AI 编码 Agent 面对大型仓库时，如何设计上下文检索策略而不是把整个仓库塞进提示词？
本文解释编码 Agent 在大型仓库中基于任务相关性分层检索上下文的策略，包括符号索引、调用图、近期变更三层，并通过具体场景说明实现决策和失败边界。
核心关键词编码 Agent 大仓库上下文检索策略
面试知识索引 · 分类、标签与搜索
AI Agent · Prompt面试题，24 道完整答案
AI Agent · Prompt面试题第 1 页，显示第 1–24 题，共找到 24 道完整解析，可继续按分类、标签与关键词缩小范围。
24筛选结果
52技术分类
178检索标签
1索引分页
快速定位
清除全部筛选分类、标签与关键词搜索
第 1 页
本页面试问题
按稳定语义路径排序
- 0001
- 0002
如何验证 LLM 裁判与人工评审的一致性
围绕“如何验证 LLM 裁判与人工评审的一致性”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须给出抽样人工标注、计算一致率或相关系数、迭代裁判提示词的流程。
核心关键词LLM 裁判 人工一致性 校准 - 0003
用 LLM 作为裁判评估 Agent 输出的基本做法与前提条件
围绕“用 LLM 作为裁判评估 Agent 输出的基本做法与前提条件”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明裁判提示词应包含明确判据、输入输出与评分格式，以及先用人工标注验证裁判一致性的前提。
核心关键词LLM as judge Agent 评估 前提 - 0004
修改 Agent 的系统提示词后应跑哪些回归评估
围绕“修改 Agent 的系统提示词后应跑哪些回归评估”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖判断时要说明全量回归集与针对修改点的定向用例各自的角色，以及通过率外的指标（成本、延迟）也要对照。
核心关键词Agent 提示词修改 回归评估 范围 - 0005
Prompt Chaining 工作流适合什么类型的任务，何时不该用？
本题剖析 Prompt Chaining 的适用边界：任务需拆成固定子步骤且每步可程序化校验。结合示例与失效条件，说明如何判断用链式还是更开放的 Agent。
核心关键词prompt chaining 工作流 适用场景 - 0006
MCP 的 completion/complete 接口为提示参数与资源模板变量提供自动补全，返回结构如何设计？
围绕“MCP 的 completion/complete 接口为提示参数与资源模板变量提供自动补全，返回结构如何设计”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确 ref 类型区分 prompt 与 resource template 的参数引用方式。
核心关键词MCP completion complete 自动补全 - 0007
MCP 提示消息中嵌入的 EmbeddedResource 与 ImageContent 等块类型如何在上下文中呈现？
围绕“MCP 提示消息中嵌入的 EmbeddedResource 与 ImageContent 等块类型如何在上下文中呈现”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确资源内容内联进提示的序列化方式。
核心关键词MCP EmbeddedResource prompt 内容块 - 0008
MCP 中 Prompt（提示模板）由用户驱动的设计意图是什么，与工具、资源的触发主体差异在哪？
围绕“MCP 中 Prompt（提示模板）由用户驱动的设计意图是什么，与工具、资源的触发主体差异在哪”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确三类原语由 user/model/application 分别控制的分工。
核心关键词MCP prompts 提示模板 用户驱动 - 0009
MCP 客户端通过 prompts/get 获取提示时，arguments 如何被服务端填充进消息序列？
围绕“MCP 客户端通过 prompts/get 获取提示时，arguments 如何被服务端填充进消息序列”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确返回的是多轮消息数组而非纯字符串的语义。
核心关键词MCP prompts get arguments 消息 - 0010
MCP 服务端 capabilities 中 listChanged 和 subscribe 有什么区别？
逐项解释 tools、resources、prompts、logging 的能力声明，区分目录变化和单个资源更新，并用文件索引场景说明发现、缓存失效和订阅的关系。
核心关键词MCP 服务端 capabilities listChanged subscribe 区别 - 0011
检索到的记忆应放在系统提示、对话历史开头还是紧贴最新用户消息，位置对效果有何影响？
围绕“检索到的记忆应放在系统提示、对话历史开头还是紧贴最新用户消息，位置对效果有何影响”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须分析位置对模型注意力利用与被覆盖风险的影响。
核心关键词Agent 记忆注入 位置 prompt 召回 - 0012
给 Agent 的提示词分配 token 预算时，系统提示、记忆、工具结果、对话历史应如何排优先级？
