Agent开发面试全攻略：从技术选型到实战避坑

1次阅读

共计 1805 个字符，预计需要花费 5 分钟才能阅读完成。

在近期参与的 Agent 开发面试中，发现候选人普遍存在以下技术盲区：

RLHF 训练过程表述模糊：多数人只能说出 ” 通过人类反馈优化模型 ”，但无法描述具体的数据采集流程（如 Comparison Data Collection）或损失函数设计（如 PPO 算法中的 KL 散度约束）
对话状态管理混乱：常见错误包括将整个聊天历史直接塞入 Prompt（导致 token 超限），或完全依赖 LLM 的零样本记忆能力
工具调用理解表面化：90% 的候选人能说出 ”LLM 生成 JSON 参数调用 API”，但解释不清如何处理异步工具调用或依赖链（如先查天气再推荐穿搭）

框架	短期记忆	长期记忆	记忆压缩策略
LangChain	ConversationBuffer	VectorStoreRetriever	基于 TF-IDF 的关键词提取
SemanticKernel	VolatileMemory	EmbeddingMemoryStore	滑动窗口 + 摘要生成
AutoGPT	EpisodeBuffer	Redis 缓存	递归式摘要压缩

LangChain：
优点：内置 200+ 现成工具（Google Search/PythonREPL 等）
缺点：同步阻塞式调用，缺乏任务队列机制
SemanticKernel：
优点：原生支持异步管道（Planner → Skill → LLM）
缺点：调试工具链较复杂

from typing import Dict, List
from pydantic import BaseModel

class DialogueState(BaseModel):
    """对话状态机核心数据结构"""
    current_intent: str  
    slots: Dict[str, str]  # 槽位填充值
    history: List[str]    # 原始对话历史

    def compress_history(self, llm) -> str:
        """使用 LLM 生成对话摘要"""
        prompt = f""" 请用 3 句话总结以下对话核心内容：{''.join(self.history[-5:])}"""
        return llm(prompt)

sequenceDiagram
    participant User
    participant Agent
    participant LLM
    participant ExternalAPI

    User->>Agent: "查询上海明天天气"
    Agent->>LLM: 生成工具调用参数
    LLM-->>Agent: {"tool":"weather","params":{"city":"上海"}}
    Agent->>ExternalAPI: 调用天气接口
    ExternalAPI-->>Agent: 返回 JSON 数据
    Agent->>LLM: 格式化 API 响应
    LLM-->>User: "上海明天多云，气温 22-28℃"