# Agent-Interview-100

**Repository Path**: yyyac/Agent-Interview-100

## Basic Information

- **Project Name**: Agent-Interview-100
- **Description**: AI Agent 面试知识库 100 题 | 涵盖 Agent 架构、RAG、工具使用、多 Agent、记忆、规划推理、提示工程、评估、安全对齐、生产部署、框架选型
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-07-02
- **Last Updated**: 2026-07-02

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

<p align="center">
  <h1 align="center">🤖 Agent Interview 100</h1>
  <p align="center"><strong>AI Agent 知识库 — 100 个精选问题，以问题驱动学习，系统掌握 Agent 技术栈，同时搞定面试</strong></p>
  <p align="center">
    <img src="https://img.shields.io/badge/题目数量-100-blue?style=flat-square" />
    <img src="https://img.shields.io/badge/主题模块-11-green?style=flat-square" />
    <img src="https://img.shields.io/badge/难度覆盖-基础 · 中级 · 高级-orange?style=flat-square" />
    <img src="https://img.shields.io/badge/语言-中文-red?style=flat-square" />
    <img src="https://img.shields.io/badge/许可证-MIT-purple?style=flat-square" />
  </p>
</p>

---

## ✨ 项目亮点

- 🎯 **问题驱动学习** — 每个问题就是一个学习入口，告诉你"该学什么"以及"为什么要学"，避免漫无目的地啃文档
- 📚 **100 个精选问题** — 覆盖 AI Agent 技术栈的方方面面，从基础概念到生产实践，既是学习路线图，也是面试题库
- 🏗️ **11 大主题模块** — 系统化组织知识体系，循序渐进，形成完整的 Agent 知识图谱
- 🎯 **三级难度分布** — 基础 (30%) · 中级 (50%) · 高级 (20%)，适配不同阶段的学习者
- 📝 **统一四段式结构** — 每篇文章均包含：简短回答 → 详细解析 → 常见误区/面试追问 → 参考资料
- 💻 **丰富的代码示例** — Python 实现、伪代码、架构图，理论与实践结合
- 🔬 **前沿研究引用** — 引用最新论文与行业实践，紧跟技术前沿（含 Proactive Agent、RAG 评估指标等 2025 最新内容）

---

## 📖 目录结构

> 📌 **关于题号**：本项目历经多次合并精简与差异化扩展，部分编号（如 `#004`、`#105` 等共 12 个）已废弃不再使用。保留原号以维持外部链接、文章交叉引用与 Git 历史的稳定。**当前实际题数 100，编号最大至 #112。**

### 一、🏛️ Agent 架构 (`01-agent-architecture/`) — 10 题

Agent 系统的核心设计理念，从基本概念到生产级架构设计。

| # | 文章 |
|---|------|
| 001 | [什么是 LLM Agent？与传统 LLM 应用有何区别？](01-agent-architecture/001-what-is-llm-agent.md) |
| 002 | [解释 Agent 的核心组件：感知、推理、行动、记忆](01-agent-architecture/002-agent-core-components.md) |
| 003 | [Agent 架构模式详解：ReAct、Plan-and-Execute、LATS、Proactive](01-agent-architecture/003-agent-architecture-patterns.md) |
| 005 | [如何设计一个分层 Agent 架构（Orchestrator / Worker 模式）？](01-agent-architecture/005-layered-agent-architecture.md) |
| 006 | [Agent Loop 设计：循环控制、终止条件与错误恢复](01-agent-architecture/006-agent-loop-and-error-recovery.md) |
| 007 | [Workflow vs Agent：什么时候用确定性工作流，什么时候用自主 Agent？](01-agent-architecture/007-workflow-vs-agent.md) |
| 009 | [如何实现 Agent 的自我反思（Self-Reflection）和自我纠正？](01-agent-architecture/009-self-reflection-correction.md) |
| 010 | [生产级 Agent 系统设计（含智能客服实战案例）](01-agent-architecture/010-production-agent-system-design.md) |
| 108 | [面试追问链：从「什么是 Agent」到系统设计的 10 层递进追问](01-agent-architecture/108-interview-deep-dive-chain.md) |
| 109 | [🆕 什么是 Agent Harness？与 Framework / Runtime 三层抽象有何区别？](01-agent-architecture/109-what-is-agent-harness.md) |

