第一弹，聚焦 Agent 核心架构——ReAct、Plan-and-Execute、Multi-Agent、异步并行。

这几个方向面试出现的频率最高，也是 PaiCLI 第 1、2、5、7 期的核心内容。

01、什么是 ReAct 模式？

ReAct 是 Reasoning + Acting 的缩写，Yao et al.（姚顺雨）在 2022 年提出。

核心就一句话：让 LLM 在推理的同时能执行动作，根据动作结果继续推理，形成一个闭合的循环。

大家好，我是二哥呀。

这是面试题系列的最后一弹——综合设计题。

前面七篇我们聊了 Agent 核心架构、记忆与上下文、工具与安全、MCP 协议、多模型适配、Prompt 与 Skill、产品化，每一篇都在拆某个具体方向的知识点。但面试到后半段，面试官不会再问你“HITL 的五种审批决策是什么”这种可以查代码的细节了。他要看的是你的系统设计能力、技术判断力和工程品味。

综合设计题没有标准答案。回答的关键不是背一段结论，而是展示你的思考过程——怎么分析问题、怎么权衡取舍、怎么在约束条件下做出合理选择。这也是我做 PaiCLI 21 期教程最大的体会：写代码是手段，做决策才是核心能力。

content

01、MCP 是什么，解决了什么问题

我说："MCP 全称 Model Context Protocol，是 Anthropic 在 2024 年底提出的开放协议。它定义了 AI 应用和外部工具之间的标准通信接口。"

老王这次换了副金丝眼镜，像极了某个互联网大厂的 CTO，眼神犀利但嘴角带笑，看起来今天心情不错。

老王翻了翻我的简历，“你这个 PaiCLI 写了三层记忆架构、RAG 向量检索、长上下文自适应，挺能吹的啊。”

（内心 OS：王哥你别说吹，这些我一行一行码出来的😤）

我说：“王哥，这几块确实是 PaiCLI 的核心。记忆系统做了三期，第 3 期做 Memory、第 4 期做 RAG 代码库理解、第 12 期做长上下文工程。最近还做了两个升级——长期记忆加了项目级隔离，代码检索从 RAG 一把梭改成了精确搜索优先、RAG 语义兜底。”

老王露出感兴趣的表情：“行，那就从记忆系统开始聊。”

大家好，我是二哥呀。

这是 AI Agent 面试题系列的第七弹（共 8 篇），聚焦多模型适配与成本控制。对应 PaiCLI 的第 8 期（多模型适配 + 运行时切换）和第 12 期（长上下文工程）。

为什么要单独拿一篇来讲这个？因为现在国产模型百花齐放——GLM、DeepSeek、Kimi、StepFun，再加上 Claude、GPT，一个 Agent 只绑死一个模型在生产环境里根本不现实。面试官问“你的项目怎么做多模型适配”，如果你只会说“换个 API Key 就行”，那这道题就废了。

怎么做模型抽象、运行时切换、Token 预算管理、成本优化——这些才是面试官想听到的。下面 12 道题，我们一个一个来。

大家好，我是二哥呀。

这是 AI Agent 面试题系列的第六弹。前五弹我们聊了 Agent 核心架构、记忆与上下文、工具与安全、MCP 协议、Prompt 与 Skill 系统。今天聊产品化工程。

一个 Agent 从“能跑起来”到“用户愿意天天用”，中间隔着的不是一两个算法突破，而是一大坨工程细节。终端渲染怎么做？代码改完了编译错了怎么办？文件改坏了怎么回滚？后台任务怎么不丢？外部系统怎么调你？图片怎么传进来？

这一弹对应 PaiCLI 的第 16-21 期，一共 13 道题。面试官在这个方向考的不是你能不能手写 ANSI 转义码，而是你有没有产品化的工程思维——知道用户会在哪里摔跤，提前把安全网铺好。

大家好，我是二哥呀。

AI Agent 面试题系列第五弹，这次聊的是Prompt 工程与 Skill 系统。

前面四弹我们把 Agent 核心循环、工具安全、上下文管理、多模型适配都过了一遍。但你有没有想过一个问题——同样的工具集、同样的模型，为什么有些 Agent 做出来像专家，有些像实习生？差距就在 prompt 上。

Prompt 是 Agent 的灵魂。写得好，Agent 知道什么时候该用什么工具、碰到异常该怎么处理；写得烂，Agent 就跟无头苍蝇一样瞎转。

而 Skill 是把 prompt 工程化的手段——从“一坨几千字的 system prompt”进化成“按场景按需加载的专家手册”。这个设计直接影响 token 消耗和 Agent 行为质量。

content

01、Function Calling 的原理是什么

老王开门见山：“很多人觉得大模型能‘调用工具’很神奇，你给我讲讲 Function Calling 到底是怎么回事。”

Function Calling 是一个协议约定。

客户端在请求里声明有哪些工具可以用，包括工具名、功能描述、参数的 JSON Schema。LLM 在生成响应的时候，如果判断当前任务需要工具辅助，它会在响应里输出一段 JSON，告诉客户端“我想调用这个工具，参数是这些”。然后客户端拿到这段 JSON，自己去执行对应的逻辑，把执行结果包装成 tool message 塞回对话历史，再请求一次 LLM，LLM 看到结果继续推理。

前言

3.3 万字 180 张手绘图，详解 41 道 Spring 面试高频题（让天下没有难背的八股），面渣背会这些 Spring 八股文，这次吊打面试官，我觉得稳了（手动 dog）。整理：沉默王二，戳转载链接，作者：三分恶，戳原文链接。