RAG、Agent、工具调用：大模型岗位面试怎么答
大模型应用岗（做 RAG、Agent、工具调用的那类岗位）的面试，常见问题可以归成三层：原理与概念（RAG 是什么、工具调用怎么走）、工程取舍（切块、检索、评估、出错怎么办）、安全与边界（幻觉、提示注入、权限）。真正拉开差距的，通常是第二层。本文只写能对照官方文档核实的内容，并标出哪些是文档原话、哪些是我们的经验归纳；文中的回答示例都是示意，请用你自己的项目经历来答，不要照背。
先说范围：这篇文章不做什么
我们没有收集任何具体公司的面试题，也不会编造“某大厂面经”。题目是按岗位通用知识点归纳的，答案对照官方文档校对。模型、框架更新很快，凡是和具体版本相关的内容，请以你使用的 API 提供商和框架的当前文档为准。
一、RAG：从“是什么”追问到“检索错了怎么办”
1. RAG 解决什么问题？
让模型在回答前先从外部知识库取回相关资料，再基于资料生成。适合知识会更新、或模型本身没见过的私有资料。注意不要说成“RAG 能消除幻觉”：检索不到或检索错了，模型仍然可能答错。
2. 切块（chunking）会带来什么问题？
Anthropic 在《Contextual Retrieval》一文里指出，传统 RAG 在编码时会丢失上下文。文中的例子是：一个块里写着“公司营收环比增长 3%”，但没有写是哪家公司、哪个季度，这样的块既难被检索到，也难被用好。回答时可以先说出这个现象，再说你会怎么补救。
3. 怎么改进检索？
该文介绍的做法是：在编码前给每个块加上说明它所处位置的上下文（Contextual Embeddings 和 Contextual BM25）。文中给出的结果是：两者结合，前 20 个块的检索失败率下降 49%（5.7% → 2.9%）；再加重排序，下降 67%（5.7% → 1.9%）。这是该文在其自有数据集上的报告结果，面试里引用时要说明来源和条件，别当成通用数字。
4. 一定要用 RAG 吗？
不一定。同一篇文章提到，知识库小于大约 20 万 token 时，可以直接把整个知识库放进提示词，并借助提示缓存降低延迟和成本，这时不需要 RAG。能说出“什么情况下不用”，比只会说“怎么用”更加分。
5. 怎么评估一个 RAG 系统？
这一条是我们的经验归纳，不是官方条文：把“检索”和“生成”分开评估。检索看正确资料有没有进入候选（比如前 K 个块里是否命中），生成看答案是否忠于资料。分开测，才知道问题出在哪一环。如果你做过，讲你用的测试集怎么来、怎么标注；没做过就如实说。
二、Agent 与工具调用：把“循环”讲清楚
6. 工具调用的流程是什么？
Anthropic 的文档写明：模型根据用户请求和工具描述决定是否调用工具，返回一个结构化的调用，由你的应用执行（客户端工具）或由提供商执行（服务端工具）。客户端工具的往返是：模型返回 stop_reason: "tool_use" 和 tool_use 块，你的代码执行后把 tool_result 发回去，模型再据此作答。OpenAI 的函数调用文档的流程也类似：带上工具发请求、收到工具调用、执行并返回结果、最终得到答案（或更多工具调用）。
7. Agent 和“一次工具调用”有什么区别？
一个常见的讲法：Agent 是把这个往返放进循环里，模型每一轮决定是继续调用工具还是给出最终回答。这是概念归纳；要补充你的循环怎么终止（模型不再请求工具、达到最大步数、预算用尽等），这部分是你自己的设计，不是 API 自动给你的。
8. 工具描述写得好不好有什么影响？
Anthropic 文档说，模型是根据用户请求和工具描述来决定是否调用的。OpenAI 文档建议明确描述函数的目的、每个参数（及其格式）以及输出代表什么。工具多时也有成本：OpenAI 文档建议一个回合开始时可用的函数少于 20 个（文档称这只是软性建议）。
9. 怎么让参数符合 schema？
两家文档都有严格模式：OpenAI 建议始终开启 strict mode；Anthropic 文档说在自定义工具定义里加 strict: true，可确保工具调用与 schema 完全匹配。即便如此，业务层的校验（权限、取值范围、幂等）仍然要自己做。
10. 缺少必填参数时模型会怎样？
Anthropic 文档提到，当用户提示没有提供足够的必填参数时，不同模型表现不同：有的更可能追问，有的可能推断一个看似合理的值，且这种行为不保证。所以对有副作用的工具（下单、转账、删除），要在应用侧确认参数，而不是依赖模型“会问”。
三、MCP：被问到“协议”时怎么答
11. MCP 是什么？
据 MCP 规范，它是一个开放协议，用标准化的方式把 LLM 应用与外部数据源和工具连接起来，消息格式基于 JSON-RPC 2.0，角色分为 Host（发起连接的 LLM 应用）、Client（宿主里的连接器）、Server（提供上下文和能力的服务）。服务端可提供三类能力：Resources（上下文和数据）、Prompts（模板化消息和工作流）、Tools（供模型执行的函数）。
12. 用 MCP 要注意什么安全问题？
