美团 AI-Agent 开发一面面经

《面试题目》

1. 自我介绍，讲技术背景和 Agent 相关经历。
2. 挑一个最有代表性的项目，讲业务背景、技术方案、最终效果。
3. 除了这个，还参与过什么项目？
4. 为什么用 Markdown 做记忆管理？相比 RAG 有什么考虑？
5. 记忆更新时怎么保证语义匹配的准确性？匹配错了怎么处理？
6. 为什么用 Agent Teams 架构？相比 Workflow 编排有什么优势？
7. 如果线上要求全流程自动化、不依赖人工审核，你怎么设计机制保证稳定和可靠？
8. 一个 Agent 要调多个工具时，执行流程怎么设计？调用顺序怎么管？
9. 模型调用外部工具的底层机制是什么？模型怎么决定调哪个？
10. 一个 Agent 系统通常包含哪些核心模块，各承担什么职责？
11. 短期记忆和长期记忆怎么理解？各自有哪些实现方式？
12. MCP 是什么？它解决 Agent 开发里的什么问题？
13. 如果工具描述写得不好，模型选错工具，你从哪几层改？
14. 你的方案里，哪一部分是真正 impact 到指标的？

《参考解析》

Markdown 记忆 vs RAG：Markdown 适合存少量、结构化、需要人可读可编辑的长期偏好和事实，更新是显式覆盖，检索靠文件路径或关键词；RAG 适合大规模、非结构化知识，靠向量召回但会有切分和召回误差。两者不是替代关系，常见做法是“Markdown 存稳定画像与规则，RAG 存海量文档”，检索时先读记忆再按需查库。记忆更新要带来源、时间和置信度，写入前做去重与冲突检测，匹配错时以显式规则或人工确认兜底，并保留回滚。

Agent Teams vs Workflow：Workflow 的路径是预先编排的，可控、可测试、成本稳定；Agent Teams 让多个角色自主分工，适合开放任务和需要并行探索的场景，但会带来通信开销、状态同步和不可复现。选择标准是任务的不确定性：步骤固定就用 Workflow，需要动态决策才上多 Agent。全自动化要做的不是“相信模型”，而是加沙箱、权限边界、工具白名单、重试与熔断、关键节点校验、可观测性和人工兜底开关。

工具调用：模型根据工具名、描述和参数 schema 生成调用请求，运行时做参数校验、权限检查和超时控制，再把结果作为 observation 回填。工具选错要分层改：先改描述和参数命名，让模型能区分；再加少量示例和路由规则；仍不行就把相似工具合并或加前置分类器；最后用评测集回归。真正影响指标的通常不是“用了多新的框架”，而是任务成功率、端到端时延、token 成本和 badcase 归因这套评测闭环。