这是一份为你提炼的“Agent 系统架构与工程实践”面试速记知识卡片，采用了标准 Markdown 格式呈现，紧扣高频考点，并补充了常考的深度扩展题，方便你复习和随时查阅。

📖 Agent 系统架构与工程实践面试速记卡片

一、 核心概念与技术选型

1. Tools vs. MCP (Model Context Protocol)

  • Tools（工具）：Agent 可调用的具体功能函数（如 Python 爬虫、文本处理脚本）。属于业务逻辑层的最小执行单元。

  • MCP（模型上下文协议）：一种标准化连接协议/规范（类似于 API 规范或 USB 接口标准）。

  • 核心作用：将工具/资源解耦为独立的 MCP Server，使 Agent/客户端（如 Claude Desktop, Cursor 等）能够动态发现并跨平台调用。

  • 选型策略（混合模式）：

  • 内置 Tools：低延迟、高耦合的基础逻辑（如 Markdown 格式化、文本解析）。

  • MCP 服务：独立性高、需要跨平台复用或定期维护的扩展逻辑（如 GitHub Trending 抓取服务、第三方 API 服务）。

2. Prompt vs. Skill vs. Workflow vs. Agent

概念本质定位控制权归属适用场景
Prompt单次交互的上下文/文本指令人类控制简单问答、单次文本生成
Skill模块化的能力包（包含 Prompt + Tools + Context）人类预设具有固定输出格式的标准化任务
Workflow图形化或代码定义的确定性节点流程开发者硬编码确定性 SOP（如 OCR $\rightarrow$ 提词 $\rightarrow$ 跑脚本 $\rightarrow$ 存文件）
Agent具备自主规划与执行能力的智能体LLM 大脑动态决策目标明确但路径未知、需要自我反思重试的复杂任务

核心原则：“能用 Workflow 解决的确定性业务，尽量不要全交给 Agent 动态决策”，以保证系统的稳定性、响应速度与成本控制。

二、 桌面端（Electron）高性能 Agent 架构设计

1. 进程架构：主进程 + Worker 池

  • 主进程（Main Process）：负责 UI 响应、窗口管理与任务调度。决不执行重度计算或阻塞式脚本，保证界面永远不假死。
  • Worker 池（Worker Pool）：预先创建并维护的子进程/线程池。
  • 解耦隔离：耗时任务（Python 爬虫、AI 批量计算）在 Worker 中异步执行，即使 Worker 崩溃也不会影响主界面。
  • 动态扩展：支持并发执行多个独立工具。

2. 高可用与健康度保障（Electron 关键机制）

  • 安全的 IPC 通信：废弃 remote 模块，使用 contextBridge + preload.js 实现进程间安全双向通信；针对大数据流引入 Backpressure（背压控制）机制防止消息队列阻塞。

  • 卡死检测与自愈：

  • 借助 unresponsive 和 render-process-gone 事件监听渲染进程异常。

  • 引入 Heartbeat（心跳检测） 机制主动监控渲染进程 JS 线程状态，检测到死循环/白屏时进行优雅重载或恢复。

  • 守护进程（Watchdog）：主进程管理 Worker 生命周期，监测到进程 Memory 泄漏或 Crash 时自动平滑重启（Self-Healing）。

三、 高频面试扩展题与解析

❓ Q1: 在 ReAct 模式下，Agent 出现死循环（Looping）或工具调用失败，如何进行降级与容错设计？

  • 参考回答：
  1. 最大步数限制（Max Iterations）：限制单次思考/调用的 Loop 上限（如最多 5~10 次），超时触发强制退栈。
  2. 工具反馈重试与格式修正：当 Tool 报错时，将 Traceback 或 Error 信息作为 Observation 回传给 LLM，提示其更改参数或更换候选工具。
  3. 兜底降级（Fallback）：当连续 N 次调用同一工具失败后，降级为规则引擎/固定 Workflow 处理，或主动向用户发出确认提示（Human-in-the-loop）。

❓ Q2: 为什么大模型 Agent 在调用外部工具时容易产生“幻觉”参数？工程上如何解决？

  • 参考回答：
  1. Schema 校验（Structured Outputs）：基于 Pydantic 或 JSON Schema 严格限定参数类型，在发送给工具前通过代码层或 JSON Mode 进行校验。
  2. Few-Shot 示范：在 System Prompt / Tool Definition 中提供正确的历史调用示例（Positive & Negative Examples）。
  3. 自动修复节点（Self-Correction）：捕获 Schema 校验失败错误，将其作为下一次 Prompt 的 Context 提示 LLM 修正语法格式后再二次输出。

❓ Q3: 像 Dify / Coze 这种平台，其 RAG（检索增强生成）与 Workflow 是如何结合的？

  • 参考回答：
  • 平台将 RAG 抽象为一个“知识库检索节点”。在 Workflow 流转到该节点时，先将输入文本进行 Embedding 向量化，在 Vector DB 中进行 Top-K 语义检索，并将召回的 Chunk（文本片段）注入到后续 LLM 节点的 Context 中作为参考资料，以增强回答的准确性。

❓ Q4: 在 Electron 中，如果 Worker 进程在执行 Python 爬虫时产生“孤儿进程”，该如何避免？

  • 参考回答：
  1. 生命周期绑定：在 Node.js 中创建子进程时，监听主进程的 before-quit、will-quit 以及 exit 事件，显式发送 SIGTERM / SIGKILL 终止所有子进程。
  2. IPC 管道握手：在 Python 子进程内部监听标准输入（stdin）的关闭事件（EOF）。一旦主进程崩溃退出导致管道断开，Python 进程读取到 EOF 即可主动调用 sys.exit() 自尽。
最后更新: