文章目录

• • 01 AI Agent 基础概念
  • • 1. 什么是 AI Agent
    • • 1.1 概念解释
      • 1.2 原理详解
      • 1.3 代码示例：最小「思考—行动—观察」循环
      • 1.4 面试问题精选
    • 2. Agent vs LLM Chain vs ChatBot
    • 3. Agent 的核心组成
    • 4. Agent 的工作流程
    • 5. Agent 的分类
    • 6. Agent 的应用场景
    • 7. Agent 的挑战与局限
  • 02 核心框架
  • • 1. ReAct 框架（重点中的重点）
    • • 1.1 概念解释
      • 1.2 核心思想：交替推理与行动
      • 1.3 标准 Prompt 模板
      • 1.4 代码示例：Python 简化版 ReAct 循环
      • 1.5 优缺点分析
      • 1.6 与 Chain-of-Thought（CoT）的区别
    • 2. Plan-and-Execute 框架
    • • 2.1 概念解释
      • 2.2 两阶段模式
      • 2.3 重规划（Re-planning）机制
      • 2.4 代码示例：极简 Planner + Executor
      • 2.5 与 ReAct 的对比
    • 3. Reflexion 框架
    • • 3.1 概念解释
      • 3.2 典型角色分工
      • 3.3 工作流程：Action → Evaluation → Reflection → Retry
      • 3.4 代码示例
    • 4. LATS（Language Agent Tree Search）
    • • 4.1 概念解释
      • 4.2 MCTS 思想（与 Agent 结合的直觉）
    • 5. LangChain Agent 实现
    • • 5.1 核心抽象
      • 5.2 AgentExecutor 工作原理
      • 5.3 代码示例：AgentExecutor 循环本质
    • 6. LangGraph 状态机
    • • 6.1 概念解释
      • 6.2 核心概念
      • 6.3 与 LangChain Agent 的区别
      • 6.4 代码示例：最小状态机草图
    • 7. AutoGen / CrewAI 等多 Agent 框架
    • 8. 模块综合面试题速查
  • 03 RAG 技术
  • • 1. RAG 基础
    • • 1.1 RAG 定义与原理
      • 1.2 为什么需要 RAG
      • 1.3 RAG vs 微调 vs 长上下文 的对比
      • 1.4 Native RAG 完整流程
    • 2. 文档解析与预处理
    • • 2.1 常见工具
      • 2.2 PDF 解析常见坑
      • 2.3 表格和图片的处理策略
      • 2.4 数据清洗与标准化
    • 3. 文档分块策略（Chunking）
    • • 3.1 各种分块策略
      • 3.2 chunk_size 与 chunk_overlap 选择策略
      • 3.3 代码示例：LangChain 各种 TextSplitter
    • 4. 向量化（Embedding）
    • • 4.1 什么是文本嵌入
      • 4.2 常用 Embedding 模型
      • 4.3 代码示例：sentence-transformers（本地 BGE）
    • 5. 向量数据库
    • • 5.1 主流选型对比
      • 5.2 ANN 算法：HNSW、IVF、PQ
      • 5.3 代码示例：FAISS + sentence-transformers
    • 6. 检索策略
    • • 6.1 三种检索方式
      • 6.2 多路检索与结果融合（RRF）
      • 6.3 高级检索技术
    • 7. 重排序（Reranking）
    • • 7.1 为什么需要重排序
      • 7.2 代码示例：CrossEncoder 重排
    • 8. RAG 高级模式
    • 9. RAG 评估
    • • 9.1 评估指标
      • 9.2 RAGAS 框架
    • 10. RAG 生产优化
    • 11. 综合面试题精选
  • 04 工具调用（Tool / Function Calling）
  • • 1. Function Calling 基础
    • • 1.1 什么是 Function Calling
      • 1.2 OpenAI Function Calling 的工作原理
      • 1.3 函数定义（JSON Schema）
      • 1.4 完整代码示例
    • 2. Tool Use / Tool Calling
    • • 2.1 Tool 的定义与注册
      • 2.2 工具描述的最佳实践
      • 2.3 LangChain 中的 Tool 定义
    • 3. MCP 协议（Model Context Protocol）
    • • 3.1 MCP 是什么
      • 3.2 核心组件
      • 3.3 MCP vs Function Calling
      • 3.4 MCP Server 的实现示例
    • 4. 工具路由（Tool Routing）
    • 5. 工具编排（Tool Orchestration）
    • 6. 安全性
    • 7. 常见工具实现
    • 8. 综合面试题精选
  • 05 Memory 记忆系统
