AI Knowledge

外观

AI 应用工程核心名词词典专项面试题 ​

目录 ​

1. 使用说明 ​

  • 对应知识主题：AI 应用工程核心名词词典；
  • 角色：资深面试官检查概念分层和系统装配，高级技术应聘者用关系而不是孤立名词作答；
  • 回答顺序：先用 1～3 句给出专业边界，再用生活化类比解释组件如何协作；

事实红线｜ Skill、Plugin、Connector、Harness 等词可能依平台或工程语境变化，回答必须先限定本文语境；

  • 题目数量：7 题，重点覆盖 Prompt、Context、State、Memory、Skill、Tool、MCP、Harness、Workflow、Agent、Long Context、RAG 和 Fine-tuning。

阅读图例｜ L1～L2 概念与边界 · L3～L4 原理与实现 · L5 工程 · L6 架构 · L7 项目复盘

答案层级｜ 必答结论 · 小白解释 · 加分项 · 高频误区 · 下一问

2. 递进路线 ​

图：AI 应用工程核心名词词典 L1～L7 递进路线

替代文本： L1 建立应用分层 → L2 区分 Context/State/Memory → L3 区分 Skill、Tool、MCP、Connector、Plugin、Harness 与 Runtime → L4 区分 Workflow/Tool Calling/Agent → L5 选择 Long Context/RAG/Fine-tuning → L6 设计安全可靠运行时 → L7 用示例场景完成选型复盘。

图表加载中…

读图结论： 蓝色阶段建立概念与边界，紫色阶段进入原理与实现，橙色和青色阶段验证工程与架构能力，绿色阶段用项目证据完成复盘。

题链从“模型本轮看见什么”逐步追到“外部动作如何被安全执行”，最后要求候选人按任务性质选择正确方案，而不是堆热门术语。

图：AI 应用工程术语的职责边界与执行路径

替代文本： 数据、Knowledge Base、Memory 和 Cache 经 Prompt、RAG 与 Context 构造后进入由 Harness 包围和编排的 Workflow/Agent Loop，Skill 为循环提供按需加载的方法与资源。循环将 Tool Call 意图交给 Runtime，Runtime 承载主体权限、State、预算、Sandbox 和真实执行；Tool 是可调用能力，Connector 是将 Tool 契约适配到外部 API 或系统的适配层，MCP 是 MCP Client 与 MCP Server 之间发现和调用能力的标准协议，Plugin 则是可用来安装、注册或分发 Skill、Tool、Connector 或 MCP Server 的扩展单元，不是运行链上另一个执行能力。

图表加载中…

读图结论： Tool 是可调用能力，MCP 是能力发现与调用的协议，Connector 是屏蔽外部系统差异的适配层，Plugin 是安装与分发扩展的单元；Harness 包围和编排决策循环，Runtime 才承载主体权限、持久状态与真实执行。

这是一张学习坐标图，不是行业唯一的产品分层。两条执行路径可以并存：Runtime 可以调用本地注册 Tool，也可以通过 MCP Client—协议—Server 发现并调用 Tool；Tool 若需访问异构外部系统，可再通过 Connector 做契约适配。Plugin 只说明一个生态如何分发或注册扩展，并不代替 Tool、MCP 或 Runtime。数据库里存在的信息不会自动成为 Context，模型产生 Tool Call 也不等于动作已执行；只有 Runtime 完成权限校验、真实调用、状态更新和结果验收，链路才闭环。

3. 一问一答 ​

第 1 题｜L1 概念｜一个 AI 应用可以怎样分层理解？ ​

核心考察点｜从任务输入到可靠执行的整体分层

面试官提问

请把 Prompt、Context、RAG、LLM、Agent、Harness、Runtime 和 Tool 串成一条请求链。

30 秒专业短答

Prompt 表达本次任务，Context 是模型本轮实际可见的信息，RAG 从外部知识源检索证据并放入 Context，LLM 负责生成回答或提出动作。需要多步动态行动时，Harness 包围并编排 Agent Loop；Runtime 持久化 State、校验权限和预算、实际调用 Tool，再将 Observation 返回循环。

