agent-camp

面向 AI Agent 工程师面试的系统化知识库：从 LLM、Prompt、RAG、工具调用，到 Agent 架构、多 Agent 协作、主流框架源码和生产工程化。

这个仓库不是零散的文章合集，而是一套按“面试会怎么问、工程上怎么做”组织的 Agent 学习路线。内容覆盖从底层模型原理到真实系统落地的完整链路，适合准备 Agent 工程师、LLM 应用工程师、AI Infra / AI 应用后端、RAG 工程、Coding Agent 相关岗位面试。

知识库覆盖什么

1. 基础能力

• 大模型基础 LLM：Transformer、Tokenization、Embedding、预训练 / SFT / RLHF / DPO、推理参数、推理优化、模型选型、开源与闭源模型取舍。
• 提示词工程 Prompt Engineering：Few-shot、CoT / ToT / GoT、Self-Consistency、ReAct、系统提示词、模板工程、Prompt Injection 与压缩。
• 上下文工程 Context Engineering：上下文窗口、Lost in the Middle、长上下文模型、上下文压缩、会话历史、记忆系统、Context Caching、上下文污染。
• 工具调用 Tool Use：Function Calling、Schema 设计、并行工具调用、错误处理、MCP、MCP Server 生产化、权限与沙箱、自定义工具开发。

2. RAG 与 Agent 架构

• RAG 检索增强：Naive RAG、Chunking、Embedding 模型、向量数据库、Hybrid Search、Reranking、HyDE / Step-back / Self-RAG、GraphRAG、Agentic RAG、RAG 评估。
• Agent 核心理论：Agent 定义、ReAct、Plan-and-Execute、Reflexion、Agent Loop、规划算法、记忆架构、Agent Skills、自我纠错。
• Workflow 编排：LangGraph、LlamaIndex Workflows、Dify / Coze / FastGPT、顺序 / 并行 / 条件 / 循环编排、Workflow 与 Agent 的边界。
• 多 Agent 协作：Supervisor、Swarm、Hierarchical、Network、A2A / ACP / AGNTCY 通信协议、Orchestrator-Worker、协作 / 辩论 / 投票、MetaGPT / ChatDev 案例。

3. 框架、源码与真实工程

• 主流 Agent 框架：LangChain / LangGraph、LlamaIndex、Claude Agent SDK、OpenAI Agents SDK / Swarm、OpenClaw、Hermes Agent、Pi，以及框架选型决策树。
• Agent 源码解析：Claude Code、Codex CLI、Cline / Roo Code、OpenHands、Aider、SWE-agent、GPT Engineer、pi-mono、Browser Use。
• Agent 工程化：Benchmark、SWE-bench、GAIA、tau-bench、LLM-as-Judge、Observability、Harness 设计、成本优化、安全防护、限流与降级。
• 垂直领域 Agent：Coding Agent、Deep Research、Browser / Computer Use、Voice Agent、Data Analysis Agent、Customer Service Agent。
• 一线工程分享：OpenAI 与 Anthropic 工程博客导读，聚焦真实 Agent 系统的架构、评估、沙箱、上下文工程和长期任务实践。

面试重点

这个知识库的核心目标是帮你把 Agent 面试题从“会背概念”推进到“能解释设计取舍”。典型问题包括：

• LLM 基础：Transformer 为什么适合语言建模？Attention 的计算瓶颈在哪里？Temperature、top-p、max tokens 会怎样影响 Agent 稳定性？
• Prompt 工程：CoT、ReAct、Self-Consistency 分别解决什么问题？系统提示词应该写规则、角色还是工作流？Prompt Injection 为什么在工具调用里更危险？
• 上下文工程：长上下文为什么不等于无限记忆？Lost in the Middle 怎么缓解？Agent Memory 和普通聊天历史有什么区别？
• 工具调用：Function Calling 的 Schema 怎么设计才稳定？工具失败时应该重试、降级还是交给模型判断？MCP 解决了什么集成问题？
• RAG 系统：RAG 效果差应该先查切分、召回、重排还是生成？Hybrid Search 为什么常比单纯向量检索稳？如何评估 faithfulness、recall@k、citation precision？
• Agent 架构：ReAct 和 Plan-and-Execute 怎么选？Agent Loop 里什么时候停止？反思、自我纠错、记忆分别应该放在哪一层？
• Workflow vs Agent：什么需求适合确定性 Workflow？什么时候必须引入 Agent？LangGraph 的 State / Reducer / Checkpointer 为什么重要？
• 多 Agent：Supervisor、Swarm、Orchestrator-Worker、Network 有什么差异？多 Agent 一定比单 Agent 强吗？如何避免协作成本超过收益？
• 框架选型：LangGraph、OpenAI Agents SDK、Claude Agent SDK、LlamaIndex、OpenClaw、Hermes、Pi 分别适合什么场景？
• 生产落地：怎样做 Agent 评估？如何追踪一次失败的 tool call？如何控制 token 成本？Prompt Injection、越权工具调用、沙箱逃逸怎么防？
• Coding Agent：Claude Code、Codex CLI、Cline、Aider 的设计差异是什么？为什么代码编辑工具通常要做 diff、permission、sandbox、checkpoint？

推荐学习路径

1. 先补底层概念：LLM、Prompt、Context、Tool Use。
2. 再进入系统设计：RAG、Agent Loop、Planning、Memory、Workflow。
3. 然后看协作与框架：Multi-Agent、LangGraph、OpenAI Agents SDK、Claude Agent SDK、LlamaIndex。
4. 最后补生产问题：Evaluation、Observability、Cost、Security、Rate Limiting。
5. 准备高阶面试：读源码解析和 OpenAI / Anthropic 工程实践，训练“为什么这么设计”的回答能力。

目录结构

.
├── llm/                 # 大模型基础
├── prompt/              # 提示词工程
├── context/             # 上下文工程
├── tools/               # 工具调用与 MCP
├── rag/                 # RAG 检索增强
├── agent/               # Agent 核心理论
├── workflow/            # 流程编排
├── multi-agent/         # 多 Agent 协作
├── frameworks/          # 主流 Agent 框架
├── source/              # Agent 源码解析
├── engineering/         # Agent 工程化
├── vertical/            # 垂直领域 Agent
├── industry/            # 一线工程分享
└── index.md             # 首页

本地查看

npm install
npm run dev

构建静态站点：

npm run build