### 二、🔍 RAG (`02-rag/`) — 9 题

检索增强生成的全链路知识，从文档处理到评估优化（含 Context Relevancy、MRR、MAP 等评估指标）。

| # | 文章 |
|---|------|
| 011 | [RAG 概念、Pipeline 与组件总览](02-rag/011-rag-overview-and-pipeline.md) |
| 013 | [文档分块（Chunking）策略有哪些？各有什么优缺点？](02-rag/013-chunking-strategies.md) |
| 014 | [向量数据库选型：Pinecone vs Weaviate vs Chroma vs Milvus](02-rag/014-vector-database-comparison.md) |
| 015 | [Embedding 模型选择与微调策略](02-rag/015-embedding-model-selection.md) |
| 016 | [混合检索：如何结合语义检索和关键词检索？](02-rag/016-hybrid-retrieval.md) |
| 017 | [Re-ranking 的原理与实现：Cross-Encoder vs Bi-Encoder](02-rag/017-reranking-strategies.md) |
| 018 | [什么是 Agentic RAG？它与传统 RAG 有何不同？](02-rag/018-agentic-rag.md) |
| 019 | [高级 RAG 变体：Corrective RAG、Self-RAG、Adaptive RAG](02-rag/019-advanced-rag-variants.md) |
| 020 | [RAG 评估指标体系：原理、计算与实战](02-rag/020-rag-evaluation-metrics.md) |

### 三、🔧 工具使用 (`03-tool-use/`) — 10 题

LLM 与外部工具的交互，从 Function Calling 到安全管控。

| # | 文章 |
|---|------|
| 021 | [什么是 Function Calling？它是如何工作的？](03-tool-use/021-function-calling-basics.md) |
| 022 | [如何为 LLM 定义和描述工具（Tool Schema）？](03-tool-use/022-tool-schema-design.md) |
| 023 | [Tool Use 的常见模式：API 调用、数据库查询、代码执行](03-tool-use/023-common-tool-patterns.md) |
| 024 | [如何设计 Tool Gateway 和工具权限管理？](03-tool-use/024-tool-gateway-permissions.md) |
| 025 | [工具选择策略：LLM 如何决定使用哪个工具？](03-tool-use/025-tool-selection-strategy.md) |
| 026 | [如何处理工具调用失败和超时？](03-tool-use/026-tool-failure-handling.md) |
| 027 | [MCP（Model Context Protocol）是什么？它如何标准化工具集成？](03-tool-use/027-model-context-protocol.md) |
| 028 | [并行工具调用 vs 顺序工具调用的设计考量](03-tool-use/028-parallel-vs-sequential-tools.md) |
| 029 | [如何实现动态工具发现和注册？](03-tool-use/029-dynamic-tool-discovery.md) |
| 030 | [工具使用的安全性：防止注入攻击和越权操作](03-tool-use/030-tool-use-security.md) |

### 四、🤝 多 Agent (`04-multi-agent/`) — 10 题

多 Agent 协作系统的设计、编排、调试与场景故障处理。

| # | 文章 |
|---|------|
| 031 | [什么是多 Agent 系统？与单 Agent 相比有何优势？](04-multi-agent/031-what-is-multi-agent.md) |
| 032 | [多 Agent 通信模式：消息传递、共享状态、黑板模式](04-multi-agent/032-communication-patterns.md) |
| 033 | [Agent 编排模式：Hub-Spoke、Pipeline、Hierarchical](04-multi-agent/033-orchestration-patterns.md) |
| 034 | [如何设计 Agent 间的任务分配与协调？](04-multi-agent/034-task-allocation-coordination.md) |
| 035 | [多 Agent 系统中的冲突解决机制](04-multi-agent/035-conflict-resolution.md) |
| 036 | [比较主流多 Agent 框架：CrewAI、AutoGen、LangGraph](04-multi-agent/036-multi-agent-frameworks.md) |
| 037 | [如何实现 Agent 间的 Handoff（任务交接）？](04-multi-agent/037-agent-handoff.md) |
| 038 | [多 Agent 系统中的涌现行为与可控性](04-multi-agent/038-emergent-behavior.md) |
| 039 | [如何调试和监控多 Agent 系统？](04-multi-agent/039-debugging-monitoring-multi-agent.md) |
| 101 | [🆕 A2A（Agent-to-Agent）协议是什么？它与 MCP 有何区别？](04-multi-agent/101-a2a-protocol.md) |