小白解释

像餐厅接单：Prompt 是顾客订单，Context 是厨师眼前的订单和配料说明，RAG 是去仓库找当天食材信息，LLM 像主厨做判断，Tool 是锅具和配送接口，Agent 根据每一步结果继续安排。Harness 像持续调度厨房回合的经理，Runtime 则是真正执行门禁、保存工单并开火或发起配送的运行环境。

  • 合格线｜ Prompt、Context、RAG、LLM、Agent、Tool、Harness、Runtime 职责清楚，且不把循环编排与强制执行合并；
  • 加分项｜ 指出模型提出 Tool Call 不代表真实动作已经执行；
  • 高频误区｜ 把所有组件都叫 Agent，或把 Context 只理解成聊天记录；
  • 下一问｜ 总体链路明确后，先深入最容易混淆的 Context、State 与 Memory。

第 2 题｜L2 边界｜Context、State、Memory、Knowledge Base 和 Cache 有什么区别？ ​

核心考察点｜模型可见信息、运行真相和持久化信息的边界

面试官提问

哪一个是任务恢复的真相源？哪些内容模型本轮并不一定看得到？

30 秒专业短答

Context 是一次模型调用实际看到的输入投影；State 是当前任务执行到哪里的结构化真相，也是恢复依据；Memory 是经选择后跨步骤或会话复用的信息；Knowledge Base 是外部领域事实源；Cache 只是按 Key、TTL 和版本临时复用计算或结果。除 Context 外，其他内容只有被检索或投影后才对模型可见。

小白解释

Context 像你桌面上摊开的资料，State 像施工进度表，Memory 像个人经验笔记，Knowledge Base 像档案馆，Cache 像暂存的常用复印件；档案馆里有资料，不代表此刻已经摆在桌上。

  • 合格线｜ State 是恢复真相，Memory/知识库/缓存需要召回后才进入 Context；
  • 加分项｜ 补充 Trace/Log 是执行证据，不应直接充当 State 或全部塞入 Context；
  • 高频误区｜ 把完整聊天记录当长期记忆，或把数据库中存在的数据都算作模型 Context；
  • 下一问｜ 信息边界清楚后，继续区分“教方法、给能力、定协议、做适配、做分发、编排循环、承载执行”的组件。

第 3 题｜L3 原理｜Skill、Tool、MCP、Connector、Plugin、Harness 和 Runtime 如何协作？ ​

核心考察点｜方法、能力、协议、适配、分发、编排与执行边界

面试官提问

请说明它们分别解决“怎样做、能做什么、如何通信、如何适配、如何分发、谁编排循环、在哪里持状态并执行”中的哪一个问题。

30 秒专业短答

Skill 是可按需加载的方法与资源包，Tool 是可调用能力，模型上下文协议（Model Context Protocol，MCP）是 Client 与 Server 发现和使用 Tool、Resource、Prompt 的标准协议；Connector 把对内契约适配到外部 API，Plugin 是平台语境中的分发或扩展单元。Harness 包围并编排 Workflow/Agent Loop，Runtime 则承载主体权限校验、State、Sandbox 和脚本或 Tool 的真实执行，再把 Observation 返回循环。

小白解释

Skill 像维修手册，Tool 像可使用的扳手，MCP 像统一通信规格，Connector 像不同型号机器与扳手之间的转接头，Plugin 像一个可安装的工具包。Harness 像调度员，负责让巡检、决策、执行和复查循环继续；Runtime 才是执行门禁、保存工单状态并实际开机的车间。

  • 合格线｜ 七个概念职责独立：MCP 不是 Tool 或权限系统，Connector 不是协议，Plugin 不是可调用能力，Skill 不自动获得执行权限；
  • 加分项｜ 说明 Connector 和 Plugin 属于具体生态的适配/分发概念，定义需限定平台，并能区分 Runtime 的强制执行与 Harness 的循环编排；
  • 高频误区｜ 把 Skill 当长期 Prompt，把 MCP 当 Agent 框架，把 Tool/MCP/Connector/Plugin 合并成同一层，或认为 Harness 本身就是唯一的权限与执行边界；
  • 下一问｜ 有了工具和运行支撑，还要判断下一步路径由代码还是模型决定。

