AI Agent 面试 30 天复习清单：从概念到项目表达
这篇文章解决什么问题
AI Agent / 大模型应用岗位的面试经常覆盖很宽：
- Agent 基础概念。
- RAG 工程化。
- Tool Calling / MCP。
- LangGraph / Agent Runtime。
- 评测、Trace、安全、成本。
- 项目架构和简历深挖。
如果没有计划，很容易只背概念，不会讲项目；或者只讲项目，不会回答原理题。这篇文章给出一个 30 天复习清单，用来把站内内容串起来。
总体目标
30 天后你应该能做到：
- 用 3 分钟讲清 Agent 和普通 ChatBot 的区别。
- 用 5 分钟讲清一个 RAG 项目的完整链路。
- 用 5 分钟讲清一个多 Agent 项目的架构和边界。
- 能回答 Tool Calling、MCP、Memory、Trace、Evaluation、安全、成本优化的常见追问。
- 简历里至少有 2 个 AI 项目写法清晰，有指标、有难点、有贡献。
第 1 周：Agent 基础和工程主线
Day 1：Agent 是什么
阅读：
要会回答：
- Agent 和 ChatBot 的区别是什么？
- Workflow 和 Agent 有什么区别？
- Agent Loop 一般包含哪些步骤？
Day 2：Prompt 和 Context
阅读：
要会回答：
- 为什么只优化 Prompt 不够？
- Context 里应该放哪些信息？
- 长上下文为什么会降低稳定性？
Day 3：Tool Calling
阅读：
要会回答：
- Function Calling 和真正工具执行有什么区别？
- 工具参数如何校验？
- 高风险工具如何审批？
Day 4：Memory / State
阅读：
要会回答：
- Memory、State、Trace 有什么区别？
- 长期记忆为什么需要证据和遗忘机制？
Day 5：多 Agent
阅读：
要会回答：
- 多 Agent 不是多角色聊天，那它的工程价值是什么？
- 多 Agent 如何共享状态和控制权限？
Day 6-7：整理一页总结
输出：
- Agent 概念图。
- Agent vs ChatBot 对比表。
- 一个你自己的 Agent 项目架构草图。
第 2 周：RAG 和知识库项目
Day 8：RAG 主链路
阅读：
要会回答：
- RAG 从文档到答案有哪些步骤？
- Chunk 策略怎么影响召回？
Day 9：向量检索
阅读：
要会回答：
- Dense、Sparse、Hybrid Search 区别是什么？
- Metadata Filter 为什么必须在检索阶段做？
Day 10：Rerank 和引用
阅读：
要会回答：
- Rerank 解决什么问题？
- 如何判断答案是否被证据支持？
Day 11：RAG vs Fine-tuning
阅读：
要会回答：
- 什么时候用 RAG，什么时候用微调？
- 两者能不能组合？
Day 12：RAG 评测
阅读：
要会回答：
- RAG 如何评测召回、引用和答案质量？
- 失败样本库怎么设计？
Day 13-14：包装 RAG 项目
输出：
- RAG 项目 1 分钟介绍。
- RAG 项目 3 个技术难点。
- RAG 项目 3 条简历 bullet。
第 3 周：生产级 Agent 工程
Day 15：后端和数据模型
阅读：
要会回答：
- Agent 后端需要哪些接口？
- task/run/step/tool_call 如何建模？
Day 16：Trace 和 Observability
阅读：
要会回答：
- 为什么 Agent 必须有 Trace？
- 一次工具调用要记录哪些字段？
Day 17：失败恢复
阅读：
要会回答：
- 长任务失败后如何断点续跑？
- 幂等键怎么设计？
Day 18：成本和延迟
阅读：
要会回答：
- 如何降低 LLM 成本？
- 新模型如何灰度上线？
Day 19：安全治理
阅读：
要会回答：
- Prompt Injection 如何防？
- MCP Server 为什么不是天然安全边界？
Day 20-21：生产运维总结
阅读：
输出：
- 一个生产级 Agent 上线检查表。
- 一个事故排查流程。
第 4 周：面试表达和作品集
Day 22：面试题库总览
阅读：
输出：
- 10 个最容易被追问的问题。
Day 23：LLM 工程题
阅读：
输出：
- 成本优化、工具调用、结构化输出各 1 个标准回答。
Day 24：LangGraph / 框架选型
阅读：
要会回答：
- 什么时候用 LangGraph？
- 什么时候不用复杂 Agent 框架？
Day 25：MCP / Skills
阅读：
要会回答：
- MCP Server、Tool、Skill、Plugin 有什么区别？
- 如何把一次性工作流沉淀成 Skill？
Day 26：项目包装
阅读：
输出：
- 项目 A / 项目 B 各 3 条简历 bullet。
Day 27：项目深挖
阅读：
输出：
- 1 分钟版、3 分钟版、深挖版回答。
Day 28：模拟面试
准备：
- 5 个 Agent 概念题。
- 5 个 RAG 工程题。
- 5 个项目深挖题。
- 3 个系统设计题。
Day 29：补短板
根据模拟面试，回到对应文章补缺口。
Day 30：最终材料包
最终输出：
- 简历 AI 项目版。
- GitHub README 优化版。
- 个人博客项目索引。
- 面试题速记表。
- 项目讲解稿。
最后一周高频追问
| 追问 | 要点 |
|---|---|
| 你的 Agent 和普通工作流区别是什么？ | 不要神化 Agent，讲任务状态、工具、反馈和控制 |
| RAG 效果差怎么排查？ | 文档解析、chunk、embedding、检索、rerank、context、生成 |
| 工具调用怎么保证安全？ | schema、权限、审批、沙箱、Trace |
| 多 Agent 为什么需要？ | 复杂任务分工，但要控制状态和边界 |
| 成本太高怎么办？ | 账本、路由、缓存、批处理、上下文压缩 |
| 如何评测 Agent？ | dataset、metrics、LLM-as-Judge、人工抽检、线上反馈 |
| 线上失败怎么恢复？ | 状态机、幂等、重试分类、断点续跑 |