一、会调用模型之后,还要解决哪些问题?
AI 应用从调用大语言模型生成、总结和回答文本,逐步走到用 RAG 接入企业文档、业务数据和知识库,再用 Function Calling、MCP 和 Agent 框架访问工具、查询数据库、推进多步任务。在生产环境中,工具调用只是其中一步。
- 什么时候继续执行,什么时候停止?
- 谁决定某次工具调用能否执行?
- 工具执行中途崩溃时,怎样恢复?
- 用户取消后,已经发生的副作用怎么处理?
- 如何追踪和复现模型的错误决策?
- 多个 Agent 并发时,怎样避免状态冲突?
- 哪些证据可以证明任务完成?
这组问题属于 Agent Harness 的职责范围。
二、区分对话、Chain、Workflow、Agent 和 Harness
- 普通 LLM 对话。用户输入文本,模型生成文本,应用管理 API 调用和展示。
- Chain。开发者固定调用顺序,例如检索 → 拼接上下文 → 调用模型 → 返回结果。
- Workflow。开发者设计主要执行路径,可以包含条件分支、并行、审批和异常处理。
- Agent。根据目标、当前状态和观察结果,动态选择下一步、工具以及是否继续。
- Agent Harness。围绕模型的运行时和治理层,负责调用、循环、状态、上下文、工具注册、权限、预算、恢复、审计、评测及降级。
模型提出下一步,Harness 根据权限和状态判断能否执行,安排工具调用、归档结果,并在满足完成条件或触及边界时停止。
三、生产系统可以怎样分层?
- 交互层。Web、Electron 或移动端,展示流式消息、执行进度、审批、文件 Diff 和任务状态。
- 接入层。认证、租户隔离、API 配额、请求幂等、会话及统一 API。
- 编排层。Agent Loop、状态机、LangGraph、检查点、人工中断、恢复与调度。
- 智能层。模型网关、Prompt 管理、结构化输出、上下文、多模型路由与 Token 预算。
- 工具层。工具注册、MCP、参数校验、执行、结果适配及执行器隔离。
- 数据层。用 PostgreSQL、Redis、Elasticsearch、Milvus 和对象存储管理任务与知识数据,按需求选组件。
- 治理层。权限、审计、评测、Trace、成本监控、告警和服务降级。
治理贯穿各层。工具执行须检查权限,任务恢复须重验授权,知识检索要隔离租户,生成结果也要评测和核验。
四、何时用 Agent,何时用 Workflow?
步骤稳定、规则清楚、错误成本高且可用程序确定输出时,优先用代码或 Workflow。金额计算、数据库事务、余额校验、权限判断、固定审批和订单状态迁移都属于此类。
企业知识探索、Coding Agent、多来源研究、动态业务处理和跨系统任务常需要根据中间结果选工具,且难以穷举路径,适合让 Agent 承担有界决策。实际系统通常将两者结合,程序负责确定性规则,Agent 处理规则内的不确定部分。
五、怎样选择 LangGraph 或自研循环?
逐项比较六个问题。
- 是否解决已有痛点?
- 状态模型是否清晰?
- 是否支持持久化、中断和恢复?
- 审批与工具生态能否满足需求?
- 是否易于观测和测试?
- 迁移成本与框架锁定风险有多高?
单轮信息抽取或固定工具调用可以用函数和显式状态机。复杂分支、循环、人工中断、检查点和恢复较多时,LangGraph 值得考虑。它提供编排能力,业务系统仍要管理业务状态、权限、副作用和审计。 LangGraph 持久化
六、怎样用 DevPilot 说明项目能力?
以原稿中的 DevPilot 设计为例,可以看到 Harness 的各项职责如何落到组件上。Electron 做桌面交互,FastAPI 接入服务,LangGraph 编排任务,PostgreSQL 保存业务状态与检查点,本地执行器受控地处理文件和命令。人工审批控制高风险操作,审计和执行日志记录过程,Diff、退出码和测试结果用来验证效果。
面试时解释每个模块要解决的问题,并区分已实现、受控验证与设计中的能力。原稿中的 DevPilot 处于预发布受控阶段,项目示例的证据范围以此为限。
七、面试时怎样回答从零搭建 Agent 平台?
先说明业务边界和分层,再定义任务与状态、权限和执行边界。接着解释异常、恢复与审计,说明框架何时值得引入,最后给出验证业务结果的方法。LangGraph、LangChain、MCP 和向量数据库只有在解决具体问题时才有解释价值。模型在这里是执行系统中的一个决策组件。