面向 AI Agent 工程师面试的系统化知识库:从 LLM、Prompt、RAG、工具调用,到 Agent 架构、多 Agent 协作、主流框架源码和生产工程化。

这个仓库不是零散的文章合集,而是一套按"面试会怎么问、工程上怎么做"组织的 Agent 学习路线。内容覆盖从底层模型原理到真实系统落地的完整链路,适合准备 Agent 工程师、LLM 应用工程师、AI Infra / AI 应用后端、RAG 工程、Coding Agent 相关岗位面试。

• 大模型基础 LLM:Transformer、Tokenization、Embedding、预训练 / SFT / RLHF / DPO、推理参数、推理优化、模型选型、开源与闭源模型取舍。
• 提示词工程 Prompt Engineering:Few-shot、CoT / ToT / GoT、Self-Consistency、ReAct、系统提示词、模板工程、Prompt Injection 与压缩。
• 上下文工程 Context Engineering:上下文窗口、Lost in the Middle、长上下文模型、上下文压缩、会话历史、记忆系统、Context Caching、上下文污染。
• 工具调用 Tool Use:Function Calling、Schema 设计、并行工具调用、错误处理、MCP、MCP Server 生产化、权限与沙箱、自定义工具开发。

• RAG 检索增强:Naive RAG、Chunking、Embedding 模型、向量数据库、Hybrid Search、Reranking、HyDE / Step-back / Self-RAG、GraphRAG、Agentic RAG、RAG 评估。
• Agent 核心理论:Agent 定义、ReAct、Plan-and-Execute、Reflexion、Agent Loop、规划算法、记忆架构、Agent Skills、自我纠错。
• Workflow 编排:LangGraph、LlamaIndex Workflows、Dify / Coze / FastGPT、顺序 / 并行 / 条件 / 循环编排、Workflow 与 Agent 的边界。
• 多 Agent 协作:Supervisor、Swarm、Hierarchical、Network、A2A / ACP / AGNTCY 通信协议、Orchestrator-Worker、协作 / 辩论 / 投票、MetaGPT / ChatDev 案例。

• 主流 Agent 框架:LangChain / LangGraph、LlamaIndex、Claude Agent SDK、OpenAI Agents SDK / Swarm、OpenClaw、Hermes Agent、Pi,以及框架选型决策树。
• Agent 源码解析:Claude Code、Codex CLI、Cline / Roo Code、OpenHands、Aider、SWE-agent、GPT Engineer、pi-mono、Browser Use。
• Agent 工程化:Benchmark、SWE-bench、GAIA、tau-bench、LLM-as-Judge、Observability、Harness 设计、成本优化、安全防护、限流与降级。
• 垂直领域 Agent:Coding Agent、Deep Research、Browser / Computer Use、Voice Agent、Data Analysis Agent、Customer Service Agent。
• 一线工程分享:OpenAI 与 Anthropic 工程博客导读,聚焦真实 Agent 系统的架构、评估、沙箱、上下文工程和长期任务实践。

这个知识库的核心目标是帮你把 Agent 面试题从"会背概念"推进到"能解释设计取舍"。典型问题包括:

• LLM 基础:Transformer 为什么适合语言建模?Attention 的计算瓶颈在哪里?Temperature、top-p、max tokens 会怎样影响 Agent 稳定性?
• Prompt 工程:CoT、ReAct、Self-Consistency 分别解决什么问题?系统提示词应该写规则、角色还是工作流?Prompt Injection 为什么在工具调用里更危险?
• 上下文工程:长上下文为什么不等于无限记忆?Lost in the Middle 怎么缓解?Agent Memory 和普通聊天历史有什么区别?
• 工具调用:Function Calling 的 Schema 怎么设计才稳定?工具失败时应该重试、降级还是交给模型判断?MCP 解决了什么集成问题?
• RAG 系统:RAG 效果差应该先查切分、召回、重排还是生成?Hybrid Search 为什么常比单纯向量检索稳?如何评估 faithfulness、recall@k、citation precision?
• Agent 架构:ReAct 和 Plan-and-Execute 怎么选?Agent Loop 里什么时候停止?反思、自我纠错、记忆分别应该放在哪一层?
• Workflow vs Agent:什么需求适合确定性 Workflow?什么时候必须引入 Agent?LangGraph 的 State / Reducer / Checkpointer 为什么重要?
• 多 Agent:Supervisor、Swarm、Orchestrator-Worker、Network 有什么差异?多 Agent 一定比单 Agent 强吗?如何避免协作成本超过收益?
• 框架选型:LangGraph、OpenAI Agents SDK、Claude Agent SDK、LlamaIndex、OpenClaw、Hermes、Pi 分别适合什么场景?
• 生产落地:怎样做 Agent 评估?如何追踪一次失败的 tool call?如何控制 token 成本?Prompt Injection、越权工具调用、沙箱逃逸怎么防?
• Coding Agent:Claude Code、Codex CLI、Cline、Aider 的设计差异是什么?为什么代码编辑工具通常要做 diff、permission、sandbox、checkpoint?

1. 先补底层概念:LLM、Prompt、Context、Tool Use。
2. 再进入系统设计:RAG、Agent Loop、Planning、Memory、Workflow。
3. 然后看协作与框架:Multi-Agent、LangGraph、OpenAI Agents SDK、Claude Agent SDK、LlamaIndex。
4. 最后补生产问题:Evaluation、Observability、Cost、Security、Rate Limiting。
5. 准备高阶面试:读源码解析和 OpenAI / Anthropic 工程实践,训练"为什么这么设计"的回答能力。

.
├── llm/ # 大模型基础
├── prompt/ # 提示词工程
├── context/ # 上下文工程
├── tools/ # 工具调用与 MCP
├── rag/ # RAG 检索增强
├── agent/ # Agent 核心理论
├── workflow/ # 流程编排
├── multi-agent/ # 多 Agent 协作
├── frameworks/ # 主流 Agent 框架
├── source/ # Agent 源码解析
├── engineering/ # Agent 工程化
├── vertical/ # 垂直领域 Agent
├── industry/ # 一线工程分享
└── index.md # 首页

npm install
npm run dev

构建静态站点:

npm run build