文章目录01 AI Agent 基础概念1. 什么是 AI Agent1.1 概念解释1.2 原理详解1.3 代码示例：最小「思考—行动—观察」循环1.4 面试问题精选2. Agent vs LLM Chain vs ChatBot3. Agent 的核心组成4. Agent 的工作流程5. Agent 的分类6. Agent 的应用场景7. Agent 的挑战与局限02 核心框架1. ReAct 框架（重点中的重点）1.1 概念解释1.2 核心思想：交替推理与行动1.3 标准 Prompt 模板1.4 代码示例：Python 简化版 ReAct 循环1.5 优缺点分析1.6 与 Chain-of-Thought（CoT）的区别2. Plan-and-Execute 框架2.1 概念解释2.2 两阶段模式2.3 重规划（Re-planning）机制2.4 代码示例：极简 Planner + Executor2.5 与 ReAct 的对比3. Reflexion 框架3.1 概念解释3.2 典型角色分工3.3 工作流程：Action → Evaluation → Reflection → Retry3.4 代码示例4. LATS（Language Agent Tree Search）4.1 概念解释4.2 MCTS 思想（与 Agent 结合的直觉）5. LangChain Agent 实现5.1 核心抽象5.2 AgentExecutor 工作原理5.3 代码示例：AgentExecutor 循环本质6. LangGraph 状态机6.1 概念解释6.2 核心概念6.3 与 LangChain Agent 的区别6.4 代码示例：最小状态机草图7. AutoGen / CrewAI 等多 Agent 框架8. 模块综合面试题速查03 RAG 技术1. RAG 基础1.1 RAG 定义与原理1.2 为什么需要 RAG1.3 RAG vs 微调 vs 长上下文 的对比1.4 Native RAG 完整流程2. 文档解析与预处理2.1 常见工具2.2 PDF 解析常见坑2.3 表格和图片的处理策略2.4 数据清洗与标准化3. 文档分块策略（Chunking）3.1 各种分块策略3.2 chunk_size 与 chunk_overlap 选择策略3.3 代码示例：LangChain 各种 TextSplitter4. 向量化（Embedding）4.1 什么是文本嵌入4.2 常用 Embedding 模型4.3 代码示例：sentence-transformers（本地 BGE）5. 向量数据库5.1 主流选型对比5.2 ANN 算法：HNSW、IVF、PQ5.3 代码示例：FAISS + sentence-transformers6. 检索策略6.1 三种检索方式6.2 多路检索与结果融合（RRF）6.3 高级检索技术7. 重排序（Reranking）7.1 为什么需要重排序7.2 代码示例：CrossEncoder 重排8. RAG 高级模式9. RAG 评估9.1 评估指标9.2 RAGAS 框架10. RAG 生产优化11. 综合面试题精选04 工具调用（Tool / Function Calling）1. Function Calling 基础1.1 什么是 Function Calling1.2 OpenAI Function Calling 的工作原理1.3 函数定义（JSON Schema）1.4 完整代码示例2. Tool Use / Tool Calling2.1 Tool 的定义与注册2.2 工具描述的最佳实践2.3 LangChain 中的 Tool 定义3. MCP 协议（Model Context Protocol）3.1 MCP 是什么3.2 核心组件3.3 MCP vs Function Calling3.4 MCP Server 的实现示例4. 工具路由（Tool Routing）5. 工具编排（Tool Orchestration）6. 安全性7. 常见工具实现8. 综合面试题精选05 Memory 记忆系统1. 记忆系统概述1.1 概念解释1.2 人类记忆类比（感觉 / 短期 / 长期）1.3 Agent 记忆的分类体系2. 短期记忆（Short-term / Working Memory）2.1 会话上下文（Conversation Buffer）2.2 滑动窗口记忆（Window Buffer）2.3 Token 计数管理2.4 代码示例：滑动窗口 + Token 预算3. 