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》
- 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?
- 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?
- 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?
- LangChain 和 LangGraph 的区别?LangGraph 为什么适合做循环、图流转?
- 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?
- 模型生成工具参数出错如何处理?
- Agent 工具调用的边缘 case 有哪些?
- 工具调用错误怎么处理?重试策略怎么设计?
- 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?
- 什么是 Agent Harness,解决什么问题?
- 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?
- 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?
- 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。