围绕“给 Agent 的提示词分配 token 预算时，系统提示、记忆、工具结果、对话历史应如何排优先级”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须给出各部分裁剪顺序及被裁时的降级行为。
核心关键词Agent prompt token 预算 分配 优先级 - 0013
为什么多 Agent 系统里每个 Agent 的 system prompt 应该独立优化，而不是共享一份通用提示词？
围绕“为什么多 Agent 系统里每个 Agent 的 system prompt 应该独立优化，而不是共享一份通用提示词”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答角色提示词专属化与交接接口标准化的关系。
核心关键词多 Agent system prompt 独立优化 - 0014
Agent 的提示词和工具参数里含用户敏感信息时，日志与 trace 记录应做哪些处理？
围绕“Agent 的提示词和工具参数里含用户敏感信息时，日志与 trace 记录应做哪些处理”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确脱敏、采样与保留周期的取舍。
核心关键词Agent 日志 trace 敏感信息脱敏 - 0015
新模型版本灰度上线后 Agent 成功率下降，回滚时除了切回模型还要处理哪些残留状态？
围绕“新模型版本灰度上线后 Agent 成功率下降，回滚时除了切回模型还要处理哪些残留状态”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖完整回答要覆盖在途任务、缓存提示词与检查点兼容三类残留。
核心关键词Agent 模型 灰度 回滚 - 0016
提示词改动导致 Agent 行为回退时，什么情况下应该向前修复而不是直接回滚到旧版本？
围绕“提示词改动导致 Agent 行为回退时，什么情况下应该向前修复而不是直接回滚到旧版本”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须给出基于影响面与数据兼容的判断标准。
核心关键词Agent 提示词 回滚 前修 - 0017
如何防止 Agent 在回复中泄露系统提示词、内部工具名或其他用户数据？
围绕“如何防止 Agent 在回复中泄露系统提示词、内部工具名或其他用户数据”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确输出侧过滤与最小化上下文内敏感信息两道防线。
核心关键词防止 LLM 输出泄露系统提示词 - 0018
AI Agent 执行生成代码时为什么需要沙箱，仅靠代码审查提示词为何不够？
围绕“AI Agent 执行生成代码时为什么需要沙箱，仅靠代码审查提示词为何不够”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确生成代码不可预测、需进程级隔离的理由。
核心关键词Agent 代码执行为何需要沙箱 - 0019
为什么不应把 API 密钥、数据库密码直接写入 Agent 的提示词或上下文？
围绕“为什么不应把 API 密钥、数据库密码直接写入 Agent 的提示词或上下文”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确模型输出与日志导致密钥外泄的路径及注入式凭据代理的替代方案。
核心关键词密钥不应写入提示词的原因 - 0020
仅靠系统提示词中的安全指令能否可靠阻止注入攻击？
本题解析系统提示词安全指令为何属于软约束，通过具体场景说明注入如何绕过，并给出判断可靠性的边界与组合防护方法。
核心关键词系统提示词安全指令可靠性 - 0021
模型频繁误读工具返回结果时，应该从结果结构还是提示词哪一端排查？
围绕“模型频繁误读工具返回结果时，应该从结果结构还是提示词哪一端排查”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须给出先看结果字段歧义、再看任务提示的诊断顺序。
核心关键词工具结果 模型误读 排查 - 0022
在 Agent 设计中，什么能力应该做成工具调用而不是写进系统提示词？
本题给出 Agent 设计中工具与系统提示词的划分标准：外部数据与真实副作用走工具，行为与格式约束走提示词，并结合订单退款场景说明误用的失败边界。
核心关键词Agent 工具设计 工具调用 系统提示词 边界 - 0023
Anthropic 的 prompt chaining 工作流在 LangGraph 中如何建模，中间 gate 检查应该放在节点内还是边上？
围绕“Anthropic 的 prompt chaining 工作流在 LangGraph 中如何建模，中间 gate 检”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖要求判断质量门控放条件边还是独立节点的结构取舍。
核心关键词prompt chaining LangGraph gate 检查 - 0024
Anthropic 所说的 router 工作流与固定链式工作流区别是什么，适合什么类型的 Agent 任务？
本文辨析Anthropic的router与prompt chaining两种工作流：机制差异、适用场景、工程边界，并给出客服工单分流示例，说明何时该用固定链式或路由。
核心关键词Anthropic router workflow 路由工作流