AI Agent 系统学习与面试手册

AI Agent（智能体） 是围绕目标、根据当前信息选择行动，并利用行动结果继续推进任务的系统。本手册讨论以大语言模型为决策核心的 Agent。

从概念、组成和运行机制开始，理解模型、工具、上下文、检索、记忆与规划怎样协作。图解和同一个政策助手案例把知识串起来，Python 实验与面试追问帮助你检查理解。阅读正文可以直接开始，动手部分需要 Python 基础。

当前包含 10 章基础、18 章进阶、110 道详解题，覆盖运行机制、模型接入、数据处理、服务交付与质量优化。

先用三道题检查自己的薄弱点 →：引用存在，回答为什么仍会错？创建工单超时，能不能再发一次？设计企业知识库 Agent，应该从哪里开始？先口述，再展开短答与追问，最后按需要进入完整解析和学习章节。试读无需安装或配置密钥。

需要先看全貌，可以查看 知识主线与阅读顺序。

从组成看懂协作

小明问：“2026年11月12日去海岚出差，住宿每晚650元，超过标准吗？”本例的普通员工类别由可信档案提供。模型要读懂问题，工具负责取得适用制度，任务记录保留日期与已查资料，规划决定先查什么、还缺什么。运行时把这些能力组织成连续的过程。进入章节完整讲解

基础原理与工程进阶两部分保留完整讲解，能够按章节连续学习；独立面试题提供短答、深入解析与追问，供复习和查漏。代码和实验作为理解后的进一步练习。图解帮助你看清信息如何流动，追问用来检查能否用自己的话说清。

按目录阅读可打开 在线学习手册。遇到术语，可查作者的 AI编程字典；需要更多图解与工程文章，可选读 Agent技术博客。

基础原理

从概念和运行机制讲起，结合图解、案例与实验理解 Agent。基础部分先回答“是什么、为什么需要、怎样工作”，再用同一个政策助手串起概念。模型与输入、行动与知识、状态与规划、质量与可靠性四条线相互连接；具体章节关系见 知识主线。

学习阶段	章节	核心产出
模型和输入	01 组成与协作 · 02 LLM 原理 · 03 上下文	画清职责，组织有效证据；数学选做：复算注意力
行动与知识	04 工具循环 · 05 工具/MCP · 06 RAG	读执行轨迹，定义工具合同，检查检索链路
状态与协作	07 记忆 · 08 规划与多 Agent	管理状态与版本，解释协作和恢复的边界
质量与交付	09 评测 · 10 可靠性与安全	定义指标与终态，处理失败和越权

完整目录与阅读顺序 · 术语回查 · 基础原理参考资料 · GitHub 学习资源深度调研

工程进阶

深入长任务、系统设计、故障恢复与质量优化。沿同一个政策研究助手案例，结合 GitHub 项目、技术博客、官方文档、协议和论文，从运行机制走到设计练习，再用轨迹、故障和评测判断改进。下表按主题帮助查找；章节编号用于定位，阅读顺序可按学习目标选择。

学⁠习⁠主⁠题	章节	核心产出
运⁠行⁠基⁠础	01 Harness · 02 持久执行 · 03 上下文工程 · 04 记忆与技能	长任务交接、恢复状态图、上下文与记忆合同
能⁠力⁠组⁠织	05 工具路由/MCP · 06 Agentic RAG · 07 多 Agent · 08 编码与计算机操作	工具选择、证据策略、协作图和操作环境
质⁠量⁠优⁠化	09 评测反馈 · 10 性能与推理 · 11 安全治理 · 12 Agent 训练	回归集合、共享预算、授权边界与训练决策
应用主线	13 模型API · 14 知识摄取 · 16 任务服务	模型往返、可更新索引与可恢复的HTTP任务
方向选读	15 SQL分析 · 17 事件订阅 · 18 媒体与语音	统计核验、主动任务、证据关联与播放打断

建议动手顺序为13→16最小服务→14→16发布运维；SQL按数据分析方向选读，之后再推进事件和媒体专题。

完整进阶路线 · 贯穿项目工作坊 · 官方知识体系 · 机制实验

每章都有对应的 3 篇进阶题文章。先读场景和机制，再闭卷说短答，最后展开详细答案与案例。遇到不会的追问，可以直接回到学习章节补上那一步。

知识地图

Q001–Q056 覆盖基础与通用工程，Q057–Q110 对应18章工程进阶，采用相同的详解与案例标准。正文按知识关系完整讲解，面试题按问题组织回答与追问；学习和复习可以沿两种入口往返。

