一、RAG（检索增强生成）⭐⭐⭐

面试题1：什么是RAG？解决什么问题？

标准答案（背诵版）：
RAG是Retrieval-Augmented Generation的缩写，检索增强生成。它解决了LLM的三大问题：

1. 知识过时：模型训练后无法获取最新信息
2. 幻觉问题：模型会编造不存在的内容
3. 领域知识缺失：通用模型缺少企业私有数据

工作流程（必背）：

1

用户提问 → 向量化查询 → 检索知识库 → 拼接上下文 → LLM生成答案

面试题2：RAG的技术实现流程？

标准答案：

1. 离线阶段：

   • 文档切片（Chunking）：将长文档切成512-1024 token的片段
   • 向量化（Embedding）：用模型（如text-embedding-ada-002）转成向量
   • 存储：保存到向量数据库（Pinecone/Milvus/Chroma）

2. 在线阶段：

   • 用户问题向量化
   • 相似度检索（余弦相似度/欧氏距离）
   • Top-K召回（通常K=3-5）
   • 构造Prompt：根据以下资料回答：[检索内容] 问题：[用户问题]
   • LLM生成答案

面试题3：RAG的优化策略？

必背要点：

1. Chunking优化：重叠切片（overlap 50-100 tokens）避免语义断裂
2. 混合检索：向量检索 + 关键词检索（BM25）
3. 重排序（Rerank）：用专门模型对召回结果重新打分
4. 查询改写：用LLM优化用户问题，提高召回率
5. 引用溯源：返回答案时标注来源文档

二、MCP（模型上下文协议）⭐⭐⭐

面试题4：MCP是什么？和Function Calling有什么区别？

标准答案：
MCP是Model Context Protocol，由Anthropic提出的标准化协议，让AI能统一调用各种外部工具。

与Function Calling的区别：

面试题5：MCP的架构组成？

必背架构（三层）：

1
2
3
4
5

AI应用层（Client）
    ↓ MCP协议
MCP Server层（工具提供方）
    ↓ 实际调用
外部服务层（数据库/API/文件系统）

核心概念：

1. Resources：可读取的数据源（文件、数据库记录）
2. Tools：可执行的操作（搜索、计算、API调用）
3. Prompts：预定义的提示词模板

面试题6：如何实现一个MCP Server？

标准实现步骤：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

// 1. 定义工具
const tools = [{
  name: "search_database",
  description: "搜索用户数据库",
  inputSchema: {
    type: "object",
    properties: {
      query: { type: "string" }
    }
  }
}];

// 2. 实现工具逻辑
async function handleToolCall(name, args) {
  if (name === "search_database") {
    return await db.query(args.query);
  }
}

// 3. 启动MCP Server
const server = new MCPServer({
  name: "my-database-server",
  version: "1.0.0",
  tools,
  onToolCall: handleToolCall
});

配置文件（mcp.json）：

1
2
3
4
5
6
7
8
9

{
  "mcpServers": {
    "database": {
      "command": "node",
      "args": ["./mcp-server.js"],
      "env": { "DB_URL": "..." }
    }
  }
}

三、Agent（智能体）⭐⭐⭐⭐⭐

面试题7：Agent和普通LLM应用的区别？

标准答案：
普通LLM：一问一答，被动响应
Agent：能自主规划、使用工具、多轮迭代直到完成任务

Agent的核心能力（必背）：

1. Planning（规划）：将复杂任务分解为子任务
2. Tool Use（工具使用）：调用外部API/数据库/搜索引擎
3. Memory（记忆）：记住历史对话和中间结果
4. Reflection（反思）：评估执行结果，调整策略

面试题8：Agent的工作流程（ReAct模式）？

必背流程：

1
2
3
4
5

1. Thought（思考）：分析任务，决定下一步
2. Action（行动）：选择工具并执行
3. Observation（观察）：获取执行结果
4. 循环1-3，直到任务完成
5. Final Answer（最终答案）：输出结果

实际例子：

1
2
3
4
5
6
7
8
9
10
11

用户：帮我查北京明天天气，如果下雨就推荐室内活动

Thought: 需要先查天气
Action: call_weather_api(city="北京", date="明天")
Observation: 明天北京有雨，温度15-20℃

Thought: 确实下雨，需要推荐室内活动
Action: search_activities(type="室内", city="北京")
Observation: 找到博物馆、电影院、商场等

Final Answer: 明天北京有雨，推荐去国家博物馆或看电影...

面试题9：SubAgent是什么？什么时候用？

标准答案：
SubAgent是专门处理特定子任务的Agent，由主Agent调用。

使用场景：

1. 任务分解：主Agent负责规划，SubAgent执行具体任务
2. 专业领域：代码生成Agent、数据分析Agent、测试Agent
3. 并行处理：多个SubAgent同时执行独立任务

