# 1. 单次 Tool Calling、固定工作流与动态 Agent 的决策权分别在哪里，如何从执行轨迹识别 A 单次 Tool Calling、固定工作流与动态 Agent 的区别在于下一步由谁决定，Agent 模式下模型在循环中自主选择下一步 ✓ 正确答案 B 动态 Agent 与固定工作流在多次运行中的执行轨迹完全相同 C 只要 trace 中出现工具调用就是动态 Agent 模式 D 固定工作流中模型在每个节点都决定下一步走向哪个节点
# 2. 什么条件表明步骤无法预先确定，足以引入 Agent 而不是继续使用普通代码控制流 A 当执行步骤无法在编码时预先枚举、路径选择依赖语义理解时，才应引入 Agent ✓ 正确答案 B Agent 可以完全替代代码控制流，不需要任何确定性逻辑 C 只要任务复杂就应该引入 Agent D 流程图能完整画出的业务也应交给 Agent 以提升灵活性
# 3. 如何定义 Agent 状态、允许工具、终止条件、最大步数、时间预算和成本预算 A 最大步数、时间预算与成本预算应联合设置，先达到者触发终止 ✓ 正确答案 B 工具暴露得越多，Agent 选择越灵活，应尽量全部提供 C Agent 状态可以用全局变量隐式保存，无需序列化 D 只要设置了最大步数，就不需要时间与成本预算
# 4. 如何用“模型决策点”与“确定性代码节点”的边界图来描述一个混合系统，二者比例应如何设计 A 混合系统中模型节点应尽可能多，以充分发挥模型能力 B 确定性优先：能枚举输出的决策用代码实现，模型只保留不可预写的语义决策点，且输出须经确定性校验 ✓ 正确答案 C 模型决策点不需要输入输出契约，因为模型输出总是符合预期 D 边界图中模型决策点应直接串联，形成全模型链路
# 5. Agent 的最大步数、最大 Token、最大墙钟时间如何联合设置，仅设单一上限会有什么风险 A 只设置最大步数就能完全防止成本失控 B 最大 Token 上限足以替代最大步数上限 C 三个上限应互不相关，单独触达时不终止 Agent D 步数、Token、墙钟时间三个上限分别防御循环失控、上下文膨胀与资源占用，应联合设置且先到者生效 ✓ 正确答案
# 6. Agent 终止条件（completed、failed、stalled、budget_exceeded） A budget_exceeded 触发后应直接丢弃任务状态 B failed 与 stalled 是同一终止条件的不同叫法 C completed 表示目标达成且产出通过验收，stalled 表示连续多步无实质进展，二者判定依据不同 ✓ 正确答案 D 模型思考时间较长就一定判定为 stalled
# 7. Agent 系统中“什么交给模型、什么留给规则”的判定标准，可预测性、可解释性、可逆性、责任 A 可预测性、可逆性、可解释性与责任四个维度应采用一票否决方式决定是否交给模型 ✓ 正确答案 B 只要模型准确率高，不可逆的付款操作也可以交给模型全自动执行 C 权限校验这类可枚举判定应交给模型以提升灵活性 D 可解释性只影响演示效果，不影响生产决策
# 8. Agent 的质量、延迟、成本和可控性如何权衡，哪些高风险业务不适合全自动决策 A 高风险业务应完全禁止使用 Agent 进行任何处理 B 追求低延迟就一定牺牲质量，没有折中方案 C 后台批量任务应优先延迟而非成本 D 质量、延迟、成本与可控性按场景确定优先级，高风险业务采用"Agent 提议 + 规则拦截 + 人工审批"模式 ✓ 正确答案
# 9. 如何把可确定的校验、权限、计算和事务留在代码中，只让模型处理模糊决策 A 模型输出的工具调用参数可以直接执行，无需校验 B 权限校验也应交给模型判断以提升灵活性 C 校验、权限、计算与事务留在确定性代码层，模型只产生结构化提议，副作用由代码校验后执行 ✓ 正确答案 D 模型决策点不需要输出 schema 与失败兜底
# 10. Agent 与 RAG、规则引擎及人工队列组合时，各自应承担哪部分任务 A RAG 负责最终决策，Agent 只负责检索文档 B 规则引擎应在 Agent 之前做快速拦截与路由，RAG 供给事实，Agent 编排决策，人工队列承接低置信度与高风险请求 ✓ 正确答案 C 