AI Agent开发面试高频考点：RAG、多智能体与token优化

AI Agent岗位的面试正在从考察算法八股转向考察工程落地能力。一位B站UP主在其“Agent面经”视频中拆解了面试的两个核心环节：知识体系与解决方案的拷问，以及候选人对自身项目的主导阐述。前者由面试官结合简历和业务场景发问，后者则是候选人提前准备好的“开卷考试”。本文基于该视频内容，梳理出Agent开发面试中被反复追问的高频考点，并补充必要的技术背景，帮助读者理解面试官真正想考察什么。

面试第一环节：业务场景驱动的方案设计

据该UP主描述，面试官通常会先浏览简历，再结合自身业务场景抛出问题。这些问题不追求标准答案，而是考察候选人对Agent方案的权衡能力。例如“遇到速度和思考问题怎么平衡”，本质上是在问推理延迟与结果质量之间的取舍——是否采用流式输出、是否设置最大反思轮次、是否用轻量模型做路由。RAG相关的问题则聚焦于“怎么衡量”知识库效果，这指向检索召回率、答案忠实度等评估指标的设计，而非简单罗列向量数据库选型。

智能体设计层面的追问更具实战色彩：“别人想套它的内容怎么办”对应的是提示词注入防护，“单智能体还是多智能体”则考察架构选型依据——任务是否需要角色分工、上下文是否超出单模型窗口、错误传播如何隔离。这些问题都没有唯一解，面试官看的是候选人能否说出取舍理由。

ReAct 与 Agent 推理循环

文中提到的"反思轮次""最大迭代次数""思考链"都建立在 ReAct（Reasoning + Acting）这一经典范式之上。ReAct 让大模型交替输出"思考"与"动作"：模型先推理当前状态，再决定调用哪个工具，拿到工具返回结果后再次推理，如此循环直至给出最终答案。这个循环是 Agent 具备自主性的来源，但也是延迟、token 消耗和死循环风险的根本原因——每一轮都要把历史思考与工具结果重新塞进上下文，轮次越多成本越高，且模型可能在两个动作之间反复摇摆。理解这一机制，才能理解面试官为什么紧盯"最大反思轮次""迭代上限"这类看似琐碎的参数。

提示词注入与间接注入

"别人想套它的内容怎么办"对应的提示词注入（Prompt Injection）是 Agent 安全的核心威胁。直接注入指用户在自己输入中夹带指令，诱导模型绕过原有约束；更隐蔽的是间接注入——攻击者把恶意指令藏在 Agent 会读取的外部内容里，例如网页、文档或工具返回结果，Agent 抓取后会把这段文本当作可信指令执行。对 RAG 与联网类 Agent 而言，间接注入尤其危险，因为检索到的内容本身就不可信。常见防护手段包括：区分系统指令与外部数据的信任层级、对工具返回内容做隔离标记、限制高危工具的调用权限、以及输出侧的内容审查。

Agent运行时的故障排查：自修复、token与死循环

第二类高频问题围绕Agent上线后的稳定性。UP主提到，面试官会问“Agent遇到问题能不能自我修复”，以及“token消耗多不多、多了怎么办”。前者涉及反思机制与重试策略的设计边界，后者则直指成本控制——常见的回答方向包括上下文压缩、缓存重复调用、按任务复杂度动态切换模型、以及对工具返回结果做截断。

“会不会出现死循环、响应慢怎么排查”是另一个被点名的考点。死循环在ReAct类Agent中并不罕见，排查思路通常包括设置最大迭代次数、记录每步的工具调用与思考链、识别重复动作模式。这类问题最能区分“跑过demo”和“真正上线过”的候选人，因为只有踩过坑的人才会提到监控与熔断。

上述问题共同指向一个能力维度：解决方案能力。面试官并不期待候选人背出最优架构，而是希望听到具体的决策过程，比如为什么在某个场景下选择多智能体而非单智能体，为什么某次token优化带来了副作用。

上下文压缩与成本控制

Agent 的 token 消耗随对话轮次与工具调用次数线性甚至超线性增长，因为每一轮都要携带完整历史。上下文压缩是控制成本的主要手段，常见做法有：滑动窗口保留最近若干轮、对早期对话做摘要后再注入、对冗长的工具返回结果做截断或结构化抽取、以及把稳定不变的系统提示与少样本示例交给提示缓存复用。另一种思路是模型路由——用轻量模型处理意图分类、简单问答等低复杂度子任务，只在关键推理节点调用大模型。这些手段都有副作用，比如摘要会丢失细节、截断可能删掉关键字段，因此面试中能讲清"优化带来了什么代价"往往比只报数字更受认可。

面试第二环节：用项目阐述掌握主动权

UP主将面试的后半程称为“开卷考试”——面试官会深入询问简历上的项目，而候选人可以提前对项目经历做规整和适度包装，从而在问答中占据主导。这一判断有其合理性：项目细节只有亲历者清楚，准备充分的候选人可以把话题引向自己熟悉的深水区。

不过需要提醒的是，“包装”的边界在于经得起追问。如果候选人声称做过token优化，面试官很可能追问优化前后的具体数字、监控指标如何采集、遇到什么反效果。把项目讲成有数据、有取舍、有复盘的故事，比堆砌技术名词更有效。

从面经看Agent岗位的能力画像

综合该视频列出的问题，Agent开发岗位考察的能力可以归纳为三层：方案设计层关注架构选型与权衡理由；工程落地层关注稳定性、成本与可观测性；项目表达层关注候选人能否清晰复盘自己的决策。这与行业中对Agent工程师的实际要求基本吻合——能搭起来只是起点，能控住成本、排得了故障、讲得清取舍才是分水岭。

需要说明的是，该内容来自单一UP主的经验分享，其中“学完即就业”之类的宣传话术明显带有引流性质，读者在参考时应以技术问题本身的价值为准，对速成承诺保持审慎。