Agent开发面试全攻略：从基础原理到实战避坑

1次阅读

共计 1806 个字符，预计需要花费 5 分钟才能阅读完成。

最近辅导了不少准备 Agent 开发岗位面试的同学，发现大家常在这些地方栽跟头：

状态机理解不扎实 ：很多同学能画出状态转移图，但被问到 ” 用户突然打断当前流程怎么办 ” 时就卡壳
多轮对话边界模糊 ：比如用户先说 ” 订机票 ” 又改口 ” 算了还是查天气 ”，系统该如何优雅降级
过度关注准确率 ：在介绍项目时只提意图识别 F1 值，却说不清实际业务中的 fallback 处理策略

有个典型案例：候选人 A 在演示订餐机器人时，当用户输入 ” 不要辣但微麻 ”，系统直接报错——这就是典型的实体冲突处理缺失。

面试官常会问 ” 为什么选 Rasa 不选 Dialogflow”，这里有个功能对比表供参考：

能力维度	Rasa	Dialogflow	LangChain
意图识别	自定义 ML 模型	预训练 + 微调	连接 LLM
实体抽取	CRF+ 正则	系统实体	函数调用
对话管理	状态机 + 策略	线性流程	链式组合
定制化程度	高	低	中

选择建议 ：
1. 需要快速上线选 Dialogflow
2. 复杂业务逻辑用 Rasa
3. 想结合大模型能力考虑 LangChain

class BookingFSM:
    def __init__(self):
        self.state = 'IDLE'  # 初始状态

    def transition(self, user_input):
        if self.state == 'IDLE':
            if '预订' in user_input:
                self.state = 'COLLECTING_INFO'
                return "请问要预订什么？"
        elif self.state == 'COLLECTING_INFO':
            if '机票' in user_input:
                self.state = 'FLIGHT_DETAILS'
                return "请说出出发地和目的地"
            elif '酒店' in user_input:
                self.state = 'HOTEL_DETAILS'
                return "需要几星级的？"
        # 其他状态转移...

        # 默认 fallback
        return "抱歉我没听懂，能再说一遍吗？"

from transformers import BertTokenizer, BertForSequenceClassification

# 加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
model = BertForSequenceClassification.from_pretrained(
    'bert-base-chinese', 
    num_labels=5  # 假设有 5 种意图
)

# 预测函数
def predict_intent(text):
    inputs = tokenizer(text, return_tensors="pt")
    outputs = model(**inputs)
    predicted_class = outputs.logits.argmax().item()
    return ['查询', '预订', '取消', '投诉', '其他'][predicted_class]

并发处理 ：
使用会话 ID 隔离不同用户状态
Redis 存储临时对话上下文
考虑引入消息队列削峰

超时管理 ：

from datetime import datetime, timedelta

class Session:
    def __init__(self):
        self.last_active = datetime.now()

    def is_expired(self):
        return datetime.now() > self.last_active + timedelta(minutes=5)