大模型LLM面试题有哪些：核心考点详解

一、概念定义：什么是大模型LLM面试题

大模型（LLM）面试题，泛指围绕大语言模型及其上层应用工程展开的一类技术面试问题。它不是零散的题库，而是一套完整的考察体系，通常覆盖三个层面：

• 模型层：Transformer架构、注意力机制、预训练与微调、上下文窗口、Token机制等基础原理；
• 系统层：Agent架构设计、工具调用、规划与反思、记忆管理等工程化能力；
• 应用层：Workflow编排、单/多智能体协作、落地场景选型等实践问题。

其中，Agent相关题目是当前大模型面试中占比最高、区分度最强的部分。高频题目包括：什么是Agent、Agent与大模型的本质区别、Agent的基本架构由哪些核心组件构成、Workflow与Agent的差异、ReAct等推理范式如何实现、单/多智能体如何设计、记忆如何压缩、如何赋予LLM规划能力、为什么要引入反思机制等。

agent">二、背景与价值：为什么考察重点转向Agent

大模型的产业定位发生了变化，面试重心也随之迁移。早期面试关注“模型本身怎么工作”——训练流程、推理加速、参数与显存估算；而当模型能力逐渐成熟后，产业界的核心问题变成了“如何让模型完成真实任务”：它能调用外部工具吗？能跨步骤维持记忆吗？能发现并纠正自己的错误吗？这些问题正是Agent工程要回答的。

对面试官而言，Agent类题目能有效区分三类候选人：

1. 使用者：能说出概念名词，但讲不清内部运行机制；
2. 工程师：能拆解架构、说明各组件职责与数据流转；
3. 设计者：能针对具体场景做方案权衡，并指出实践中的坑。

对候选人而言，系统掌握这套知识体系，等价于完成从“会调用模型接口”到“能构建生产级智能应用”的能力跃迁。

三、核心考点逐一拆解

3.1 Agent是什么？与大模型有何本质区别

标准答题框架：大模型是推理引擎，Agent是任务执行系统。

• 大模型（LLM）：接收文本输入，返回文本输出，本身是无状态、被动的，不能主动获取外部信息、不能执行真实操作、没有跨轮次的长期记忆；
• Agent：以LLM为“大脑”，叠加感知（接收任务）、规划（拆解目标）、工具（执行动作）、记忆（维持状态）四大能力模块，形成能自主完成多步任务的闭环系统。

两者本质区别可归纳为三点：自主性（是否需要人类逐步驱动）、行动力（能否对环境产生真实影响）、状态性（能否跨步骤维持上下文与记忆）。

3.2 Agent的基本架构：五大核心组件

面试中回答Agent架构，应完整覆盖以下组件：

1. 大脑（LLM推理核心）：负责理解任务、生成决策，是整个系统的推理引擎；
2. 规划模块（Planning）：将复杂目标拆解为可执行的子步骤，并根据执行反馈动态调整计划；
3. 工具模块（Tools）：连接外部能力，如信息检索、代码执行、数据库查询、接口调用等；
4. 记忆模块（Memory）：分为短期记忆（当前会话上下文）与长期记忆（跨会话的知识沉淀）；
5. 行动执行模块：实际执行模型决策的动作，并收集环境反馈供下一轮决策使用。

一个典型的Agent执行循环如下：

接收任务 → 思考并规划 → 选择工具 → 执行动作
   ↑                                  ↓
   ←←← 观察结果，判断是否完成 ←←←←←←←

3.3 Workflow、Agent、Tools：三个概念的区别

这是面试中最容易混淆的“三件套”：

• Tools（工具）：原子能力单元，例如一个检索接口、一个计算函数。工具本身没有智能，只提供“能做什么”；
• Workflow（工作流）：由人预先定义的固定执行路径，步骤、分支、顺序在运行前就已确定。控制流是“写死”的，模型通常只在部分节点参与内容生成；
• Agent（智能体）：控制流由模型在运行时动态决定，根据当前状态自主选择下一步做什么、调用哪个工具，路径无法预先枚举。

一句话概括：Workflow是人写流程、模型填内容；Agent是模型定流程、自己执行。任务路径可预见、追求确定性与可控性时选Workflow；任务开放多变、需要灵活决策时选Agent。

3.4 Agent推理模式：ReAct是什么、如何实现

ReAct = Reasoning（推理）+ Acting（行动），是目前最主流的Agent推理范式，核心是让“思考”与“行动”交替进行。其执行逻辑是一个循环：

循环开始：
  1. Thought：模型基于当前状态思考，决定下一步做什么
  2. Action：选择一个工具并生成结构化调用参数
  3. Observation：获取工具执行结果
  4. 将观察结果追加进上下文，回到第1步
循环结束条件：模型输出最终答案

