
【Amazon】AgentExecutor 是什么?为什么必须设 max_iterations?
Amazon 常考 Agent 题:AgentExecutor 是 agent 决策循环的执行引擎,max_iterations 是防失控熔断器;考点在循环为什么可能不收敛、撞限后的降级策略、以及轨迹成本控制。
共 20 篇文章

Amazon 常考 Agent 题:AgentExecutor 是 agent 决策循环的执行引擎,max_iterations 是防失控熔断器;考点在循环为什么可能不收敛、撞限后的降级策略、以及轨迹成本控制。

Google 常考 Agent 题:ReAct 的推理-行动-观察循环原理、LangChain 里 AgentExecutor 的执行机制,以及生产中工具描述、错误回传、迭代上限这些决定成败的细节。

字节实习一面真题:考察对两个基础概念的边界理解——Function Calling 是模型的结构化工具调用能力,单次、无状态;Agent 是目标驱动的多步循环系统,FC 只是它的一个可选组件。

腾讯二面真题:考察对 Agent 技术栈的整体架构观——FC 是模型能力层、MCP 是工具集成层、Skill 是知识流程层、A2A 是 Agent 协作层,选型框架是「先定位问题在哪一层」。

腾讯大模型应用岗一面真题:Function Calling 本质是受约束的结构化输出,模型只生成调用请求不执行函数;讲清 schema 注入、tool_calls 解析、结果回填的完整链路。

字节跳动智能体算法实习二面真题:考察 Agent 能力体系的分层认知——感知、规划、工具使用、记忆、反思五大核心能力各自的内涵与工程实现,以及 Skills 作为可插拔能力单元的设计价值。

阿里淘天技术岗暑期实习一面真题:考察 CoT 与 ReAct 的本质差异——推理链与外部环境交互的结合,幻觉抑制与事实 grounding 的价值,以及延迟、工具依赖性带来的反面场景。

字节跳动 AI 基础设施开发实习真题:考察 MCP 协议的定位——统一工具接入标准、解耦模型应用与工具实现,client/server/host 三段式工作流程,以及无 MCP 时代的硬编码集成之痛。

蚂蚁 Agent 实习一面真题:考对长上下文成本的理解。核心是会话变长导致 prefill 增大、KV cache 膨胀,以及上下文压缩机制。

美团后端 Agent 开发一面真题:考 Agent 主循环的理解。核心是 ReAct 式的「思考-行动-观察」循环及各环节的工程控制。

腾讯大模型岗真题:考 Agent 记忆系统的分层设计。核心是分清项目级规则、用户偏好、会话上下文的归属、生命周期和注入策略。

腾讯后台开发一面真题:考察 Agent 上下文工程——工具输出做服务端摘要/截断、日志预过滤与分级返回、map-reduce 式分段分析,以及关键证据保留的取舍策略。

腾讯大模型岗真题:辨析 Workflow(预定义路径、LLM 填充)与 Agent(自主规划、动态决策)的本质区别及选型标准,并讲清 MCP 与 A2A 两个协议各自解决的问题。

阿里 Agent 开发岗真题:考察 Agent 系统的分层架构设计——路由层做意图分发,管理层管规划、记忆与状态,执行层负责工具调用与校验,并说明各层职责边界。

字节 AI Agent 岗二面真题:考察 Workflow 与 LLM 决策节点的划分原则(确定性、可枚举走 Workflow,开放性判断交 LLM),以及失败分支、重试、降级、人工兜底的工程设计。

考察 Agent 失控场景的兜底体系:迭代与预算硬限制、重复调用与无进展检测、分级降级策略,以及线上步数监控。

考察长程 Agent 的上下文管理:截断、摘要、工具结果掩码、LLM 压缩器等手段怎么选,以及压缩过度如何通过在线指标、回归评测、错误归因来发现和兜底。

考察 Agent 记忆系统设计:短期记忆是上下文窗口内的工作状态(对话历史、scratchpad),长期记忆是持久化的用户画像、经验与知识,用向量库等外存召回。

考察对两种 LLM 应用编排范式的理解:Workflow 是代码预定义执行路径、LLM 做局部决策,Agent 是 LLM 自主规划路径;选型看任务确定性、容错要求和成本。

考察对 Agent 主循环与 ReAct 范式的理解:推理与行动交替执行、观察结果回流,循环要有终止条件和异常兜底。