  • • 1. 记忆系统概述
    • • 1.1 概念解释
      • 1.2 人类记忆类比（感觉 / 短期 / 长期）
      • 1.3 Agent 记忆的分类体系
    • 2. 短期记忆（Short-term / Working Memory）
    • • 2.1 会话上下文（Conversation Buffer）
      • 2.2 滑动窗口记忆（Window Buffer）
      • 2.3 Token 计数管理
      • 2.4 代码示例：滑动窗口 + Token 预算
    • 3. 长期记忆（Long-term Memory）
    • • 3.1 基于向量数据库的长期记忆
      • 3.2 记忆重要性评分与衰减机制
      • 3.3 面试问题
    • 4. 会话摘要与压缩
    • • 4.1 为什么需要摘要压缩
      • 4.2 增量摘要 vs 全量摘要
      • 4.3 代码示例：LangChain ConversationSummaryMemory
    • 5. 情景记忆与语义记忆
    • 6. 记忆检索策略
    • • 6.1 三种检索维度
      • 6.2 Generative Agents 论文中的记忆检索思想
    • 7. 高级记忆框架
    • • 7.1 MemGPT / MemOS
      • 7.2 Mem0 框架
      • 7.3 记忆图谱
    • 8. 记忆在生产中的挑战
  • 06 Multi-Agent 多智能体系统
  • • 1. 为什么需要多智能体
    • • 1.1 单 Agent 的常见瓶颈
      • 1.2 多 Agent 的优势
    • 2. 三大协作模式
    • 3. 通信机制
    • 4. 任务分配策略
    • 5. 冲突解决
    • 6. 主流多 Agent 框架
    • 7. 生产挑战
  • 07 大模型基础
  • • 1. Transformer 架构
    • • 核心组件速览
      • 缩放点积注意力公式
    • 2. 注意力机制详解
    • • 2.1 关键机制对比
      • 2.2 Flash Attention 原理（核心思想）
    • 3. Tokenization
    • • 3.1 主流分词方法
      • 3.2 中文 Tokenization 的特殊处理
    • 4. 大模型推理
    • • 4.1 核心概念
      • 4.2 代码示例：Greedy + 温度采样
    • 5. 模型微调
    • 6. 对齐技术
    • 7. 模型量化
    • 8. 推理优化
    • 9. 前沿模型与选型
  • 08 工程化实践
  • • 1. 模型路由与容错
    • • 1.1 概念解释
      • 1.2 三态熔断器（Circuit Breaker）
      • 1.3 代码示例：熔断器 + 指数退避
    • 2. Token 成本控制
    • • 2.1 Token 计数方法
      • 2.2 Prompt 精简技巧
      • 2.3 缓存策略（含语义缓存）
      • 2.4 模型选择优化与批量处理
    • 3. 全链路可观测性
    • • 3.1 核心概念
      • 3.2 代码示例：简易 Span + 结构化日志
    • 4. 安全与权限
    • • 4.1 Prompt 注入（Prompt Injection）防御
      • 4.2 工具调用权限控制
    • 5. 部署与运维
    • 6. 性能优化
    • 7. 评估与测试
    • 8. 幻觉问题的工程解决方案
  • 09 Prompt Engineering
  • • 1. Prompt Engineering 基础
    • • 1.1 Prompt 的基本结构
      • 1.2 好的 Prompt 的特征
    • 2. Prompt 设计原则
    • 3. Few-shot Learning
    • 4. Chain-of-Thought（CoT）思维链
    • • 4.1 CoT 的原理
      • 4.2 常见形式
    • 5. 自我反思 Prompt
    • 6. 结构化输出
    • • Pydantic 输出解析
    • 7. System Prompt 设计模板
    • 8. Prompt 注入与防御
    • • 8.1 攻击类型
      • 8.2 防御策略
    • 9. Agent 中的核心 Prompt 模板
    • • 9.1 ReAct Prompt 模板
      • 9.2 Plan-and-Execute Prompt 模板
  • 10 附录：求职实战指南
  • • 10.1 2026年AI Agent企业招聘需求分析
    • • 10.1.1 招聘市场概况
      • 10.1.2 薪资范围（一线城市大厂参考，税前年包）
      • 10.1.3 共性技能需求矩阵
      • 10.1.4 技能优先级排序
      • 10.1.5 针对不同背景的建议
    • 10.2 开源项目学习笔记
    • • Claude Code 源码架构分析
      • 架构模式总结
    • 10.3 AI Agent 项目简历撰写指南
    • • STAR 法则在简历中的应用
      • 数字量化的重要性
      • 各模块简历描述示例
    • 10.4 STAR 面试稿准备指南
    • • 各部分时间控制（总时长 2.5~3.5 分钟）
      • 三分钟完整版本（通用话术模板）
    • 10.5 企业级项目面试问答集
    • • 架构设计类精选
      • 技术实现类精选
  • 总结