实现要点：通过系统提示词告知模型可用工具列表与调用格式，模型以文本形式生成结构化调用指令（常见为JSON格式），外部框架负责解析、真实执行工具，再把结果注入对话上下文。ReAct的价值在于：每一步决策都基于最新观察，而非一次性拍板规划，从而适应动态变化的环境信息。

3.5 ReAct、Plan-and-Execute、Reflection的核心区别

三种范式定位不同，常被放在一起考察：

• ReAct：边想边做，逐步推理逐步行动。灵活、响应快，但可能陷入局部最优，长任务下步骤冗余；
• Plan-and-Execute：先做全局规划，再逐步执行。全局视野好，适合复杂任务，但计划可能因环境变化而过时，需要配合“重规划”机制；
• Reflection（反思）：在执行后增加自我评估环节，模型审视自己的输出，发现错误后修正重试。它通常不单独存在，而是叠加在前两者之上，形成“执行—评估—改进”闭环。

三者关系可以理解为：ReAct解决“每一步怎么做”，Plan-and-Execute解决“全局怎么安排”，Reflection解决“如何做得更好”。

3.6 Single-Agent与Multi-Agent设计方案

• 单智能体：一个Agent配备全套工具与记忆。架构简单、链路清晰、调试容易，但上下文容易膨胀、职责混杂，适合任务边界明确的场景；
• 多智能体：将任务分配给多个角色化Agent（如规划者、执行者、审查者），通过消息传递与协作（流水线式或辩论式）完成复杂任务。优势是职责分离、可并行扩展；代价是通信开销大、调试困难、错误可能级联传播。

选型建议遵循“先单后多”原则：能用单智能体解决的不引入多智能体，除非任务确实需要并行处理，或需要角色对抗（例如代码生成与代码审查分离）来提升质量。

3.7 Agent记忆压缩的常见方法

长对话与长期任务会撑爆上下文窗口，记忆压缩是必考题。常见方法包括：

1. 截断/滑动窗口：只保留最近N轮对话，实现简单但丢失早期信息；
2. 摘要压缩：让模型将历史对话总结为摘要，用摘要替代原文；
3. 关键信息抽取：只保留任务目标、关键结论、待办事项等结构化要点；
4. 向量检索式记忆：将历史写入向量库，按当前任务的相关性动态召回片段；
5. 分层记忆：近期保留原文、中期存摘要、长期入知识库，按时间与重要性分级管理。

实际系统中往往组合使用：短期用滑窗、中期用摘要、长期用检索。

3.8 如何赋予LLM规划能力

模型本质上是基于上下文的序列生成器，自身并不具备任务规划能力，规划需要通过工程手段“赋予”：

• 提示词引导：在系统提示中明确要求“先输出完整计划，再逐步执行”，以指令激发类规划行为；
• 任务分解：要求模型把目标拆成子任务清单，逐项执行并标记完成状态；
• 外部规划器：模型只负责生成目标与约束，由外部程序或规划算法生成确定性的执行序列；
• 反馈重规划：执行失败后将错误信息回传，要求模型修正计划，形成动态规划闭环。

3.9 Agent的反思机制：是什么、为什么要用

反思机制指Agent对自身输出进行评估与修正的能力。典型流程为：

生成初始答案 → 自我评估（发现错误/缺陷）
     ↑                    ↓
 带着批评意见重新生成 ← 质量是否达标？否 —— 是 → 输出最终结果

为什么需要反思？因为模型单次生成存在幻觉、遗漏、逻辑跳跃等固有缺陷，一次通过的质量上限有限。反思相当于为系统增加“自检环节”，用额外的推理成本换取更高的准确率与可靠性。代价同样明确：token消耗与响应延迟成倍增加，因此适合质量敏感场景（如代码生成、复杂分析），不适合延迟敏感场景。

四、备考与实战注意事项

1. 不要背题，先搭框架：所有Agent题目最终都指向“感知—规划—行动—记忆”这个闭环，先掌握骨架，再填充细节；
2. 概念题用对比式回答：答Agent就对比大模型，答Workflow就对比Agent，区分度来自对边界的清晰描述；
3. 范式题要能画流程：ReAct、Plan-and-Execute、Reflection都能用几步循环讲清楚，图示比长篇文字更有说服力；
4. 设计题要给权衡：单/多智能体、是否加反思、记忆如何压缩，都没有唯一标准答案，面试官考察的是取舍逻辑与场景意识；
5. 动手实现最小原型：用通用编程方式实现一个包含工具调用、循环决策与简单记忆的最小Agent，对细节的理解会显著加深。

五、总结

大模型LLM面试题的本质，是对“从模型到系统”整条技术链路的分层考察：模型层考原理理解，系统层考工程架构，应用层考方案设计。其中Agent相关题目——概念定义、核心组件、Workflow差异、ReAct范式、单/多智能体、记忆压缩、规划与反思——构成了当前面试的主战场。系统掌握这套知识体系，不仅是通过面试的钥匙，更是构建生产级大模型应用的基本功。