# 面试题

118 篇文章

与「面试题」相关的全部文章。

主流的 AI Agent 框架有哪些？

一、LangChain / LangGraph LangChain：LLM 应用编排，支持工具、记忆、RAG。 LangGraph：基于图的 Agent 编排，适合复杂多步任务。生态最丰富，社区活跃。二、AutoGen 微软出品，多 Agent 对话框架。支持多个 Agent 协作，角色灵活。

2026-09-13

AI Agent 的记忆机制？

一、短期记忆当前对话上下文。受 LLM 上下文窗口限制。太长会丢失早期信息，浪费 token。二、长期记忆向量数据库存储历史交互、知识。检索相关记忆注入上下文。支持跨会话记忆。三、记忆类型情景记忆：具体的交互经历。语义记忆：事实和知识。程序记忆：技能和流程。四、记忆管理写入

2026-09-13

AI Agent 如何调用工具？

一、Function Calling LLM 支持的函数调用能力。开发者定义工具 schema（名称、参数、描述），LLM 决定是否调用及参数，返回结构化 JSON。二、流程定义工具：名称、描述、参数 JSON Schema。用户提问，LLM 判断需要调用工具。 LLM 返回工具名和参数。应

2026-09-13

ReAct 模式是什么？

一、定义 ReAct = Reasoning + Acting，是 Agent 的经典工作模式。交替进行推理和行动。二、流程 Thought（思考）：分析当前状态，决定下一步。 Action（行动）：调用工具或执行操作。 Observation（观察）：获取执行结果。循环 1-3，直到任务完成。

2026-09-13

什么是 AI Agent？

一、定义 AI Agent 是能感知环境、自主决策并执行动作的智能体。它能基于目标，自主规划、调用工具、执行任务，而不仅仅是回答问题。二、核心能力感知：理解用户输入和环境状态。规划：把目标拆解为步骤。记忆：短期（对话上下文）和长期（向量库）记忆。工具调用：调用搜索、代码执行、API 等工具

2026-09-13

RAG 系统的优化手段？

一、检索优化分块优化：合理的块大小和重叠。 Embedding 优化：用更适合的模型，微调。混合检索：向量 + 关键词，提升召回。重排（Rerank）：用 Cross-Encoder 对检索结果重排序，提升精度。查询改写：用 LLM 改写用户问题，提升检索效果。多查询：生成多个相关问题分别

2026-09-13

如何评估 RAG 系统的效果？

一、评估维度检索质量：检索到的文档是否相关。生成质量：回答是否准确、完整、流畅。端到端效果：整体回答是否满足用户。二、检索评估指标 Recall（召回率）：相关文档中被检索到的比例。 Precision（精确率）：检索到的文档中相关的比例。 MRR：第一个相关文档的排名倒数。 NDCG：考虑

2026-09-13

RAG 中的文档分块策略？

一、为什么要分块文档太长无法直接向量化（Embedding 有 token 限制），且 LLM 上下文有限。分块后每块独立检索。二、分块方法 1. 固定长度分块按 token 数切分，如每块 500 token，重叠 50 token。 - 优点：简单。 - 缺点：可能切断语义。 2. 按结构

2026-09-13

RAG 中的 Embedding 和向量数据库？

一、Embedding（嵌入）把文本转换为高维向量（如 768/1024 维），语义相近的文本向量距离近。二、向量数据库专门存储和检索向量的数据库，支持相似性搜索。 Milvus：开源，高性能，分布式。 Pinecone：云服务。 Weaviate：开源，支持混合检索。 Chroma：轻量，适

2026-09-13

什么是 RAG？

一、定义 RAG（Retrieval-Augmented Generation，检索增强生成）把外部知识检索和大语言模型生成结合起来。先从知识库检索相关文档，再让 LLM 基于检索结果生成回答。二、解决的问题 LLM 知识截止，不知道最新信息。 LLM 幻觉，编造内容。 LLM 不知道企业私有知识

2026-09-13

Elasticsearch 性能优化？

一、写入优化批量写入（Bulk API），减少网络开销。增加 refresh_interval（如 30s），减少 refresh 频率。关闭副本，写完再开。用 SSD 存储。 TransLog 异步刷盘。二、查询优化用 filter 替代 query 做过滤。避免深度分页，用 sea

2026-09-13

Elasticsearch 集群架构？

一、节点角色 Master：管理集群元数据，选举。 Data：存储分片数据，执行 CRUD、搜索。 Ingest：数据预处理（pipeline）。 Coordinating：路由请求，合并结果。 Machine Learning：机器学习。 Remote Cluster：跨集群搜索。二、分片 In

2026-09-13

Elasticsearch 常用查询类型？

一、全文查询 match：对查询词分词后匹配。 match_phrase：短语匹配，词序固定。 multi_match：多字段匹配。 query_string：支持 Lucene 查询语法。二、精确查询 term：精确匹配不分词的值。 terms：多值精确匹配。 range：范围查询。 exist

2026-09-13

Elasticsearch 的倒排索引原理？

一、定义正排索引：文档 → 词列表。倒排索引：词 → 文档列表。二、构建过程文档内容分词，得到词（term）。建立 term → [doc1, doc2, ...] 的映射。记录词频、位置等信息。三、示例文档1：Java 面试文档2：Java 集合文档3：Redis 缓存倒排

2026-09-13

Elasticsearch 的核心概念？

一、核心概念 Index（索引）：类似数据库的表，存储文档。 Document（文档）：JSON 格式的数据，类似行。 Field（字段）：文档中的键值对，类似列。 Shard（分片）：索引分成多个分片，分布在不同节点。 Replica（副本）：分片的副本，高可用。二、集群多个 Node 组成

2026-09-13

如何设计故障容错的系统？

一、冗余多实例部署，避免单点。数据多副本（主从、集群）。多机房部署。二、故障检测心跳检测，快速发现故障。全链路监控，告警。三、故障转移自动切换（哨兵、集群选主）。手动切流（流量调度）。四、降级非核心功能降级，保核心。返回兜底数据。五、熔断下游故障快速失败，防止雪崩。六、

2026-09-13

CAP 定理和 BASE 理论？

一、CAP 定理分布式系统不可能同时满足三个特性，最多满足两个： Consistency（一致性）：所有节点同一时刻看到相同数据。 Availability（可用性）：每个请求都能收到响应（不一定是最新数据）。 Partition tolerance（分区容错性）：网络分区时系统仍能运行。二、C

2026-09-13

微服务高可用设计？

一、无状态服务服务不保存状态，状态存 Redis/DB。多实例部署，负载均衡。任一实例挂了不影响。二、服务发现注册中心（Nacos/Eureka）。服务实例上下线自动感知。客户端负载均衡跳过不健康节点。三、健康检查注册中心心跳检测，不健康实例剔除。 K8s liveness/rea

2026-09-13

MySQL 高可用方案？

一、主从复制 Master 写，Slave 读，异步复制。 Master 挂了需手动切换。可能数据丢失（异步复制延迟）。二、MHA（Master High Availability）自动监控 Master，故障时自动切换。需额外管理节点。三、MGR（MySQL Group Replicat

2026-09-13

Redis 高可用方案有哪些？

一、主从复制 Master 写，Slave 异步复制数据。读可从 Slave，分担读压力。 Master 挂了需手动切换，不能自动故障转移。二、哨兵模式（Sentinel） Sentinel 监控 Master/Slave 健康。 Master 故障时自动选举新 Master，通知客户端。适合

2026-09-13