关于 Tool Use 的 Agent 工程师面试题目

那些面试题，筛的不是候选人，筛的是老实人

朋友半夜给我发消息。

说他正在给几个大厂做Agent方向的面试官培训，翻了一圈他们准备的题，直接笑出了声。

“什么是Function Calling？”

“ReAct和CoT有什么区别？”

“MCP协议解决了什么问题？”

——你说，这背书呢还是招人呢？

他说去年招了三个能把这些问题答得滚瓜烂熟的候选人，结果进项目第一个月，就把线上Agent全跑崩了。

一个工具调用失败后不知道回退，直接把生产数据库搞成了只读模式。

另一个更狠。让模型在循环里连续调了四十多次API。账单出来的时候，CTO脸都绿了。

你那些面试题，筛的压根不是聪明人。筛的，是老实人。

第一层：这人写没写过真实代码？

我面试的时候，从来不问概念。

我就直接甩一句：“你最近那个Agent项目里，工具调用的最长链路是几步？每步的回退策略是什么？”

很多人立马卡壳。

能说出“我用过OpenAI的天气查询Demo”的，基本没跑过真实项目。你信我，这种一进项目组就露馅。

真正干过活的，张嘴就来——

“我们需要先查数据库获取用户信息，然后根据用户等级决定调哪个价格API，拿到价格后要校验库存，最后还要走审批流程。每一步我都设了超时重试，重试三次失败就降级调缓存接口。”

听到这种回答，我先在心里给他鼓个掌。

去年我面了大概四十多号人。能说到这个细节的，一只手数得过来。

大部分人的回答停留在一个层面上：“我用了tools参数，传了一个JSON Schema进去。”

“那成功率多少？”

“大概80%吧。”

“给我讲一个失败案例。”

——开始支支吾吾。

你要没在生产环境里被工具调用折磨过，绝对说不出这种话：

“有时候模型会把参数格式搞错，比如日期填成2024/13/01，我不得不在工具层再加一层参数校验。”

你看，真实世界就是这么恶心。

我自己的项目里，工具调用的成功率从85%提到97%。靠的不是模型变强了，是整整加了三层防御——输入校验、输出校验、结果兜底。

所以面试官们，能不能别问“你用过Function Calling没”这种废话了？直接问踩过什么坑，比什么都管用。

第二层：你分得清“能用”和“好用”吗？

说到这儿，很多人爱把原生Function Calling和ReAct Prompting的区别背得滚瓜烂熟。什么“原生更省Token”、“ReAct更灵活”。

但你要是问我实操感受，我会告诉你另一件事。

原生Function Calling最大的优势，不是省Token。

是它把“说话”和“动手”分开了。

你想想看，如果模型一边在思考“我需要查一下天气”，一边又在回复用户“好的，我这就帮你查”——输出里夹着思维链和对话文本，下游解析起来有多痛苦？

我有个项目，最开始用纯Prompt做ReAct。

结果模型每轮都输出：“我需要调用X工具来获取Y信息，让我们开始吧！好的，现在调用：……”

就为了解析这一句废话，我写了四五十行正则。

换成原生Function Calling之后，代码直接从一百多行缩到了二十行。

不是模型变聪明了，是输出结构清晰了，状态机简单了。

但反过来也有坑。

原生Function Calling对复杂工具的描述能力有限。我试过让一个工具描述超过800个Token，模型直接不认了，给了一个空列表。

最后还是得靠Prompt工程打补丁。把最常用的工具写在System Prompt里，次要的才走tools参数。

你说这事儿讽刺不讽刺？你以为标准方案能解决一切，结果发现还得回到“能用”和“好用”之间找平衡。

有人跟我说：“现在模型能力越来越强，这些问题慢慢就没了。”

我只能说，天真。

模型越强，人越想让它干更复杂的事。 你今天觉得800个Token的工具描述是天花板，明天就有人给你塞2000个Token的描述进去。这个循环永远不会停。

第三层：你是真懂MCP，还是只会背概念？

MCP这玩意儿，现在面试都快被问烂了。

十个候选人，九个能说出“标准化协议、解决N乘M集成问题”。

但我追问一句：“那你用MCP部署过几个工具服务？”

——没人吭声。

我今年年初在自己的项目里试了一把MCP。

说实话，挺操蛋的。

首先它的Server端写得不够完善。我试了Anthropic官方的Python SDK，发现默认的超时时间是30秒。我那工具是个内部数据分析，跑个复杂查询动不动就要一两分钟。

