本文目录
Agent 面试通常从 Workflow 与 Agent 的边界问起，再继续追问记忆、工具调用失败、多智能体协作与工程闭环。这一页把本站 Agent 相关内容组织成一条学习线：先跑通最小执行循环，再拆 Deep Research 完整案例，最后用题库校准自己的回答。
页面加载中…
系统教程 · 大模型知识专题
AI Agent 面试准备一站式枢纽：ReAct、Function Calling、MCP、记忆机制、Multi-Agent 协作 150+ 道题（含口语版讲法），配套 Deep Research Agent 8 章实战拆解与最小 Agent 上手教程。
Agent 面试通常从 Workflow 与 Agent 的边界问起，再继续追问记忆、工具调用失败、多智能体协作与工程闭环。这一页把本站 Agent 相关内容组织成一条学习线：先跑通最小执行循环，再拆 Deep Research 完整案例，最后用题库校准自己的回答。
学习内容与项目面试，在同一条路上。
RAG 考检索质量与评估，Agent 考系统设计与鲁棒性：规划怎么做、工具调用失败怎么重试、记忆怎么分层、多 Agent 怎么协作。两者经常组合出现——Agent 把 RAG 当工具之一。
先实现一个只保留循环、工具和停止条件的最小 Agent，再读 Deep Research 8 章拆解，看完整系统怎样处理规划、检索、反思和引用。有了亲手实现，回答时就能落到自己做过的技术取舍。
先掌握 ReAct 的基本循环，再能说明其他范式的适用场景：任务可预先分解时考虑 Plan-and-Execute，需要额外质量校验时考虑 Reflection。关键是能对比取舍，不是背名词。
是否必考取决于岗位和项目。准备时至少要能说明什么时候值得拆成多个 Agent，以及角色划分、通信、任务分配和失败恢复带来的收益与成本；先把单 Agent 讲透，再谈多 Agent。
01
识别用户意图与任务约束
02
决定下一步行动与所需工具
03
校验参数、权限并调用
04
更新状态，判断继续、停止或处理失败
信息不足时带着新观察进入下一轮；满足完成条件则退出。失败按类型进入有限重试、换工具或降级，并检查任务预算。
以「Agent 工具调用失败怎么处理?」为例，检查自己能否从不同提问入口讲清同一知识点。
假设我们在做一个订单查询Agent，用户问‘我的订单到哪了’，它调用物流API但超时了。这种情况下，你觉得应该直接把超时错误堆栈返回给模型，还是包装成‘查询暂时不可用’？怎么设计才能让Agent自己决定重试还是换个快递查询工具？
Agent调用外部工具时，失败是家常便饭。你是怎么处理的？……比如重试策略，你一般怎么决定要不要重试？……那如果重试几次还是失败，你会让它换工具吗？……这些失败信息反馈给模型后，它怎么影响后续的计划？你整体上怎么设计这个闭环？
设计一个Agent系统的工具调用失败反馈机制，要求分层错误暴露、动态决策重试还是切换工具，并且失败信息要能影响后续规划。你怎么设计这个状态机？具体说说错误信息怎么过滤、重试策略有哪些因子、以及如何把失败记录反馈到长期优化中。