人工队列的存在说明 Agent 设计失败 D 规则引擎应放在最后兜底，能省则省
# 11. Agent 与传统 if-else 工作流的成本-质量曲线如何测绘，何时应拆分为子 Agent 而非继续堆 if-else A 只要规则复杂就应该无限堆 if-else，直到覆盖所有分支 B 通过成功率、综合成本与维护成本测绘两条曲线，复杂度超过交叉点后 Agent 综合成本更低，且上下文超限或职责冲突时应拆分子 Agent ✓ 正确答案 C Agent 的单次成本一定低于 if-else 工作流 D 子 Agent 拆分只会增加成本，没有任何收益
# 12. Agent 的中间步骤产物（草稿、引用、计算）应如何持久化以便事后审计与故障恢复 A 中间产物不需要保存来源，只要保存最终结果即可审计 B 中间产物按类型分存并记录来源、版本与时间戳，既支持审计还原也支持故障恢复 ✓ 正确答案 C 故障恢复时所有产物一律重算 D 所有中间产物都必须放进事务数据库
# 13. Agent 跨会话复用状态（如记忆、上下文）应通过明文字段而非隐式全局变量传递吗 A 跨会话状态应通过显式状态对象传递，以保证可序列化、可审计、可隔离 ✓ 正确答案 B 显式状态会降低多实例部署的可扩展性 C 隐式全局变量跨会话更可靠，因为它不受序列化限制 D 跨会话注入记忆时不需要考虑授权与时效
# 14. Agent 执行轨迹（trace）的可视化应展示哪些关键节点（思考、工具、错误、回退） A trace 可视化只需要展示最终结果，不需要中间节点 B 工具节点的入参必须原样展示，包括密钥 C 回退节点不需要在可视化中标记 D trace 应展示思考、工具、错误、回退四类节点，并以统一 trace ID 串联成可展开的时间线 ✓ 正确答案
# 15. Agent 在关键决策点（删除、付款、合同签署）应如何强制人类审批而不仅是“礼貌询问” A 礼貌询问与强制审批效果相同，只是叫法不同 B 只要 Agent 在对话中询问确认，就算强制审批 C 强制审批通过审批队列与权限校验硬阻塞关键操作，授权后才执行并全程留痕 ✓ 正确答案 D 审批人不在授权名单内也可以审批关键操作
# 16. Micro-agent 与大型通用 Agent 在上下文隔离、复用和故障面上有何差异 A micro-agent 之间不需要任何编排 B 大型通用 Agent 的故障面更小，因为只有一个 Agent C micro-agent 上下文聚焦、可组合复用、故障局部化，通用 Agent 上下文混杂、耦合业务、故障单点化 ✓ 正确答案 D micro-agent 无法跨任务复用
# 17. 怎样用基线工作流证明 Agent 的增益，而不是只展示一次成功 Demo A 一次成功的 Demo 足以证明 Agent 优于基线 B Agent 增益不需要统计验证，凭感觉即可 C 评测集只包含成功样本即可 D 应在固定评测集上对照基线与 Agent 的成功率、延迟、成本等指标，做显著性检验并消融验证增益来源 ✓ 正确答案
# 18. Agent 的“推理轨迹”是否应在 UI 中完全暴露给用户，可能的安全与心理影响是什么 A 完整推理可能泄露内部策略并受提示注入影响，UI 应展示结果摘要与关键步骤，完整日志仅限审计访问 ✓ 正确答案 B 推理轨迹必须原样展示，否则用户无法信任 Agent C 展示推理会让用户更怀疑系统，所以任何过程信息都不该展示 D 推理中的幻觉经过展示就会自动变成事实
# 19. Agent 系统中如何定义“错误”，模型输出格式错、工具调用失败、目标未达成，三者修复策略差异 A 三类错误都可以用无限重试解决 B 格式错误通过 schema 校验与回传修正重试修复，工具失败按瞬时/状态分类处理，目标未达成需反思重规划或人工接管 ✓ 正确答案 C 目标未达成时重试即可，不需要反思 D 工具调用失败等同于模型输出格式错误
# 20. 