结果Claude Desktop那边早断连了。

后来我翻代码才发现，得自己重写Transport层。一个简单的超时配置，折腾了我两天。

但这不代表MCP不好。

相反，我特别看好这个方向。

原因很简单：它让工具和模型解耦了。

以前你要用LangChain的一套Tool规范，后来换LlamaIndex又得重新写。现在只要实现一次MCP Server，啥Client都能接。

我现在的做法是：先把所有内部工具都用MCP封装一遍，然后统一注册到一个Gateway服务里。

前端Agent不管用的是Claude还是GPT还是开源模型，只要实现MCP Client，就能无缝调用所有工具。

这件事做到位了，你就再也不用操心“换模型要改工具集成代码”这种破事了。

但你说MCP是不是银弹？

当然不是。

它目前最大的问题，是没有解决好工具调用的权限控制和审计日志。

你通过MCP调了一个数据库查询工具——谁调的？查了什么数据？结果返回了什么？这些信息MCP默认是不记录的。你得自己在Server端手动加上。

所以面试官要真想考MCP，别问协议定义了。

直接问：“你部署MCP Server的时候，日志怎么记录的？权限怎么管理的？”

能把这个答清楚的，才是真干过活的人。

第四层：你的Agent跑十步之后还靠谱吗？

这是我觉得目前Agent面试最翻车的地方。

很多人能把ReAct的原理讲得天花乱坠，能把Plan-Then-Act、ReAct+规划、Tree Planning的区别说得头头是道。

但你一问：“你的Agent跑了十步之后，还能记着原始任务吗？”

——直接哑火。

我自己踩过的一个大坑：让Agent去调研三篇关于RAG+强化学习的论文。

最开始Agent执行得很正常：搜索论文→读取摘要→下载全文→提取核心观点。

跑到第五步的时候，它发现某篇论文的引用很有意思，开始顺着引用链去查其他论文。然后又觉得另一篇论文的实验数据不够全，去查了作者的GitHub。

等我回过头来看日志，它已经在第十四步了。

输出的结果里，原始任务“调研三篇论文”只完成了一篇。剩下全是对引用论文的分析。

这就是我常说的“上下文漂移”。

不是模型变傻了，是每一轮模型都在做“当前上下文下最合理的下一步”——但最合理，不等于最符合原始目标。

怎么解决？

我现在的做法分三层。

第一层，在System Prompt里显式写一句话：“每执行三步，回顾一下原始任务目标，确认没有偏移。”这个便宜，但有效。我的实验里，加了这一句，跑偏率从30%降到了8%。

第二层，在代码层面加一个状态机。直接上关键逻辑：

class AgentStateMachine:
 def __init__(self, goal):
 self.goal = goal
 self.steps = []
 self.last_checkpoint = 0
 
 def step(self, action):
 self.steps.append(action)
 if len(self.steps) - self.last_checkpoint >= 3:
 if not self._is_aligned():
 self._replan()
 self.last_checkpoint = len(self.steps)
 
 def _is_aligned(self):
 # 用LLM判断最近三步是否偏离原始目标
 pass
 
 def _replan(self):
 # 重新生成剩余步骤计划
 pass

第三层，最暴力也最有效——每五步做一次全局重规划，把当前状态和历史回传给LLM，让LLM判断接下来该怎么走。

有人可能会说，这样Token消耗太大了。

是的。确实大。

但你是想要一个省Token但跑偏的Agent，还是想要一个贵一点但靠谱的Agent？

写这玩意儿不是为了显摆我多牛。

说实话，这些坑我全踩过，而且踩得可比上面说的惨多了。

最狠的一次，Agent在循环里调用支付接口查余额，因为没设频率限制，一个小时内调了三千多次。要不是运维发现得早，那个月的账单够买一辆Model 3。

说回面试这件事。

我觉得现在Agent方向的面试有一个很大的问题：大家都在考“科普知识”，没人考“工程判断力”。

你问Function Calling和ReAct的区别，这属于科普。但如果你问“什么时候该用Function Calling，什么时候该用纯Prompt ReAct，依据是什么”，这才叫面试。同样，光问MCP是啥太浅了，问问落地时成本和收益怎么算，哪些场景值得上，才算考到点子上。

所以给准备面试的朋友一个建议：别光背八股了。

去自己搭一个Agent，跑起来，再跑崩它，然后修好它。

这个过程里踩的每一个坑，都是面试时最值钱的谈资。

给面试官的建议：放过那些“背诵型”问题。问点真的。让候选人讲一个具体的失败案例，讲他怎么发现的、怎么修的、效果如何。

能从这件事里讲出思考和判断的人，才是你该招的人。

毕竟，Agent这玩意儿，真正难的不是让它动起来。

是你发现它已经跑偏了十万八千里，还能凭着一股子狠劲儿，把它拉回来。

这才是真本事。

对Agent是这样，对人也是如此。