欢迎大家来到【Agent与RAG应用面试频道】，本频道共收集了22道高频面试考题，每篇文章即是一道高频考题，欢迎大家学习与使用。本频道的内容会不断更新，且会长期维护，有问题随时找站长反馈即可。另外，本频道面试考题最终会汇总成《大模型高频面试100题》，大家在网上搜索“大模型高频面试100题”或者“面试天下网”即可找到这些面试题。目前，总共收录88道高频面试考题。
这些面试考题，初看是面试八股文，背一下即可；再看则是一份职业规划，了解大模型领域的四大细分方向，你可以明确自己的职业发展，选择感兴趣的方向深入挖掘，国内头部大模型公司普遍在招 CUDA 方向的工程师，频道二则是你的关注热点；三看则是一份知识图谱，帮你构建自己的知识体系，你会发现每一道面试题凝聚的都是重点枢纽知识，可以四通八达引出更多的知识点形成一大块知识。
站长提醒：在读书的时候，如果带着问题去读，那么学习效果是最好的。道理类似，面试题并不是仅限于面试前的突击背题，而是贯穿学习和职业生涯。对此，我深有体会，虽然我做深度学习和大模型多年，积累了不少的开发实战经验，但是当我整理和校对这些面试题的时候，依然有很多收获。一个东西，你只有自己切身使用过，感觉好才会分享给别人。这些面试题目都是我亲自整理，我感觉真的有价值，所以才分享给大家。
大模型函数调用（Function Calling）详细介绍
Function Calling 在 Agent 系统中的作用是什么？如何设计工具描述、参数 schema 和错误处理，才能提高工具调用的准确率和鲁棒性？
Agent 的记忆机制如何设计？短期记忆、长期记忆、工作记忆分别怎么存储和检索？如何避免记忆污染和上下文爆炸？
什么是 Agent 的规划能力？ReAct、Plan-and-Execute、Reflexion 等模式各自适合什么任务？它们的主要缺陷是什么？
如何评估一个 RAG 系统的效果？检索阶段和生成阶段分别应该看哪些指标？没有标注数据时怎么办？
HyDE是什么？HyDE会在面试中出考题吗？HyDE面试题有那些？
在多轮对话场景下，用户问题往往依赖上下文。如何做查询改写（Query Rewriting）或查询扩展，才能让 RAG 检索到正确文档？
RAG 调优：如何提升检索增强生成的准确率？
全面解读从LangChain到LangGraph的技术变迁之路
Tool Calling 是什么？一文讲清原理、流程与实战
如何缓解 RAG 中的幻觉问题？除了“让模型只根据检索内容回答”，还有哪些工程和提示词层面的手段？
重排序（Rerank）在 RAG 中解决什么问题？Cross-Encoder 和 Bi-Encoder 的区别是什么？引入重排序后如何平衡延迟和效果？
向量检索和关键词检索各自的优缺点是什么？在什么情况下必须使用混合检索？混合检索中如何做分数融合或结果融合？
文档切分（Chunking）策略会直接影响 RAG 效果。固定长度切分、按语义切分、按标题层级切分、滑动窗口切分各自适合什么场景？如何评估切分质量？
在 RAG 系统中，如何设计一个完整的检索链路？从文档切分、向量化、索引、召回、重排序到最终生成，每一步的关键取舍是什么？
什么是语义搜索？它与关键词搜索有何不同？
RAG 基本流程详解（面试核心版）
RAG与微调的区别、适用场景及面试指南
Planning、Memory 与 Tool Use 如何协同？
Prompt Engineering 在智能体中的作用
如何构建具备“自主学习能力”的 Agent？——面试题深度解析
AI Agent如何执行长期任务？面试题深度解析