做 AI 应用不是把 Prompt 塞进接口就结束了。真到项目里，马上会遇到上下文长度、结构化输出、RAG 召回、工具权限、评测回归、成本和稳定性这些问题。

模型为什么每次回答不完全一样？Agent 为什么需要循环？RAG 已经检索到文档，为什么仍然可能答错？这些问题分别落在模型生成、任务执行、知识检索和应用治理几条链路上。

AI 应用开发面试很少只问“概念是什么”。更常见的是顺着一个项目往下追：为什么这样设计，出了问题怎么排查，上线后怎么评测，成本和安全怎么管。

Agent 接到任务后，需要读取上下文、决定下一步动作、调用工具、观察结果，再判断继续、结束还是交给人工。AI Agent 面试题基本沿着这条执行链路展开，Memory、MCP、Skills、Harness 和 Workflow 都可以放回链路中理解。

题目按 JavaGuide AI Agent 专题的章节分组。每组都附有详细文章，这里只整理考点和问题，不重复展开答案。

Agent 基础

相关内容：《AI Agent 核心概念：Agent Loop、Plan-and-Execute、A2A、Agentic Workflows、Tools 注册》、《多 Agent 协作系统设计：任务拆分、状态共享、冲突处理与失败恢复》

Agent/AI 应用方向的面试，基本不会停留在背概念，一般都是结合你的项目往深了问：为什么这样设计、线上出过什么问题、怎么定位和修复。

如果你在面试之前，只背 ReAct、RAG、Memory、MCP、Function Calling 等核心概念，通常应付不了面试追问：

1. 你做的到底是不是 Agent，为什么不能用普通接口或固定工作流解决？
2. 一个请求进来后，经过了哪些组件，状态和数据怎么流转？
3. 关键方案是根据什么约束选出来的，代价是什么？
4. 项目失败过什么，你怎么定位、修复并防止它再次发生？

AI 应用开发面试通常从一次模型调用问起，再延伸到 RAG、Agent、工具调用和系统设计。除了概念，面试中还会检查你能否解释完整链路，定位效果问题，并处理成本、稳定性和权限风险。

这篇文章是 AI 面试题的总入口。四篇题目页负责集中列出问题，详细原理、代码、图解和工程方案放在对应专题文章中。

AI 系统设计题通常从一个具体场景开始，例如企业知识库、智能客服、Agent 平台或实时语音助手。随着问题展开，面试官会继续追问模型调用、上下文、检索、工具、安全、成本和评测如何放进同一条生产链路。

题目按 JavaGuide AI 系统设计专题的内容分组。每组都附有详细文章，这里只整理常见问题，具体方案和实现细节放在对应原文中。

生产级 AI 应用架构

相关内容：《AI 应用系统设计：从 Prompt Demo 到生产级架构》

一次大模型调用从 Token 化开始，经过上下文组装和采样生成，再由后端处理流式返回、限流、重试、结构化解析和日志。基础面试题会沿着这条调用链路追问成本、延迟、稳定性和安全问题。

题目按 JavaGuide 大模型基础专题的章节分组，详细原理和工程示例放在对应文章中。这里保留考点和问题，方便集中复习。

LLM 运行机制

相关内容：《LLM 运行机制：Token、上下文窗口与采样参数怎么影响输出》

一条 RAG 链路要处理文档解析、Chunk、Embedding、索引、召回、重排、上下文组装和生成。系统运行一段时间后，还会遇到文档版本、权限变化、索引重建和效果评测等问题。题目按 JavaGuide RAG 专题的章节分组，每组都附有详细文章。

RAG 基础

相关内容：《RAG 基础概念：检索、生成与工程取舍》

基础题围绕 RAG 的工作流程和适用场景展开，也会与传统搜索、微调和长上下文做比较。幻觉、引用和拒答通常会作为后续追问。

大模型 API 看起来只是一段请求和一段返回，实际落地时问题都藏在细节里：Token 怎么花掉、上下文为什么塞不下、采样参数会不会让答案飘、结构化输出为什么偶发失败、上线前怎么证明效果真的变好了。