智能体一面面经

#面试问题记录#1. 请简单介绍一下自己。
2. 你硕士期间是不需要发表小论文的吗？
6. 你现在是回学校准备秋招，对吧？
7. 能不能具体讲一下Agent 是怎么实现的？
8. 你的实现主要是一个 Skill，对吧？
MCP、Skill 与模型 API
10. 为什么要把 MCP 的目录传给 Agent？
11. MCP 需要提前安装并连接 Server；如果只传一个 MCP 列表、Agent 又没有主动连接 Server，它是怎么调通工具的？
12. 具体什么叫 MCP Client？能不能讲讲它是怎么实现、怎么工作的？
13. MCP 是在运行期间主动连接 Server 的吗？
14. MCP Client 是什么，是你们做的工具吗？它之前已经安装好并在“双态”那边连上了吗？
15. 所以它可以理解为一个通用的 MCP 功能吗？
16. 如果大模型通过统一的 Center 看不到 MCP 工具名称和入参，怎么保证它能正确组装参数？
17. MCP Client 会把所有工具都取回来吗？大模型又是怎么拿到这些工具信息的？
18. 如果 query 里才给 MCP name，怎么确保大模型会调用 MCP Client 并拿到对应的 tools？它的上下文里是不是没有 MCP 工具信息？
19. 大模型怎么知道要调用本地 Client？是否需要先通过 MCP Client 请求对应的 tools，再组装参数？
20. 你在 Skill 里给它设定了一些上下文信息，是吗？
21. 为什么要通过 MCP 获取信息？MCP Center 这个设计是怎么考虑的？
22. 为什么不把 MCP 获取回来的信息写在 SQL 里，而要经过 MCP 层？
23. 为什么不把远程信息直接写在 Skill 里，还要通过 MCP 绕一圈？这个设计的考虑是什么？
24. 二次请求应该不会再经过 MCP Server，对不对？所以走一次 MCP Center 是为了这个考虑吗？是出于上下文长度的考虑吗？
25. 大模型是在什么时候调用你们的 API？
26. 是在 query 里主动指定要用这个 Skill，或者指定用 SQL 排查问题吗？
27. 大模型 request 里的 Skill、MCP、System Prompt 和 User Prompt 是怎么组装的？
28. 撇开 Agent 项目不谈，Anthropic 或 OpenAI 的 API request 具体怎么组装、怎么调用？请求内容只有这些吗？
29. 大模型返回时，在哪个字段说明要调用什么 tool、传什么参数？response 通常有哪些结构？
30. 你这边没有特别关心过 response 结构，对吧？
Graph、LangGraph 与检索
31. 你在 2025 年 6 月和 10 月做过基于 non graph 的事情，对吧？
32. Graph 的正常开发流程是什么样的？
33. LangGraph 的各个节点怎么拼装、怎么调用？具体怎么拼成一个 LangGraph？
34. 你们编排了几个 Agent、几个 non graph 节点？2025 年 6 月到 11 月的 non graph 里有多少个节点？
35. 向量检索的目的是什么？召回方式有很多，为什么用向量检索？
36. 向量检索库承载什么功能？
37. 你们的库里存放多少信息，大概多少条数据？放的是 20 条数据，对吧？
38. 这是必做的设计吗？如果只有 6 条或 20 条数据，还需要用向量检索吗？
39. 考虑未来使用增长，增长情况大概有哪些？用户平常每天会存多少数据，或者每隔多久存多少？
40. “商家库版本”是什么概念？
41. 工作流编排、工作流名称和描述是放在向量库里吗？
42. 正常使用时不就一个版本吗？会同时有三四个版本吗？
43. 为什么要用向量数据库？
44. 后面的人会不断叠加工作流，运行时再把工作流召回，对吗？
45. 你们是预设模板，对吧？用户怎么新增节点、动态编排？如果没有匹配的模板怎么办？
46. 如果现有流程不满足需求，用户能做什么？
47. 用户拖拽并校验完新的工作流后，点击保存会存到向量库还是新的数据库里？
知识图谱与模型训练
48. 什么情况下会用知识图谱？当时为什么选择它？
49. 为什么目前（比如到 2026 年的 Agent）知识图谱比较少？
50. 百度实习时好像也没有用知识图谱；诊断场景没有用，对吗？
51. 2026 年的知识构建和图谱抽取中，什么样的知识需要用知识图谱构建？
52. 大模型的请求怎么样在知识图谱里变成确定性的搜索？
53. 为什么不把所有信息直接放在“向量库”里？
54. 知识一般用 RAG、从向量数据库召回就可以了，对吧？那为什么你说的这些知识不能通过 RAG 召回？
55. 大模型读了 SOP 不就已经构建联系了吗？为什么还需要通过知识库构建联系？
56. 知识图谱相比大模型自己去找，优势在哪里？
57. 你们的知识图谱大概几跳？也就两跳，对吧？那大模型自己也能跳两跳，对吧？
58. 你们当时主要是考虑大模型的耗时和 token 吗？
59. 知识图谱检索准确率有多少？80% 多是怎么算出来的，你们怎么看这个数据？
60. 如果要提升准确率，除了刚才提到的办法和知识清洗，还有什么方法？
61. 你们组目前对知识图谱的改进主要就这两种吗？数据准备怎么清洗？
62. 你们的数据不是还挺大的吗？从数据清洗到训练模型的决策是怎么得出来的？主要考虑的是训练成本，而不是清洗过程中遇到了什么问题，对吧？
结束时
63. 你那边有没有什么需要问的？
64. 这一块应该不用我介绍吧？你面试得比较多，也在百度这样的公司实习过，应该有比较多经验，对吧？