### 五、🧠 记忆与状态 (`05-memory-and-state/`) — 7 题

Agent 的记忆管理，从上下文窗口到知识图谱。

| # | 文章 |
|---|------|
| 040 | [Agent 记忆的类型：短期记忆、长期记忆、工作记忆](05-memory-and-state/040-memory-types.md) |
| 041 | [对话上下文窗口管理与压缩策略](05-memory-and-state/041-context-window-management.md) |
| 043 | [如何实现 Agent 的持久化记忆（Persistent Memory）？](05-memory-and-state/043-persistent-memory.md) |
| 044 | [状态管理在 Agent 系统中的设计模式](05-memory-and-state/044-state-management-patterns.md) |
| 045 | [如何实现跨会话的用户偏好学习？](05-memory-and-state/045-cross-session-preferences.md) |
| 046 | [长期记忆存储介质选型（向量/结构化/图谱）](05-memory-and-state/046-long-term-memory-storage.md) |
| 048 | [记忆的遗忘与更新机制：如何处理过时信息？](05-memory-and-state/048-memory-forgetting-updating.md) |

### 六、🧩 规划与推理 (`06-planning-and-reasoning/`) — 9 题

LLM 的推理能力增强与任务规划策略。

| # | 文章 |
|---|------|
| 049 | [推理策略详解：Chain-of-Thought 与 Tree-of-Thought](06-planning-and-reasoning/049-cot-and-tot.md) |
| 050 | [任务分解（Task Decomposition）的基本方法](06-planning-and-reasoning/050-task-decomposition.md) |
| 052 | [Plan-and-Solve 与动态重规划](06-planning-and-reasoning/052-plan-and-solve-replanning.md) |
| 053 | [LLM 作为规划器的局限性与缓解方案](06-planning-and-reasoning/053-llm-planning-limitations.md) |
| 055 | [Reasoning 模型（o1/o3/DeepSeek-R1）vs 标准模型：架构差异与适用场景](06-planning-and-reasoning/055-reasoning-models.md) |
| 056 | [Monte Carlo Tree Search 在 Agent 规划中的应用](06-planning-and-reasoning/056-mcts-in-agent-planning.md) |
| 057 | [如何评估 Agent 的推理质量？](06-planning-and-reasoning/057-reasoning-quality-evaluation.md) |
| 058 | [因果推理在 Agent 决策中的作用](06-planning-and-reasoning/058-causal-reasoning.md) |
| 103 | [Agentic-RL 是什么？如何用 GRPO 训练 Agent 的决策能力？](06-planning-and-reasoning/103-agentic-rl-grpo.md) |

### 七、✍️ 提示工程 (`07-prompt-engineering/`) — 10 题

Prompt 设计、优化与管理的最佳实践。

| # | 文章 |
|---|------|
| 059 | [System Prompt 设计的核心原则](07-prompt-engineering/059-system-prompt-principles.md) |
| 060 | [Few-Shot vs Zero-Shot Prompting：如何选择？](07-prompt-engineering/060-few-shot-vs-zero-shot.md) |
| 061 | [结构化输出（Structured Output）：如何让 LLM 返回 JSON/XML？](07-prompt-engineering/061-structured-output.md) |
| 062 | [Agentic Prompting：如何编写让 LLM 自主执行任务的 Prompt？](07-prompt-engineering/062-agentic-prompting.md) |
| 063 | [Prompt Chaining：多步骤 Prompt 的设计与编排](07-prompt-engineering/063-prompt-chaining.md) |
| 064 | [如何防止 Prompt Injection 攻击？](07-prompt-engineering/064-prompt-injection-defense.md) |
| 065 | [自动化 Prompt 优化：DSPy / APE / OPRO / PromptBreeder 全景](07-prompt-engineering/065-programmatic-prompt-optimization.md) |
| 066 | [Prompt 版本管理与 A/B 测试](07-prompt-engineering/066-prompt-versioning-ab-testing.md) |
| 068 | [跨模型 Prompt 迁移：如何编写模型无关的 Prompt？](07-prompt-engineering/068-cross-model-prompt-portability.md) |
| 102 | [🆕 什么是 Context Engineering？它与 Prompt Engineering 有何本质区别？](07-prompt-engineering/102-context-engineering.md) |

