腾讯 Agent 开发一面:RAG 链路、Agent 模块与 MCP 的区别
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 自我介绍,挑一个项目展开:从上传文档到返回答案,整条链路怎么走?
- 文档怎么解析、分块?为什么项目里只允许上传一个文件?
- 向量召回耗时怎么测?Rerank 做了什么,怎么评估检索结果和问题是不是匹配?
- Agent 有哪些核心模块?ReAct 是怎么跑起来的?
- 一般几步能完成任务?到了最大步数还没做完怎么办,有没有设置 Plan?
- MCP、Function Call、A2A 怎么区分?接过哪些 MCP 服务,自己手写的话要做哪些事?
《参考解析》
上传到答案的链路:文件上传后先做解析(pdf/docx 转文本,表格与图片单独抽出保留结构),再清洗、按语义或固定长度加重叠切块,每块生成 embedding 写入向量库并带上元数据(来源、页码、小节标题)。提问时先把问题改写或补全上下文,再向量化做近邻召回(常先粗召回几十条),过一遍 rerank 精排取前几条,拼进 prompt 让模型带上引用作答;命中不足就触发二次检索或要求用户澄清。
解析与分块:分块粒度直接影响召回质量——太小丢上下文、太大稀释语义。常见做法是按标题层级先切结构,再在段落边界上按 token 数切、相邻块留 10%~20% 重叠;表格单独序列化(行列转成文本或 markdown),图片走 OCR 或图文模型生成描述再挂到块上。只允许上传一个文件通常是产品与工程上的取舍:一是文档级隔离,检索范围明确、引用好回溯;二是省去跨文档去重与权限判断;三是成本与延迟可控。答的时候最好把「如果放开要多文件要补什么」一起说清。
召回耗时与 Rerank 评估:耗时要在服务端埋点分段测——查询向量化、向量库检索、rerank 各自的 p50/p95,别只报端到端。Rerank 是用交叉编码器对「问题—候选块」逐对打分重排,把语义相关但向量距离不近的块捞回来。评估要有标注集:对每个问题标出正确块,算 Recall@k(正确块有没有进前 k)、MRR 与 nDCG(正确块排得多靠前);没有标注就用大模型做相关性打分再人工抽检。上线后看答案里的引用命中率和用户追问率。
Agent 的核心模块与 ReAct:规划(拆任务、出计划)、执行(工具调用)、记忆(短期上下文与长期存储)、观测与反思(判断结果是否达成)、终止控制。ReAct 就是把「想一步—做一步—看结果」交替进行:模型先输出思考,再输出一次工具调用,环境返回观察结果,循环直到能给出答案。
最大步数与 Plan:一般 3~8 步能完成多数任务,复杂任务十几步。设最大步数是防死循环与成本失控:到了上限要么把已有的中间结果整理成阶段性答复并说明还差什么,要么主动问用户要更多信息。Plan 值得加——先让模型给出步骤列表再逐步执行,既能让用户提前纠偏,也能在中断后从某一步继续。
MCP、Function Call、A2A:Function Call 是模型输出「我要调哪个函数、参数是什么」的能力,是单个模型与工具之间的协议;MCP 是把工具/资源/提示词标准化成服务端,任何客户端都能接同一套,解决的是「工具怎么复用、怎么跨应用共享」;A2A 是 agent 与 agent 之间的协作协议,解决的是「多个 agent 怎么分工、交接任务」。自己写一个 MCP 服务要做:定义 tools 的 name/description/输入 schema、实现调用逻辑、处理错误与超时、声明能力与鉴权,再接到客户端上跑通。