前面我们分别啃透了原理和架构这一篇的任务是把散落的知识点连成一张网。面试官的问题千变万化但底层逻辑永远绕不开这几条主线。这篇文章就是为你准备的「考前速查表」——不求面面俱到但求一击必中。一、知识主线一条从模型到系统的进化链面试时不要孤立地看待 LLM、RAG 或 Agent。你应该心里装着这样一条进化链LLM大脑→ RAG外接知识→ Memory记忆→ Function Calling手→ Agent自主体→ MCP工具标准/ A2A协作标准这条链回答了一个核心问题如何把一个只会预测下一个词的统计模型升级成一个能自主完成复杂任务的系统。LLM 提供了基础的认知和推理能力地基RAG 解决了知识的时效性和准确性外接硬盘Memory 解决了状态的连续性和经验积累内存与硬盘管理Function Calling 提供了改变外部世界的能力双手Agent 将上述能力封装成自主决策的主体操作系统MCP / A2A 则分别解决了工具接入的标准化和多智能体协作的社会化问题USB 接口与互联网协议。理解了这条链你就有了宏观视角。无论面试官从哪个切口切入你都能把它放回这条链上讲清它的上下游关系。二、8 道高频题 × 答题要点速查表这 8 道题覆盖了 90% 的第一轮面试。建议熟读形成肌肉记忆。高频题一句话答题锚点核心得分点大模型和小模型的本质区别规模催生涌现能力推理、泛化但选型要看场景小模型在实时控制、隐私敏感、成本敏感场景下反而更优。为什么要用 RAG破解知识冻结时效性和幻觉编造问题让模型从闭卷考试变为开卷答题。RAG 完整链路有哪些坑不止于检索分块粒度语义完整性、Query 改写意图澄清、Rerank 重排精度优化、知识冲突信谁。100 轮对话怎么不失忆又不烧钱分层记忆架构短期Context/KV Cache保热度长期Vector DB/Graph保关键事实配合记忆压缩与动态遗忘。Agent 和传统对话 AI 的区别自治性 多步推理 工具调用。Agent 是目标导向、主动规划的而对话 AI 是被动响应、单轮优化的。Function Calling 是什么让 LLM 具备执行能力。通过结构化输出来调用外部 API/工具突破预训练知识的边界。MCP 解决了什么终结 Function Calling 的碎片化。统一工具定义与通信规范是AI 界的 USB-C降低集成成本。A2A 和 MCP 竞争吗互补绝不竞争。MCP 管 Agent调用工具汽修工用扳手A2A 管 Agent互相协作汽修工找供应商。三、面试官的三个隐藏评分项无论你回答哪道题面试官的大脑里其实都在默默给你打三个维度的分。看透这三点你就能在回答中精准投喂他们想要的信息。1. 能力边界的清醒度清醒感面试官最怕招到一个大模型原教旨主义者——觉得万物皆可 LLM。高分表现主动提及大模型的短板幻觉、延迟、成本并明确指出哪些场景不适合用它。话术示例虽然大模型能做这件事但考虑到合规要求和毫秒级延迟这里我会选择用规则引擎或小模型来处理……2. 确定性与不确定性的博弈感工程感Agent 系统 确定的代码逻辑 不确定的 LLM 推理。高分表现能清晰划分两者的边界。知道哪里要留给 LLM 做模糊决策理解意图、生成文本哪里必须用硬编码锁死资金扣减、权限校验、SQL 执行。话术示例我会用 LLM 提取用户的订单意图和参数但在执行最终的支付动作前必须通过一段确定性的代码进行余额校验和风控检查……3. 工程化的成本意识商业感技术是为业务服务的而业务永远逃不开成本。高分表现在讨论方案时主动提及 Token 消耗、推理延迟、并发成本并在效果和成本之间做权衡。话术示例为了节省成本我们可以对长文本先做摘要压缩再进 Context或者用更小的模型做初筛只有复杂推理才调用 GPT-4……▎总结从做题家到架构师面试官不缺会写代码、会调 API 的人缺的是对大模型能力边界有清醒认知、又能用严谨工程思维约束它的人。当你在面试中开始主动谈论稳定性、成本、取舍而不是一味炫耀模型的参数规模和推理能力时你的专业度就已经跃然纸上了。记住最好的 Agent 架构不是堆砌最复杂的技术而是在约束条件下找到最优解。 祝面试顺利。