话说回来，

在大厂日爆那里看到一则消息，如题。

感觉相当夸张。说明 AI 已经发展到无论是薪酬、制度、还是规则，都跟传统互联网完全不一样了。

对了从大家反馈的面试来看。AI 的浓度越来越高，传统的 Java 后端八股比例在逐渐下降，有 / 分的趋势。

今天就带着大家过一遍高频的 AI Agent 面试题。

所有回答基于我们的 PaiCLI 来展开。这是一个用 Java 写的 AI Coding Agent，类似 Claude Code。怎么说呢，

你在 Agent 项目中具体做了什么？不过，

痛点：面试官常问“负责哪些模块”。却没有结构化答案导致卡壳。

至于老王开门见山，“先整体说一下你在这个项目里负责了哪些模块？”

我说的观点是，“PaiCLI 经历了 多个 版本迭代。从最初的 ReAct 一路做到了支持 Multi‑Agent 的可交付产品。我主要负责了三块主要工作。”

1️⃣ Agent 引擎

实现了 ReAct 模式的主循环，包括 LLM 调用、工具执行、上下文管理这一整套流程。Agent 每次循环都要做预算检查、上下文压缩、工具调度，这些机制都是我设计和实现的。

2️⃣ LLM 多模型接入

我写了一套 OpenAI 兼容的抽象客户端。基于 OkHttp3 做 SSE 流式解析，支持智谱、DeepSeek、阶跃星辰、Kimi 四个国产模型的无缝切换。每个模型有自己的特殊处理，比如智谱支持 prompt cachingDeepSeek 支持 1M。

3️⃣ Tool Use 与 MCP 集成

内置了 多个 主要工具。像文件读写、命令执行、代码搜索、网页抓取这些，同时支持动态接入 MCP Server 的外部工具。

Agent 的循环执行是怎么设计的？话说回来，

痛点：对 ReAct 循环不清楚。面试时只能说“while loop”。老实说，

至于老王来了兴趣。“你们的 ReAct 循环具体怎么设计的？”

我说的观点是，“很简单。主要就是一个 while 循环，退出条件由 LLM 自己决定。”

• 步骤 1：检查预算——看 token 用了多少、迭代了多少轮，如果超了就强制退出。
• 步骤 2：检查上下文是否需要压缩。按理说，
• 步骤 3：
• 步骤 4：manual_calls。执行工具并把结果塞回对话历史；如果没有，则认为任务完成，直接返回最终答案。怎么说呢，

兜底策略：

• Cumulative token 消耗上限：模型最大的 %
• 循环迭代次数上限：固定阈值

是框架内置的工具调用还是 Prompt 控制输出？

痛点：S​pring AI / Tool Call 到底该自己实现还是依赖框架？不少人不知道选择依据，

"你们用了 Spring AI 吗？工具调用的逻辑是框架帮你做的，还是自己写的？" 老王接着问，

PaiCLI 的实现细节

• LlmClient 接口抽象层——底层基类使用 No‑Spring OkHttp3 + SSE
• SSE 流里 .tool_calls 分片到达——我们自行累计碎片。在流结束后组装完整 TollCall
• No Spring AI：启动速度要求极致，命令行工具不需要沉重容器。全部自研降低运行时依赖，也更易于二进制发布。

System Prompt 是怎么设计的？

Pain point： 程序提示词往往硬编码，不易维护；面试官会追问可否动态配置。

分层组装方案

1. b: 定义 Agent 身份、语言要求还有所有可用工具列表与使用策略。
2. b: 性格设定。
3. 再看审批策略，控制哪些工具需使用者确认才能执行。话说回来，
4. 再看动态上下文。记忆摘要 + 外部上下文源。
5. Skill 索引：注入已启用 Skill 描述。
6. 上下文管理指令 & 协作协议。老实说，
7. 最终渲染层。按理说，

User‑side customization：

• #1 JAR 内置方法：/resources/prompts/​
• #2 使用者目录：$HOME/.paicli/prompts/​
• #3 项目目录：.paicli/prompts/​

This three‑level loading mirrors Claude Code’s CLAUDE.md mechanism。allowing per‑project Agent behavior.

调用 LLM 的全过程

"从使用者输入到最终返回，整个 LLM 调用过程说一遍。" 老王这次要听全流程，

1. User Input → Memory Merge:

   memoryManager.addUserMessage;话说回来，String memoryContext = memoryManager.buildContextForQuery(
   userInput。contextProfile.memoryContextTokens);updateSystemPromptWithMemory;

   从短期记忆提取关联信息拼进程序提示词。老实说，
2. User Message Packaging: 若包含图片方法。会转成 Base64 并以 ContentPart 形式加入消息。
3. Main ReAct Loop: 检查压缩阈值 → 检查预算 → 构造 HTTP 请求。
4. Create OpenAI‑compatible JSON: messages 数组包含 role+content；tools 数组携带 name+description+JSON Schema。
5. SSE Streaming & Rendering: OkHttp 长连接读取以 “data:” 开头的事件；不过，字段区分为
   • reasoning_content – 思考过程
   < li> content – 最终回复
li>tool_calls – 工具调用碎片 / / li> / ul> 使用 StreamRenderer 实时渲染给终端。/ li> / li> / li>

.

="" llm？何时实际执行，按理说，<="" p="" 工具何时发送给="" ３>="">

从老王继续追问来看。“Tool 定义每轮都发吗？”