保存任务、行动参数、观察、证据、状态变化、停止原因和答案，不以不可审计的内…

#Deep Research#数据构造与训练#Deep Research 轨迹生成

面试题·Agent

Deep Research Agent 训练中，CPT、SFT 和 GRPO 应该怎样取舍？

匹配正文：…路径。它知道“标准答案长什么样”，却不知道哪条行动更好，也没有在环境反馈中练过取舍。相关训练材料把 Deep Research Agent 的训练拆成三层：Agentic CPT 注入 Agent 相关偏置，SFT 冷启动学习协议与基本轨迹，GRPO 再在环境反馈中优化策略。这三个阶段分别解决不同问题，不能因为名词热门就机械拼成一条训练流水线。所以面试官真正想问的是： CPT、SFT 和 GRPO 各自改变什么，为什么顺序通常这样安排，阶段之间如何设准入与退出标准，哪些…

#Deep Research#数据构造与训练#Deep Research 多阶段训练

面试题·Agent

复杂任务一定要拆成多 Agent 吗？单 Agent 与多 Agent 怎么选

匹配正文：面试官可能会问：“一个 Deep Research 任务里有检索、分析和写报告，是不是应该分别做三个 Agent？” 很多人会直接回答“多 Agent 分工更专业”。但把三个 Prompt、三个名字和三段对话连起来，不代表系统真的获得了新的能力。任务边界不清时，多 Agent 只会增加消息传递、上下文复制、状态一致性和失败归因成本。反过来，一个 Agent 同时面对大量工具、相互冲突的指令、很长的中间轨迹和多个独立目标，也可能出现工具选择混乱、注意力被稀释、一步失败拖垮整条…

#Agent#多智能体与评估#单 Agent 和多 Agent 区别

面试题·Agent

Agent 线上答错一次，怎样用 Trace 和 Replay 定位到底哪一步坏了

匹配正文：面试官可能会问：“用户只反馈 Agent 给错了答案，你怎么判断是规划、工具、上下文还是模型出了问题？” 普通接口日志往往只记录请求、响应和总耗时。对一次模型调用也许够用，对多步 Agent 不够。Agent 会读取状态、选择工具、等待外部结果、更新计划、重试、压缩上下文，最后才生成答案。最终错误可能在很早的一步已经发生。例如工具返回了正确事实，模型没有使用；也可能模型选对工具，但参数里时间范围错了；还可能工具响应正确，State 合并把新结果覆盖；或者最终答案没错，只是引…

#Agent#多智能体与评估#Agent Trace 回放

面试题·Agent

Agent 怎么评估才不只看最终答案？任务、执行轨迹与成本要分层验收

匹配正文：…源与成本是否在预算内。三层分别设指标和硬门禁，再观察质量与成本的权衡，不能把所有问题压成一个容易刷的总分。先给出 30 秒回答 Agent 评估我会分任务结果、执行轨迹和资源成本三层。结果层按任务类型定义完成条件，例如事实正确、引用可验证、覆盖关键点、结构符合要求；轨迹层检查规划、工具选择、参数、Observation 使用、失败恢复、停止条件和权限，不依赖隐藏思维文本；成本层记录模型 Token、调用次数、工具与执行资源、端到端时间。评测集覆盖正常、歧义、工具失败、冲突、…

#Agent#多智能体与评估#Agent 评估体系

面试题·模型架构· 美团

MoE 怎么提升 Agent 能力?

匹配正文：…RA即可即插即用”。共享基座与不同专家不自动形成租户隐私隔离；隐私依赖访问控制、数据平面隔离、日志与部署边界。内部MoE路由和Agent的计划/工具选择可以组合，但优化目标、时间尺度和失败处理不同。选型时分别测内部MoE的质量、激活FLOPs、通信与延迟，以及编排层的路由准确率、工具成功率、回退率和安全隔离。图解 MoE 怎么提升 Agent 能力?图解

#MoE#Agent#动态路由

面试题·RLHF与对齐· 阶跃星辰

Agent 工具调用训练数据怎么构建?

匹配正文：训练工具调用Agent时，数据单位不是孤立问答，而是完整轨迹。每一步要记录可见观测、模型动作、工具名与参数、权限检查、工具真实返回、错误类型、重试、最终结果和终止原因。缺少真实工具反馈，只保留一段看似合理的思考文本，会让模型学不到环境状态变化。正轨迹应覆盖不同任务路径和边界条件，不只是最短成功案例；负轨迹要按可修复失败分类，例如工具选择错、参数错、权限不足、结果解析错、无效重试、超时和提前终止。对负样本可提供正确恢复动作或成对偏好，让模型学会发现并修复错误，而不是只学会把失…

#工具学习#轨迹数据构建#数据配比

面试题·Agent· 字节

Agent 技术演进与挑战?

匹配正文：…I助手代码开发需求理解、代码生成、测试调试豆包MarsCode 三、关键挑战可靠性规划错误：任务拆解不合理导致执行失败工具选择失误：选错API或参数格式错误安全性权限边界：Agent越权访问敏感数据提示注入：恶意指令劫持Agent行为可控性执行过程黑盒，难以审计和回滚成本不可控：复杂任务触发大量LLM调用四、未来潜力短期（1-2年）：垂直场景的深度封装，如"一键生成周报"类确定性工作流中期（3-5年）：人机协作模式成熟，Agent作为"数字员工"…

#字节#Agent#Agent 发展趋势

面试题·Agent· 百度

Agent 规划记忆工具调用机制

匹配正文：…式执行结果结构化解析（成功/失败/需澄清）异常触发回溯或人工介入二、工作流程闭环用户输入 → 意图理解 → 任务分解 → 工具选择 → 执行 → 观察 → 判断完成？ ↑___________________________________________________________↓ （反馈循环）关键决策点：每步执行后，LLM评估是否达成子目标未达成则分析原因（工具问题？理解偏差？），选择重试或重规划引入"反思"步骤，显式总结本轮经验写入长期记忆三、与…

#百度#Agent#Agent 系统设计

面试题·Agent· 百度

Agent 组件如何实现自主决策与学习?

匹配正文：Agent vs LLM：从"问答"到"行动" LLM是被动响应器，Agent是主动决策者。核心差异在于Agent具备目标驱动和环境交互能力——能分解任务、调用工具、根据反馈调整策略。四大核心模块 1. 规划（Planning）任务分解：将复杂目标拆解为可执行的子步骤（如"订机票"→查航班→选座位→支付）推理策略：CoT（链式思考）、ToT（树状搜索）、ReAct（推理+行动交错）动态调整：根据执行反馈重新规划（如工具调用失败时换备用方案） 2. 记忆（Memory）…

#百度#Agent#Agent 工作原理

面试题·Agent· 腾讯

Agent 核心定义与关键能力

匹配正文：…史经验）环境感知接收工具返回的结果，形成"执行-观察-再决策"的闭环架构特征用户请求 → 规划模块（Planning）→ 工具选择 → 执行调用 → 观察结果 ↑___________________________________________↓ （反馈循环，可能多轮）控制流：传统模型是线性，Agent是循环/图结构状态管理：需维护执行状态、中间结果、错误处理安全边界：工具权限管控、输出校验、人工确认节点（Human-in-the-loop）一句话总结传…

#腾讯#Agent#Agent 定义