### 八、📊 评估 (`08-evaluation/`) — 9 题

Agent 系统的评估方法、基准测试与可观测性。

| # | 文章 |
|---|------|
| 069 | [评估方法论：从 LLM 评估到 Agent 评估](08-evaluation/069-evaluation-methodology.md) |
| 071 | [LLM-as-Judge：使用 LLM 评估 LLM 输出](08-evaluation/071-llm-as-judge.md) |
| 072 | [Agent Benchmark：如何设计端到端的 Agent 测试？](08-evaluation/072-agent-benchmarks.md) |
| 073 | [回归测试：如何检测 Agent 性能退化？](08-evaluation/073-regression-testing.md) |
| 074 | [Trace 和 Span：Agent 执行的可观测性](08-evaluation/074-traces-and-spans.md) |
| 075 | [评估工具对比：Ragas、LangSmith、Braintrust](08-evaluation/075-evaluation-tools-comparison.md) |
| 076 | [静态 Benchmark 的陷阱：为什么 95% 准确率在生产中会失效？](08-evaluation/076-static-benchmark-trap.md) |
| 077 | [如何构建持续评估（Continuous Evaluation）流水线？](08-evaluation/077-continuous-evaluation-pipeline.md) |
| 111 | [🆕 Eval Harness 设计与生态选型：lm-evaluation-harness / Inspect AI / HELM / METR](08-evaluation/111-eval-harness-design.md) |

### 九、🛡️ 安全与对齐 (`09-safety-and-alignment/`) — 8 题

Agent 系统的安全风险防控与对齐策略。

| # | 文章 |
|---|------|
| 078 | [LLM Agent 的主要安全风险有哪些？](09-safety-and-alignment/078-agent-safety-risks.md) |
| 079 | [什么是 Guardrails？如何为 Agent 设置安全护栏？](09-safety-and-alignment/079-guardrails-basics.md) |
| 080 | [Human-in-the-Loop：何时以及如何引入人工审核？](09-safety-and-alignment/080-human-in-the-loop.md) |
| 081 | [Agent 的权限最小化原则与沙箱执行](09-safety-and-alignment/081-least-privilege-sandboxing.md) |
| 082 | [如何检测和缓解 Agent 的幻觉（Hallucination）？](09-safety-and-alignment/082-hallucination-detection.md) |
| 083 | [内容过滤与毒性检测在 Agent 系统中的实现](09-safety-and-alignment/083-content-filtering-toxicity.md) |
| 084 | [Agent 对齐问题：如何确保 Agent 行为符合人类意图？](09-safety-and-alignment/084-agent-alignment.md) |
| 085 | [Red Teaming：如何对 Agent 系统进行对抗测试？](09-safety-and-alignment/085-red-teaming-agents.md) |