长期记忆（Long-term Memory）3.1 基于向量数据库的长期记忆3.2 记忆重要性评分与衰减机制3.3 面试问题4. 会话摘要与压缩4.1 为什么需要摘要压缩4.2 增量摘要 vs 全量摘要4.3 代码示例：LangChain ConversationSummaryMemory5. 情景记忆与语义记忆6. 记忆检索策略6.1 三种检索维度6.2 Generative Agents 论文中的记忆检索思想7. 高级记忆框架7.1 MemGPT / MemOS7.2 Mem0 框架7.3 记忆图谱8. 记忆在生产中的挑战06 Multi-Agent 多智能体系统1. 为什么需要多智能体1.1 单 Agent 的常见瓶颈1.2 多 Agent 的优势2. 三大协作模式3. 通信机制4. 任务分配策略5. 冲突解决6. 主流多 Agent 框架7. 生产挑战07 大模型基础1. Transformer 架构核心组件速览缩放点积注意力公式2. 注意力机制详解2.1 关键机制对比2.2 Flash Attention 原理（核心思想）3. Tokenization3.1 主流分词方法3.2 中文 Tokenization 的特殊处理4. 大模型推理4.1 核心概念4.2 代码示例：Greedy + 温度采样5. 模型微调6. 对齐技术7. 模型量化8. 推理优化9. 前沿模型与选型08 工程化实践1. 模型路由与容错1.1 概念解释1.2 三态熔断器（Circuit Breaker）1.3 代码示例：熔断器 + 指数退避2. Token 成本控制2.1 Token 计数方法2.2 Prompt 精简技巧2.3 缓存策略（含语义缓存）2.4 模型选择优化与批量处理3. 全链路可观测性3.1 核心概念3.2 代码示例：简易 Span + 结构化日志4. 安全与权限4.1 Prompt 注入（Prompt Injection）防御4.2 工具调用权限控制5. 部署与运维6. 性能优化7. 评估与测试8. 幻觉问题的工程解决方案09 Prompt Engineering1. Prompt Engineering 基础1.1 Prompt 的基本结构1.2 好的 Prompt 的特征2. Prompt 设计原则3. Few-shot Learning4. Chain-of-Thought（CoT）思维链4.1 CoT 的原理4.2 常见形式5. 自我反思 Prompt6. 结构化输出Pydantic 输出解析7. System Prompt 设计模板8. Prompt 注入与防御8.1 攻击类型8.2 防御策略9. Agent 中的核心 Prompt 模板9.1 ReAct Prompt 模板9.2 Plan-and-Execute Prompt 模板10 附录：求职实战指南10.1 2026年AI Agent企业招聘需求分析10.1.1 招聘市场概况10.1.2 薪资范围（一线城市大厂参考，税前年包）10.1.3 共性技能需求矩阵10.1.4 技能优先级排序10.1.5 针对不同背景的建议10.2 开源项目学习笔记Claude Code 源码架构分析架构模式总结10.3 AI Agent 项目简历撰写指南STAR 法则在简历中的应用数字量化的重要性各模块简历描述示例10.4 STAR 面试稿准备指南各部分时间控制（总时长 2.5~3.5 分钟）三分钟完整版本（通用话术模板）10.5 企业级项目面试问答集架构设计类精选技术实现类精选总结01 AI Agent 基础概念1. 什么是 AI Agent1.1 概念解释AI Agent（智能体）可以类比为：一位能上网、能记笔记、会拆任务的"数字员工"。它不只"接一句话、回一段话"，而是能在多步任务里自己决定下一步做什么：先想清楚计划，再查资料、调工具，把中间结果记下来，最后汇总成答案。业界常用来概括的一句话：Agent ≈ LLM + Planning（规划）+ Memory（记忆）+ Tools（工具）LLM：大脑，负责理解、推理、生成自然语言与结构化计划。Planning：把模糊目标拆成可执行步骤，并在执行中动态调整。Memory：短期上下文 + 长期知识，避免"说完就忘"或重复劳动。Tools：手脚，如搜索、数据库、代码执行、API 调用等。1.2 原理详解与「普通 LLM 单次调用」的区别：普通调用：输入 Prompt → 模型输出文本，没有与外部环境的闭环。