模块	题号	你应当能够解释
Agent 与 LLM 基础	Q001–Q008	Agent 边界、Transformer、训练与推理、模型适配
规划与编排	Q009–Q016	循环、ReAct、状态、恢复、并发与多 Agent 取舍
RAG 与检索	Q017–Q024	分块、检索、重排、权限、归因与评测
工具、记忆与协议	Q025–Q032	Schema、执行边界、MCP、上下文和持久记忆
评测与可观测性	Q033–Q040	数据集、失败归因、Judge 偏差、成本与延迟
可靠性与安全	Q041–Q048	重试、幂等、人审、注入、隔离与故障恢复
系统设计与项目表达	Q049–Q056	需求、架构、验收、真实贡献与可复现证据
18 章进阶面试	Q057–Q110	系统机制、模型接入、摄取、SQL、任务服务、事件与媒体

每天怎么学

每天可以只解决一个能说清的问题：读案例，预测下一步，运行或手算一次，再口述关联题。面试复习时，每天闭卷回答 3–5 题，读解析、答追问，最后留一个微练习结果。

别急着把每页都涂成已读。对同一个例子加一句“这时网络断了呢”，往往比多背三个框架名更能发现缺口。

只阅读文档无需安装。默认离线工具需要 Python 3.10+，仅使用标准库，无需联网、安装依赖或配置密钥；可选live路径需要单独提供供应商凭据。在仓库根目录运行：

# 抽 5 题，只显示问题，先口述再看答案
python3 scripts/study.py draw --count 5

# 只练54道进阶题
python3 scripts/study.py draw --topic docs/advanced/ --count 3

# 查看单题回答、追问和练习
python3 scripts/study.py show Q001
python3 scripts/study.py show Q060

# 自评分：0 不会；1 提示后会；2 独立说清；3 能追问并举证
python3 scripts/study.py review Q001 --score 2

# 查看到期题目、尚未学习的题目和进度
python3 scripts/study.py due
python3 scripts/study.py stats

# 观察驱动的政策任务与独立评分
python3 -m examples.policy_agent eval --suite all --mode offline --output .local/policy_agent/all-report.json

# 隔离的执行器边界实验
python3 examples/agent_lab/lab.py --scenario all

# 复算 Attention、余弦、RRF 与检索指标
python3 examples/foundations/math_lab.py --section all

# 验证多次尝试指标、共享预算、关键路径与崩溃恢复
python3 examples/advanced/runtime_lab.py --scenario all

六组新实验的命令与验证边界见 模型协议、知识摄取、SQL分析、任务服务、事件订阅及 媒体播放。默认离线检查可重复运行，真实模型入口需要自行配置凭据。

复习记录保存在 .local/study-progress.json，默认不进入 Git。日期间隔规则详见 复习说明。

理解以后，再用实验和项目加深

想亲手观察工具往返，可以选做 00 · 走完一次任务。政策实验提供查询、澄清、旧资料与恢复的可运行过程；阅读概念章节不必先安装或运行它。

7 天项目实验提供从工具循环到真实模型接入的验收步骤。旧执行器实验使用固定脚本；新增政策实验提供观察驱动规则、持久状态和本地授权/恢复替身。模型接入状态、模拟权限与生产系统之间的边界见各实验README；项目经历和线上效果须用自己的实测填写。

准备面试时使用 模拟面试、项目表达模板 和 错题复盘模板。所有业务数据、项目职责和指标请用自己的真实材料填写。

参与完善

读到不准确的解释、遇到跑不通的示例，欢迎反馈；有值得分享的面试经验或实战做法，也欢迎一起补充。

• 纠错与补充：通过 Issue 注明题号或章节位置，写下修改建议，尽量附上参考来源。
• 分享经验与案例：欢迎通过 Pull Request 补充面试追问、答题思路或实战案例，让下一位读者少绕一点弯。
• 反馈代码问题：提交 Issue 时，请说明运行环境、复现步骤，以及预期结果和实际表现，方便定位与修复。

内容格式、引用要求和提交前检查见 贡献指南。

参考资料与延伸阅读

想查原论文、官方文档，或继续挑选外部项目与教程，可以打开 资料索引，按当前问题选读。

本文档与代码为本仓库原创整理，采用 MIT License。引用的资料、外部项目和商标归各自权利人所有；其内容适用原项目许可。这里只链接外部资料，不搬运其题库、插图或模板。