规范的“安全与信任”部分写明：工具代表任意代码执行，必须谨慎对待；对工具行为的描述（例如 annotations）应被视为不可信，除非来自可信服务端；宿主在调用任何工具之前必须取得用户的明确同意。答这题，可以顺势谈到提示注入：外部内容和工具返回的内容都不应被当作指令（这是安全实践，不是规范原话）。
四、高频问题速查表
| 问题 | 答题要点 | 依据 |
|---|---|---|
| RAG 为什么要切块？ | 控制检索粒度；但切块会丢上下文，需要补救 | Anthropic Contextual Retrieval |
| 怎么降低检索失败率？ | 给块加上下文、BM25 与向量检索结合、重排序 | Anthropic Contextual Retrieval |
| 什么时候不用 RAG？ | 知识库很小（文中约 20 万 token 以内），可直接放进提示词 | Anthropic Contextual Retrieval |
| 工具调用的往返是什么？ | tool_use，应用执行，tool_result 回传，再生成 | Anthropic / OpenAI 文档 |
| 如何保证参数合法？ | strict 模式加应用侧校验 | Anthropic / OpenAI 文档 |
| 工具太多怎么办？ | 减少同时可用的数量，按需加载 | OpenAI 文档 |
| MCP 的三类能力？ | Resources、Prompts、Tools | MCP 规范 |
| 工具调用的安全原则？ | 用户同意；工具描述视为不可信 | MCP 规范 |
| 怎么评估 RAG？ | 检索与生成分开测 | 经验归纳 |
| Agent 如何终止？ | 不再请求工具、最大步数、预算上限 | 经验归纳 |
五、怎么回答才不被一追到底
- 先给一句话结论，再说取舍：“RAG 适合知识会更新的场景；资料很小时直接放进提示词更简单。”
- 区分“文档说的”和“我做过的”：引用官方数字时说明来源；说自己的经验时说明场景和规模。
- 讲失败案例：检索不到、工具参数错误、循环不收敛，你是怎么发现和修的。没有就如实说没有，不要虚构项目或指标。
- 承认版本差异：“具体参数以当前文档为准”，比自信地背一个可能过期的细节更稳。
系统设计类的开放题可以参考《系统设计面试：一套每次都能照跑的框架》，技术面试的整体准备见《技术面试怎么准备》，如果面试要用英文，见《英文技术面试》。
如果面试中被问住了
可以先复述问题、确认范围，再讲你的推理路径。说“这块我没有在生产里做过，但按文档的描述，我会这样设计……”是可以接受的回答。
Interview Copilot 是桌面端的实时面试提示工具：监听通话的系统声音，识别问题并给出回答提示，也能对屏幕上的代码题截图给出思路，有无需绑卡的免费方案。是否可以使用辅助工具由面试方决定，使用前请先问招聘方，不允许就不要用；在 macOS 和 Windows 上它的窗口会请求不被屏幕捕获，在 Linux 上窗口可见，实际效果取决于你的共享软件，请自己私下测试。了解产品：AI 编程面试助手、免费方案。
参考来源
- Claude 开发者文档：Tool use with Claude
- Anthropic：Contextual Retrieval
- OpenAI 开发者文档：Function calling
- Model Context Protocol 规范（2025-06-18 版）
以上页面于 2026 年 11 月 12 日查阅。API 与框架更新频繁，请以官方最新文档为准。
FAQ
大模型应用岗面试一般考什么？
大致分三层：RAG、工具调用等原理概念，切块、检索、评估、出错处理等工程取舍，以及幻觉、提示注入、权限等安全边界。本文是按通用知识点归纳的，并非某家公司的真题。
RAG 一定比直接放进提示词好吗？
不一定。Anthropic 的 Contextual Retrieval 一文提到，知识库小于约 20 万 token 时，可以直接把整个知识库放进提示词，并用提示缓存降低成本，此时不需要 RAG。
怎么降低 RAG 的检索失败率？
该文的做法是给每个块在编码前加上上下文，并结合 BM25 与重排序。文中报告在其数据集上前 20 块检索失败率分别下降 49% 和 67%。引用时要说明这是该文的报告结果。
Agent 的工具调用流程是什么？
模型返回结构化的工具调用，应用执行后把结果发回，模型据此继续或给出最终回答。Anthropic 文档中对应 stop_reason 为 tool_use 的响应和 tool_result 回传；Agent 通常是把这个往返放进循环。
MCP 的三类服务端能力是什么？
据 MCP 规范，服务端可提供 Resources（上下文和数据）、Prompts（模板化消息和工作流）和 Tools（供模型执行的函数）。规范同时强调调用工具前宿主必须取得用户明确同意。
回答不上来时怎么办？
如实说明没有在生产里做过，再讲你依据文档的推理路径，并说明细节以当前文档为准。不要编造项目、指标或公司名。面试前可向招聘方确认是否允许使用辅助工具。