牛客面经整理：AI Agent 应用开发一面（MCP / 记忆 / ReAct / 系统设计）（二十八）
收录日期：2026-04-27
关键词：AI、Agent、MCP、ReAct、上下文管理、记忆、系统设计、评估、编排
1. 介绍一下你的项目（如何讲清楚）
参考答案
- 用“背景-目标-方案-难点-结果（数据）”结构，先讲价值，再讲技术。
- 关键：明确你的职责边界（你主导了什么、做了哪些权衡、解决了什么问题）。
- 预备下钻：成本/时延、稳定性、评估方式、失败案例与复盘。
2. Coze 两种方式（拖拽编排 vs 直接用 Agent）有什么差别？怎么设计节点？
参考答案
- 拖拽编排更像 workflow：确定性更强、可观测、适合固定链路（收集信息 → 调工具 → 汇总）。
- “直接用 Agent”偏自主决策：模型动态规划、工具选择与循环执行，灵活但更难控。
- 节点设计建议：
- 按“输入 → 约束 → 工具/子任务 → 校验 → 输出”拆分。
- 每个节点定义清晰的 I/O schema 与失败兜底（重试、降级、人工确认）。
3. 你编写了哪些 MCP 工具？怎么介绍？
参考答案
- 先讲“工具解决什么问题”（例如：知识检索、文件操作、任务查询、素材生成）。
- 再讲“接口设计”：参数 schema、返回结构、幂等性、错误码、速率限制。
- 最后讲“安全与审计”：权限隔离、日志、敏感信息脱敏、可回放。
4. 上下文管理怎么做？如何实现“记忆”？
参考答案
- 短期记忆：对话窗口内的关键信息抽取/摘要（facts + TODO + 决策）。
- 长期记忆：向量库/结构化存储（用户偏好、项目约束、历史结论），检索时带相关性阈值与去噪。
- 防污染：只写“已验证事实”，对不确定信息标注来源与置信度；定期重摘要与过期策略（TTL）。
5. ReAct 等模式有什么差别？怎么回答更完整？
参考答案
- ReAct：Reason（思考）+ Act（调用工具）循环，适合需要多次工具调用与逐步推理的任务。
- Plan-and-Execute：先产出计划，再按步骤执行；计划更可控，但对计划质量敏感。
- Reflection/Verifier：在关键步骤加入自检/复核（规则校验、单元测试、对抗提示），降低幻觉与错误。
- 回答要点：用“可控性/成本/时延/可靠性”四个维度对比。
6. 设计一个“全自动 AI 漫剧创作” Agent：你会怎么设计？
参考答案
- 流水线拆分：
- 需求理解（题材/风格/受众/时长）→ 大纲 → 分镜脚本 → 角色设定（Bible）→ 画面/对白生成 → 合成与导出。
- 关键子系统：
- 角色一致性：角色卡 + 参考图/风格约束 + 统一命名与属性表。
- 质量控制：结构校验（格式/长度/人物一致）+ 自动评审（多评委或规则）+ 失败重试与回滚。
- 工具：素材库检索、模型调用、渲染合成、内容安全审核。
7. 过程中最大的三个问题是什么？怎么解决？
参考答案
- 一致性：人物/世界观/风格漂移 → 角色 Bible、全局约束、检索式上下文与一致性评分。
- 成本与时延：多模型/多轮迭代昂贵 → 预算控制、分层生成（先低清/草稿再精修）、缓存与并行。
- 评估与稳定性：主观质量难评 → 指标拆分（结构正确率、重复率、连贯性）、人审闭环与回归集。
8. 如何保证人物前后一致？片段评估怎么做？
参考答案
- 一致性方案：
- 结构化人物设定（姓名/外观/口癖/关系）作为可检索记忆。
- 生成前强约束（提示词模板/控制参数），生成后做一致性检查（规则 + 评审模型）。
- 评估方法：
- 自动：重复率、冲突检测、风格相似度、关键事实一致率。
- 人工：抽样审核 + 反馈标签回流到评审器与提示词迭代。
9. 如果先发一版（MVP），保留哪些关键节点？
参考答案
- 必要：题材输入 → 大纲/分镜 → 生成 → 基础一致性校验 → 导出。
- 可后置：复杂自反馈循环、多风格迁移、精细化角色库运营、在线协作与版本管理。
10. 用 Cursor/Codex 写代码时“反复改还报错”，你会怎么解决？
参考答案
- 先把问题变小：最小可复现用例、固定依赖版本与输入输出。
- 用测试“钉住”：先写断言/单测，要求 AI 只改与测试相关的最小改动。
- 限制改动范围：让 AI 只改一个文件/一个函数；明确禁止大范围重构。
- 还是不行：手动定位根因（日志/断点/二分法），再让 AI 针对根因修复。