架构示例：

1
2
3
4

主Agent（任务协调）
  ├─ 代码生成SubAgent
  ├─ 代码审查SubAgent
  └─ 测试执行SubAgent

四、Workflow（工作流）⭐⭐⭐

面试题10：AI Workflow的常见模式？

必背四种模式：

1. Sequential（顺序链）：

1
2

输入 → 步骤1 → 步骤2 → 步骤3 → 输出
例：文档总结 → 翻译 → 润色

2. Parallel（并行）：

1
2

输入 → [步骤1, 步骤2, 步骤3] → 合并 → 输出
例：同时调用多个搜索引擎，汇总结果

3. Conditional（条件分支）：

1
2

输入 → 判断 → 分支A / 分支B → 输出
例：情感分析 → 正面回复 / 负面转人工

4. Loop（循环）：

1
2

输入 → 执行 → 检查 → 未完成则继续 → 输出
例：代码生成 → 测试 → 失败则重新生成

面试题11：如何设计一个代码审查Workflow？

标准设计（必背）：

1
2
3
4
5
6
7
8
9

1. 接收代码变更
2. 并行执行：
   - 静态分析（ESLint/TypeScript）
   - 安全扫描（依赖漏洞检查）
   - AI代码审查（逻辑/性能/可读性）
3. 汇总问题
4. 生成审查报告
5. 如果有严重问题 → 阻止合并
   否则 → 允许合并

实现要点：

• 使用Hook触发（preToolUse/postToolUse）
• 设置超时机制（避免阻塞）
• 结果缓存（相同代码不重复审查）

五、Skills（技能系统）⭐⭐

面试题12：Skills在AI系统中的作用？

标准答案：
Skills是Agent可以学习和复用的能力模块，类似函数库。

核心特点：

1. 可组合：多个Skills组合完成复杂任务
2. 可复用：不同Agent共享相同Skills
3. 可扩展：动态加载新Skills

示例：

1
2
3
4
5
6
7
8

基础Skills：
- 文件读写
- 网络请求
- 数据库操作

高级Skills：
- 代码生成（组合：读文件 + 分析 + 写文件）
- 自动化测试（组合：执行命令 + 解析结果）

六、OpenClaw⭐⭐

面试题13：OpenClaw是什么？

标准答案：
OpenClaw是Captain Claw游戏的开源重制版，使用C++和SDL2开发。

技术栈：

• 语言：C++
• 图形库：SDL2（跨平台2D图形）
• 构建工具：CMake
• 平台：Windows/Linux/macOS

核心模块：

1. 游戏引擎：物理引擎、碰撞检测、动画系统
2. 资源管理：图片、音频、关卡数据加载
3. 输入处理：键盘、手柄输入映射

面试题14：如何在Windows上编译OpenClaw？

必背步骤：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

# 1. 安装依赖
- Visual Studio 2019+
- CMake 3.15+
- SDL2开发库

# 2. 克隆代码
git clone https://github.com/pjasicek/OpenClaw.git
cd OpenClaw

# 3. 创建构建目录
mkdir build && cd build

# 4. 生成项目
cmake .. -G "Visual Studio 16 2019"

# 5. 编译
cmake --build . --config Release

# 6. 运行
./Release/OpenClaw.exe

常见问题：

• SDL2找不到：设置CMAKE_PREFIX_PATH
• 缺少游戏资源：需要原版游戏的CLAW.REZ文件

七、综合面试题⭐⭐⭐⭐⭐

面试题15：设计一个AI代码助手，需要哪些技术？

完整方案（必背）：

1. 基础能力：

   • LLM：Claude/GPT-4作为核心
   • RAG：索引项目代码和文档
   • MCP：连接Git/IDE/测试工具

2. Agent架构：

1
2
3
4
5

主Agent（任务理解）
  ├─ 代码搜索SubAgent（RAG检索相关代码）
  ├─ 代码生成SubAgent（编写新代码）
  ├─ 代码审查SubAgent（检查质量）
  └─ 测试执行SubAgent（运行测试）

3. Workflow设计：

1
2
3

用户需求 → 理解意图 → 搜索相关代码 → 
生成方案 → 编写代码 → 运行测试 → 
测试失败？→ 修复代码（循环）→ 提交代码

4. Skills配置：

   • 文件操作（读/写/搜索）
   • Git操作（commit/push/PR）
   • 命令执行（npm/pytest）
   • 诊断分析（getDiagnostics）

5. 优化策略：

   • 增量索引：只索引变更文件
   • 上下文压缩：只传递相关代码片段
   • 并行执行：多个SubAgent同时工作
   • 结果缓存：相同问题复用答案

面试题16：如何评估AI系统的效果？

评估维度（必背）：

1. 准确性指标：

   • RAG召回率：相关文档是否被检索到
   • 答案准确率：人工评估正确率
   • 幻觉率：编造内容的比例

2. 性能指标：

   • 响应时间：P50/P95/P99延迟
   • Token消耗：成本控制
   • 并发能力：QPS

3. 用户体验：

   • 任务完成率：用户目标达成比例
   • 交互轮次：平均对话轮数
   • 满意度评分：1-5分

4. 系统稳定性：

   • 错误率：API调用失败率
   • 超时率：任务执行超时比例
   • 降级策略：LLM不可用时的备选方案

八、快速记忆口诀

技术栈记忆：

1
2
3
4
5

RAG查知识（向量检索）
MCP调工具（标准协议）
Agent做规划（ReAct循环）
Workflow管流程（顺序/并行/条件/循环）
Skills是能力（可组合复用）

面试万能公式：

1

是什么 → 解决什么问题 → 技术实现 → 优化策略 → 实际案例

高频考点排序：

1. RAG实现流程（必考）
2. Agent的ReAct模式（必考）
3. MCP vs Function Calling（高频）
4. Workflow设计模式（高频）
5. 系统优化策略（加分项）