面灵AI→

千问 AI 研发一面凉经:Agent 设计、工具调用与 LangGraph

轮次
一面
结果
已挂
时间
2026-09
来源
牛客网

《面试题目》

  1. 你理解的 Agent 是什么?什么样的场景适合用 Agent,什么样的场景适合固定 workflow 流程?
  2. Agent 动态调用工具,如何解决模型幻觉问题?哪些部分做固定流程,哪些交给模型决策?
  3. Agent 循环怎么控制?有哪些终止条件?最大循环次数、目标完成校验、重复调用检测、人工介入怎么做?
  4. LangChain 和 LangGraph 的区别?LangGraph 为什么适合做循环、图流转?
  5. 完整的工具调用链路是怎样的?模型生成工具调用 JSON 之后,代码层做什么?
  6. 模型生成工具参数出错如何处理?
  7. Agent 工具调用的边缘 case 有哪些?
  8. 工具调用错误怎么处理?重试策略怎么设计?
  9. 什么是 Skill?Skill 怎么划分粒度?怎么评价一个 Skill 写得好坏?怎么评测 Skill 的效果?
  10. 什么是 Agent Harness,解决什么问题?
  11. Python 是静态语言还是动态语言?静动态的区别?类型转换方面的区别?
  12. ai coding:你的代码设计思路是什么?状态机 / 循环怎么设计?你考虑了哪些边界场景?
  13. 你怎么理解后端、前端、移动端?如果我们的岗位是偏移动端和前端的,你有问题吗?

《参考解析》

Agent 和固定 workflow 的分界线

判断依据是任务路径能不能穷举、输入分布稳不稳定、失败的代价有多大。路径可枚举、要求低延迟可审计(审批流、报表生成、固定口径的数据核对),就该用 workflow,把主干写死,只在不关键的岔路口留人工或模型判断。任务开放、下一步取决于中间结果、工具多且组合爆炸(线上故障排查、跨系统对账、需求调研),才值得上 Agent。工程上常见的落点是混合:workflow 兜住主干和验收标准,Agent 只在局部自由发挥。

幻觉怎么压住

四条一起用:一是约束输出,用 function calling / JSON Schema 把参数结构化,枚举型参数只给合法取值;二是执行前校验,参数类型、范围、资源归属、权限都要在代码层过一遍,不合法就带着结构化错误退回模型;三是把事实从工具里取,不要让模型「回忆」金额、订单号、时间这类关键值;四是高风险操作加一道回查或人工确认。原则是:模型负责决策,代码负责校验和兜底。

循环控制与终止条件

至少要设五类闸门:最大步数(例如 10~15 步)、总 token 与时间预算、无进展检测(同一个工具加同一组参数连续出现 2 次就打断)、目标完成校验(规则断言或另一个模型判定是否达成)、以及高风险写操作挂起等人工确认。另外要有超时和取消传播(用 context 一路传下去),否则子任务会一直挂着。

LangChain 与 LangGraph

LangChain 是组件库加链式编排(LCEL),本质是有向无环的调用链,状态靠调用方自己串,适合一次性的线性流程。LangGraph 是图状态机:显式声明 State、节点(node)、条件边(conditional edge),支持环、分支、并行与回退;配套的 checkpointer 能把每一步状态持久化,从而支持断点续跑、时间旅行调试和 human-in-the-loop。循环、分支、需要恢复的长任务用 LangGraph,简单 RAG 链用 LangChain 就够,不必为此引入图。

完整的工具调用链路

模型输出 tool_call(工具名加 arguments JSON)→ 代码层解析并校验参数 schema → 权限与资源归属过滤 → 执行(带超时、限流、幂等键)→ 结果裁剪压缩后以 tool 角色回填上下文 → 再次调用模型 → 直到不再产生 tool_call 或触发终止条件。回填这一步最容易被忽略:工具返回几万字符会直接把上下文撑爆,要先做摘要或只回传必要字段。

参数出错与边缘 case

高频边缘 case 有:参数缺失或类型错、枚举越界、模型幻觉出不存在的工具名、参数引用了上一步并不存在的 id、超长参数、多个工具并行时互相冲突、工具超时或部分成功、以及重试导致的重复写。处理策略是分级:schema 校验失败回填结构化错误并给一次纠正机会,第二次仍失败就降级到更简单的工具或转人工;重试要区分可重试错误(超时、限流)与不可重试错误(参数非法、权限不足),并对写操作带幂等键,避免重试把数据写两遍。

Skill 的粒度与评测

粒度按「一个可独立验收的能力」来切:有明确输入输出、有验收标准、能被单独调用。切太粗就不可复用,切太细会让模型的选择空间爆炸、选错率上升。评价一个 Skill 写得好不好,看描述能否让模型在几十个候选里选对、参数是否自解释、错误信息能否让模型自我修复、是否幂等、权限边界是否清晰。评测用固定用例集跑:正例、负例、边界、多轮,指标取任务通过率、工具选择准确率、平均步数、单次成本,并把这些指标纳入回归。

Agent Harness 解决什么问题

它指承载 Agent 运行的那层外壳:模型接入与路由、上下文与记忆管理、工具注册与执行沙箱、循环调度、权限与审计、可观测(trace、成本、token)、评测与回归。价值是把每个团队都要重写一遍的「循环加工具胶水」变成可复用基础设施,让业务侧只写 Skill 和工具。

Python 是动态语言

Python 是动态类型语言:变量不声明类型,类型属于对象,绑定发生在运行期;typing 注解只是给静态检查工具和 IDE 用的,运行时不强制。它同时是强类型语言——1 + "1" 会直接抛 TypeError,不像 JavaScript 那样隐式转换。和 C++/Java 这类静态类型语言相比,Python 把类型错误从编译期推到了运行期,代价是重构和大型项目要靠 mypy/pyright 加测试来补。类型转换上 Python 用 int()、str() 这类显式构造,没有隐式窄化转换。

岗位方向不匹配怎么应对

先诚实确认对方的实际工作内容,再表达可迁移的部分(Agent 应用同样要写前端交互和移动端入口,工程能力是通的),并给出愿意补的学习计划。不要在「我就是要做 Agent」上硬顶,也不要在没弄清岗位前就答应。这一面最后明确指出岗位偏移动端和前端、与预期不匹配,说明面试前把岗位职责问清楚能省下彼此一轮时间。