为 AI Agent 工程面试整理
目前收录 3 道题，覆盖 Planning、可观测性、工具调用和长期记忆。 每道题包含核心结论、完整解析、相关图示和常见追问。
Planning 通常不是单独由框架或大模型完成，而是两者协作：大模型负责理解目标、生成或调整计划，框架和 Runtime 负责定义计划结构、保存状态、调度步骤、校验结果、处理失败并控制停止。常见实现包括隐式 ReAct、显式 Plan-and-Execute、固定 Workflow / DAG、分层 Planner、Multi-Agent Planning，以及“模型规划 + 规则约束”的混合方案。
把相互关联的题放在一起阅读。
先看核心结论，再进入完整解析。
Planning 通常不是单独由框架或大模型完成，而是两者协作：大模型负责理解目标、生成或调整计划，框架和 Runtime 负责定义计划结构、保存状态、调度步骤、校验结果、处理失败并控制停止。常见实现包括隐式 ReAct、显式 Plan-and-Execute、固定 Workflow / DAG、分层 Planner、Multi-Agent Planning，以及“模型规划 + 规则约束”的混合方案。
查看解析Agent 的可观测性不能只靠普通日志。生产环境需要用统一 Trace 串联目标、模型决策、Tool 调用、Observation、State Transition、外部副作用以及 Token、延迟和成本指标。故障定位时应沿轨迹寻找 first upstream failure，也就是第一个让系统偏离正确路径的上游节点，而不是只修最后的错误回答。
查看解析不能简单规定“永远相信当前会话”或“最新信息覆盖旧信息”。系统应先区分信息类型和适用范围，再综合权限级别、来源可信度、时间、置信度与业务风险做决策。对用户偏好和当前任务约束，当前会话中的明确表达通常优先；对账户状态、订单结果等可验证事实，应以权威业务系统为准。无法安全判断时要保留冲突并向用户确认，而不是让模型自行猜测。
查看解析选择一道题，计时作答。参考答案默认隐藏。