### 十、🚀 生产部署 (`10-production-and-deployment/`) — 12 题

从开发到生产的全链路工程实践。

| # | 文章 |
|---|------|
| 086 | [LLMOps 与 Agent 部署架构](10-production-and-deployment/086-llmops-and-deployment.md) |
| 088 | [LLM API 的成本优化策略](10-production-and-deployment/088-cost-optimization.md) |
| 089 | [模型路由（Model Routing）：如何根据任务复杂度选择模型？](10-production-and-deployment/089-model-routing.md) |
| 090 | [Agent 系统的延迟优化：Streaming、缓存、批处理](10-production-and-deployment/090-latency-optimization.md) |
| 091 | [Prompt Drift 管理：如何避免 Prompt 退化？](10-production-and-deployment/091-prompt-drift-management.md) |
| 092 | [Agent 系统的日志、监控与告警设计](10-production-and-deployment/092-logging-monitoring-alerting.md) |
| 093 | [如何实现 Agent 的灰度发布和 A/B 测试？](10-production-and-deployment/093-canary-ab-testing.md) |
| 094 | [高并发场景下的 Agent 系统扩展策略](10-production-and-deployment/094-scaling-strategies.md) |
| 095 | [Agent 系统的灾难恢复与高可用设计](10-production-and-deployment/095-disaster-recovery-ha.md) |
| 104 | [🆕 场景题：你的 Agent 在生产环境出了故障，如何系统性排查和修复？](10-production-and-deployment/104-agent-production-troubleshooting.md) |
| 107 | [🆕 代码 Review 题：找出这段 Agent 代码中的设计问题并修复](10-production-and-deployment/107-agent-code-review.md) |
| 112 | [🆕 Agent Sandbox / Runtime 选型：E2B / Daytona / Modal / Cloudflare Sandbox 隔离强度 + cold start + egress](10-production-and-deployment/112-agent-sandbox-runtime.md) |

### 十一、🧰 框架选型 (`11-frameworks/`) — 6 题

主流 Agent 框架的对比分析与自研决策。

| # | 文章 |
|---|------|
| 096 | [主流 Agent 框架概览：LangChain、LlamaIndex、Haystack](11-frameworks/096-framework-overview.md) |
| 097 | [LangGraph 的核心概念：节点、边、状态](11-frameworks/097-langgraph-concepts.md) |
| 098 | [框架 vs 自研：什么时候应该自己构建 Agent 框架？](11-frameworks/098-framework-vs-custom.md) |
| 099 | [OpenAI Assistants API vs Anthropic Claude Agent SDK 对比](11-frameworks/099-assistants-api-vs-claude-sdk.md) |
| 100 | [如何设计可测试、可扩展的 Agent 框架抽象层？](11-frameworks/100-testable-extensible-framework.md) |
| 110 | [🆕 主流 Coding Agent Harness 横评：Claude Code / Cursor / Aider / Cline / Codex CLI 在 Context / Tool / Permission / Sandbox 四维对比](11-frameworks/110-coding-agent-harness-comparison.md) |

---

## 📋 如何使用本项目

### 🧭 核心理念：以问题驱动学习

传统学习方式往往是"先读文档，再找场景"。本项目反过来——**从一个具体问题出发，引导你去理解背后的原理、技术选型和工程实践**。每个问题都是一个学习锚点，帮你建立"我需要学什么"的清晰路径。

### 💡 推荐学习方式

- **先想后看**：先尝试用自己的话回答问题，再对照文章查漏补缺，找到知识盲区
- **顺藤摸瓜**：每篇文章末尾的「延伸思考」和交叉引用会指向关联问题，沿着链路深入
- **动手实践**：文章中的代码示例建议实际运行，配合下方「实践项目推荐」动手练习
- **横向关联**：注意不同模块间的知识联系（如 RAG + 评估、安全 + 工具使用），构建知识网络
- **场景优先**：场景题、系统设计题、代码 Review 题最接近真实工作，建议重点学习

