面试

把 LLM、Agent、RAG、Harness 相关知识点练熟，不怕任何追问。

---

高频面试题解析

LLM 基础

问：为什么 LLM 会有幻觉？

答题重点：

• LLM 本质上是在做下一个 token 的概率预测，不是从结构化知识库里查事实
• 当上下文不足、问题超出训练数据、提示不够约束时，模型会生成"看起来合理"的内容
• 工程上通常用工具调用、检索、验证步骤降低幻觉，而不是指望 prompt 彻底消除

问：为什么长 context 会更贵、更慢？

答题重点：

• 输入 token 越多，prefill 阶段计算越大
• 注意力计算和缓存管理都会增加成本
• 工程上会用摘要、检索、分层记忆控制 context 长度

Agent 核心

问：Agent 和普通聊天机器人有什么区别？

答题重点：

• 聊天机器人通常是一问一答
• Agent 有工具、有状态、有多步执行循环，能自主推进任务
• Agent 的难点不是"回答得像不像人"，而是"动作做得对不对"

问：为什么 Agent 需要 ReAct，而不是一次生成全部步骤？

答题重点：

• 多步任务里，后续动作依赖前面工具返回的真实结果
• 一次性规划缺少反馈闭环，容易偏离实际情况
• ReAct 让模型边看结果边调整动作，更适合不确定环境

RAG

问：为什么 RAG 要做 Reranking？

答题重点：

• 初步检索偏召回，相关但未必最适合回答
• Reranking 用更强模型做精排，提升最终上下文质量
• 检索质量不稳定时，Reranking 往往是最直接的提升手段

问：怎么判断 RAG 问题出在检索还是生成？

答题重点：

• 先看检索到的文档是否覆盖答案所需信息
• 如果检索不到，是召回问题；检索到了但答案乱说，是生成问题
• 评估时要拆成检索指标和回答指标，不能只看最终体验