为什么单一 Agent 处理多任务时容易“走神”，如何用任务边界让模型更聚焦 A 单一 Agent 处理多任务不会走神，因为模型能力足够强 B 走神问题只能靠更换更大模型解决 C 任务边界会降低 Agent 能力，应让 Agent 自由处理所有任务 D 多任务走神源于上下文混杂与目标漂移，通过单一职责、最小工具集与显式目标边界可让模型更聚焦 ✓ 正确答案
# 21. Agent 系统的“可恢复性”应如何与“可解释性”耦合，二者互相促进还是互相制约 A 恢复决策依赖解释信息，恢复过程又产生解释数据，二者相互促进；用精简状态支撑恢复、旁路日志支撑解释可化解表面制约 ✓ 正确答案 B 解释信息越多恢复越快 C 可恢复性与可解释性必须二选一 D 可解释性会必然拖垮恢复性能
# 22. 如何为 Agent 设定明确的状态、工具和终止条件，避免把简单业务流程交给不可预测的自由循环 A 用显式状态机定义状态与合法转移、按状态最小化暴露工具、结构化终止条件，可把模型限制在受控区域内收敛 ✓ 正确答案 B 简单业务流程交给 Agent 自由循环更灵活 C 状态机设计会限制模型能力，应完全去掉 D 非法状态转移应由模型自己发现并纠正
# 23. GPT-5 的规划能力提升后，订单退款这类高风险流程为何仍应由代码工作流掌控关键分支 A 模型规划能力足够强时，退款等高风险分支可以完全交给模型自主执行 B 代码工作流掌控关键分支会浪费模型能力 C 高风险流程只要模型正确率高就可以全自动 D 不可逆性与责任约束不随模型能力变化，退款关键分支（金额、权限、支付）应由代码确定性校验与执行，模型能力用于建议与边界处理 ✓ 正确答案
# 24. Agent 需要在计划失败时重规划，怎样保留原计划、失败原因和已完成副作用避免重复执行 A 重规划时直接丢弃原计划，从头再来最安全 B 保留原计划与失败原因作为重规划输入，用幂等键标记已完成副作用，新计划跳过已执行动作避免重复 ✓ 正确答案 C 副作用重复执行没有危害，不需要记录 D 重规划必须重新执行所有步骤
# 25. 如何比较 ReAct、Plan-and-Execute 和状态图编排在延迟、可观测性及错误恢复上的工程差异 A 三种模式在延迟与可观测性上没有差异 B 状态图编排比 ReAct 更灵活 C ReAct 灵活但串行延迟高，Plan-and-Execute 计划一次执行多次，状态图预定义结构延迟最低、可观测性与恢复粒度最好 ✓ 正确答案 D Plan-and-Execute 不需要重规划机制
# 26. 系统应如何通过置信度、规则节点或人工确认收敛行为 A 系统只需要置信度机制即可收敛所有行为 B 置信度分档做软收敛、规则节点做硬拦截、人工确认做最终裁决，三者递进组合保证行为收敛到受控路径 ✓ 正确答案 C 规则节点会与置信度机制冲突，只能二选一 D 人工确认的结果不需要回流校准
# 27. 多轮 Agent 运行中如何区分用户目标变化、环境状态变化和模型幻觉，避免错误继承旧计划 A 用户目标变化有明确陈述信号、环境变化可校验数据、幻觉无外部依据，通过计划有效性检查与事实核查区分，只继承已核实副作用 ✓ 正确答案 B 模型声称完成的任务一定真的完成了，可以直接继承 C 多轮运行中旧计划应无条件继续执行 D 环境状态变化与模型幻觉无法区分
# 28. 如何用 A/B 测试衡量 Agent 引入的边际收益（成功率提升、成本增加、延迟恶化） A A/B 测试只看成功率，不需要管成本 B 用同一任务集随机分流做对照，同时度量成功率收益与成本、延迟代价，按净收益与敏感性分析决定切换 ✓ 正确答案 C 延迟恶化不影响用户体验，可以忽略 D A/B 测试的评估者应该知道每个样本属于哪组
# 29. 哪些任务应使用 LangGraph 的确定性节点，哪些任务适合让 LLM Agent 自主规划，判断依据是什么 A LangGraph 中所有节点都应该用 LLM 实现 B 可枚举、不可逆、需合规的步骤用确定性节点，开放目标、路径不可预写的任务才用 LLM 自主规划，并以可枚举性、可逆性、责任为判断依据 ✓ 正确答案 C 确定性节点只能用于不重要的步骤 D LLM 节点不需要 schema 校验与兜底分支
# 30. Agent 框架版本升级时（如 LangGraph 0.x→1.x） A 框架升级就是改一下依赖版本，不用评估 B 升级后旧版本 checkpoint 一定还能直接用 C 升级前梳理破坏性变更与存量数据兼容性，通过兼容层、灰度发布与回滚通道降低风险，重点验证序列化与断点恢复 ✓ 正确答案 D 框架大版本升级不需要回归测试