---

## 🏷️ 模块概览

| 模块 | 题数 | 简介 |
|------|------|------|
| 🏛️ Agent 架构 | 10 | Agent 定义、架构模式、循环设计与错误恢复、生产级系统设计（含实战案例）、面试追问链、Harness 三层抽象 |
| 🔍 RAG | 9 | 检索增强生成全流程：文档分块、向量数据库、混合检索、Re-ranking、Agentic RAG、**评估指标与量化计算** |
| 🔧 工具使用 | 10 | Function Calling、Tool Schema、MCP 协议、工具安全与动态发现 |
| 🤝 多 Agent | 10 | 多 Agent 通信与编排模式、任务协调、Handoff、涌现行为、A2A 协议 |
| 🧠 记忆与状态 | 7 | 短期/长期/工作记忆、上下文窗口管理与压缩、持久化记忆、长期记忆存储介质选型 |
| 🧩 规划与推理 | 9 | CoT/ToT 推理、任务分解、Plan-and-Solve 与动态重规划、MCTS、因果推理、Agentic-RL |
| ✍️ 提示工程 | 10 | System Prompt 设计、结构化输出、Prompt Injection 防御、自动化 Prompt 优化、Context Engineering |
| 📊 评估 | 9 | 评估方法论（LLM→Agent）、LLM-as-Judge、Benchmark 设计、可观测性、Eval Harness 设计 |
| 🛡️ 安全与对齐 | 8 | 安全风险、Guardrails、权限最小化、幻觉检测、Red Teaming |
| 🚀 生产部署 | 12 | LLMOps、成本优化、模型路由、延迟优化、场景故障排查、代码 Review、Sandbox / Runtime 选型 |
| 🧰 框架选型 | 6 | LangChain/LlamaIndex/LangGraph 对比、框架 vs 自研、Coding Agent Harness 横评 |

---

## 🆕 特色题型

本项目在传统问答题的基础上，引入了 **6 种实践导向题型**，帮助你从不同角度深入理解 Agent 技术：

| 题型 | 代表题目 | 学习价值 |
|------|---------|---------|
| 🔥 **场景故障排查** | [#104](10-production-and-deployment/104-agent-production-troubleshooting.md) | 通过真实故障场景，学习系统性排查思维和工程经验 |
| 📐 **量化计算** | [#020](02-rag/020-rag-evaluation-metrics.md) | 手算 Precision@K、MRR、NDCG 等指标，真正理解评估体系而非死记公式 |
| 🏗️ **系统设计** | [#010](01-agent-architecture/010-production-agent-system-design.md) | 从原则到实战案例，完整体验 Agent 系统设计全过程 |
| 🔍 **代码 Review** | [#107](10-production-and-deployment/107-agent-code-review.md) | 审查真实 Agent 代码中的问题，培养代码质量意识和最佳实践 |
| 🔗 **递进追问链** | [#108](01-agent-architecture/108-interview-deep-dive-chain.md) | 10 层递进追问，从基础概念一步步深入到系统设计，串联知识体系 |
| 🛠️ **Harness 主题** | [#109](01-agent-architecture/109-what-is-agent-harness.md)、[#110](11-frameworks/110-coding-agent-harness-comparison.md)、[#111](08-evaluation/111-eval-harness-design.md)、[#112](10-production-and-deployment/112-agent-sandbox-runtime.md) | 2025-2026 Coding Agent 工程实践焦点：三层抽象（Harness/Framework/Runtime）+ Coding Harness 横评 + Eval Harness 设计 + Sandbox/Runtime 选型 |

---

## 🗺️ 推荐学习路径

> 不知道从哪里开始？根据你的角色或水平，选择一条路径，跟着问题编号走即可。

### 按角色推荐

#### 🛠️ Agent 应用工程师（偏工程实现）

> 核心能力：能独立开发和部署 Agent 应用

```
Week 1: 基础概念
001 → 002 → 003 → 021 → 022 → 040 → 041

Week 2: 核心技能
006 → 027 → 028 → 062 → 063 → 044 → 059

Week 3: 生产实践
086 → 090 → 092 → 026 → 104（场景题）→ 107（代码 Review）→ 112（Sandbox/Runtime）

Week 4: 进阶提升
009 → 037 → 074 → 094 → 095 → 108（追问链）→ 109（Harness 抽象）
```

#### 🔍 RAG 工程师（偏检索增强）

> 核心能力：设计和优化 RAG 系统

```
Week 1: RAG 基础
011 → 013 → 014 → 015

Week 2: RAG 进阶
016 → 017 → 018 → 019 → 061

Week 3: RAG 评估与优化
020（含量化计算）→ 069 → 071 → 075

Week 4: 生产化
076 → 077 → 090 → 088 → 102（Context Engineering）
```

#### 🏗️ AI 架构师（偏系统设计）

> 核心能力：设计大规模 Agent 系统架构

```
Week 1: 架构基础
001 → 003 → 005 → 007 → 010（含系统设计实战案例）

Week 2: 多 Agent 与编排
031 → 033 → 034 → 036 → 037 → 101（A2A 协议）

Week 3: 生产架构
086 → 089 → 093 → 094 → 095 → 112（Sandbox/Runtime）

Week 4: 前沿技术
055 → 103（Agentic-RL）→ 098 → 100 → 108（追问链）→ 110（Coding Agent Harness 横评）
```

#### 🛡️ AI 安全工程师（偏安全对齐）

> 核心能力：保障 Agent 系统的安全性

```
Week 1-2: 安全基础
078 → 079 → 080 → 081 → 082 → 083 → 084 → 085

Week 3: 安全实践
030 → 064 → 024 → 104（场景题 - 含危险操作场景）

Week 4: 评估与监控
069 → 073 → 074 → 076 → 092 → 107（代码 Review - 含安全审查）
```

### 按水平推荐

- **入门阶段**（1-2 周）：先通读所有「基础」难度题目，建立 Agent 技术全景认知
- **进阶阶段**（2-3 周）：深入「中级」题目，掌握核心技术原理与工程实现
- **深入阶段**（1-2 周）：攻克「高级」题目，构建系统设计与架构决策能力

---

## 🔨 实践项目推荐

配合学习，建议动手实践以下 mini-project：

| 项目 | 描述 | 涉及问题 |
|------|------|---------|
| **tiny-agent-loop** | 从零实现一个最小 Agent 循环（50 行 Python），包含 Tool Calling、循环终止、错误处理 | #001 #006 #021 |
| **tiny-rag** | 搭建简单 RAG 系统，支持文档分块、向量检索、Re-ranking | #011 #013 #016 #017 |
| **tiny-multi-agent** | 实现两个 Agent 的协作对话（Router + Worker 模式），体验 Handoff | #031 #033 #037 #101 |
| **tiny-eval** | 用 Ragas 框架评估你的 RAG 系统，手算并验证评估指标 | #020 #069 #075 |
| **tiny-mcp-server** | 实现一个 MCP Server，让 Agent 调用自定义工具 | #027 #029 #024 |

> 💡 参考项目：[wdndev/tiny-rag](https://github.com/wdndev/llm_interview_note)、[datawhalechina/hello-agents](https://github.com/datawhalechina/hello-agents)

---

## 🌟 内容特色

每篇文章均采用 **统一的四段式结构**，确保学习效率最大化：

```
📌 简短回答        →  快速建立核心认知，知道"这个东西是什么"
📖 详细解析        →  深入原理、架构图、代码示例，理解"为什么这样设计"
⚠️ 常见误区/面试追问 →  避坑指南 + 高频追问，引导你"还应该学什么"
📚 参考资料        →  论文、博客、官方文档，提供"去哪里继续学"的指引
```

**其他特色：**
- 🔗 文章间交叉引用，形成知识网络，一个问题自然引出下一个
- 📊 难度标注（基础/中级/高级），便于制定个人学习计划
- 🆕 引用最新研究成果与行业实践（2024-2025）

---

## 👥 适用人群

- 📖 **学习者** — 希望系统掌握 AI Agent 技术栈的开发者，本项目就是为你设计的
- 🏗️ **架构师** — 设计和构建 Agent 系统的技术负责人，可作为知识查阅手册
- 🔬 **研究者** — 关注 Agent 技术前沿的研究人员，快速了解工程落地视角
- 🎯 **求职者** — 准备 AI Agent / LLM 工程师面试，每个问题即是高频考点
- 👨‍💼 **面试官** — 需要出题和评估候选人的技术面试官，可直接用作题库

---

## 📄 许可证

本项目采用 [MIT 许可证](LICENSE) 开源。

你可以自由地使用、修改和分发本项目的内容，但请保留原始版权声明。

---

<p align="center">
  <sub>⭐ 如果这个项目对你有帮助，欢迎 Star 支持！</sub>
</p>