第 4 题｜L4 实现｜如何实现一次受控的 Agent Tool Calling 循环？ ​

核心考察点｜Tool Call 从提议到受控执行、状态回写和终止的完整实现

面试官提问

从模型提出 Tool Call 到 Observation 回注下一轮 Context，说明参数校验、授权、执行、状态持久化和终止顺序。

30 秒专业短答

运行时先按 Tool Schema 校验参数，再基于当前主体做服务端授权；对副作用生成业务幂等键后执行 Tool，将结果、错误类型和版本写入 State 与 Trace，必要时先对账，再把经过筛选的 Observation 投影到下一轮 Context。循环必须受最大步数、时间、Token、费用和确定性终止条件约束；固定路径仍属于 Workflow，只有下一步由模型结合 Observation 动态选择时才形成 Agent Loop。

小白解释

像维修员先提交一张标准工单，系统核对字段和门禁后才发工具；修完要把结果写回进度表，再由负责人决定下一步。工单重复时不能重复扣料，超过时间或步骤上限就必须停下并交给人工。

  • 合格线｜ Schema 校验、服务端授权、幂等执行、State/Trace、Observation 回注和终止预算；
  • 加分项｜ 说明超时结果不确定时先对账，并采用“确定性 Workflow 骨架 + 局部受控 Agent + 统一 Harness”；
  • 高频误区｜ 把模型生成的参数直接执行，或把 Tool Call 当成动作已经成功；
  • 下一问｜ 控制流明确后，继续判断知识和行为应通过 Long Context、RAG 还是 Fine-tuning 进入系统。

第 5 题｜L5 工程｜Long Context、RAG、Memory 和 Fine-tuning 如何选择？ ​

核心考察点｜信息进入 Context、外部检索、长期记忆和权重更新的边界

面试官提问

面对整份合同、动态产品制度、用户偏好和稳定输出格式，你分别会用什么？

30 秒专业短答

有界且需要整体分析的材料可使用 Long Context；大规模、动态、需权限与引用的事实优先 RAG；跨会话偏好由 Long-term Memory 管理；严格输出格式优先 Structured Outputs/JSON Schema、字段校验与失败重试。只有稳定行为、风格或任务映射在 Prompt 基线不足，且已有可靠训练数据和评测时，才考虑 Fine-tuning；这些方案都不能替代服务端权限和事实校验。

小白解释

一次要通读一份合同，就把整份材料放桌上；资料太多且常更新，就先查目录找相关页；记住某位顾客偏好属于个人备忘；反复训练客服统一话术才像微调员工习惯。

  • 合格线｜ Long Context 处理有界材料，RAG 处理动态事实，Memory 处理可复用偏好，Fine-tuning 改稳定行为；
  • 加分项｜ 补充 Token 成本、注意力稀释、语料版本、删除、引用和微调数据泄漏；
  • 高频误区｜ 用 Fine-tuning 存频繁变化事实，或认为长 Context 能普遍替代 RAG 与 Memory；
  • 下一问｜ 选对知识方案后，还需要让 Agent 在不可信内容和副作用面前可靠运行。

第 6 题｜L6 架构｜怎样让 Agent 和 Tool 在生产环境安全可靠地运行？ ​

核心考察点｜纵深防御、可靠性与确定性安全边界

面试官提问

请把 Guardrail、Authentication、Authorization、HITL、Sandbox、幂等和 Trace 放到正确层次。

30 秒专业短答

Authentication 确认身份，Authorization/Least Privilege 决定可访问的资源与动作，HITL 将高风险动作绑定人工批准，Guardrail 检查输入、输出或 Tool Call，Sandbox 限制执行影响面，Trace 留下执行证据。副作用还必须配合超时、错误分类、业务意图幂等键和结果对账，不能只依赖 Prompt。

小白解释

进入工厂先刷身份证，再由门禁判断能进哪个车间；危险操作要主管签字，机器有防护罩，监控记录全过程。即使说明书写着“不要误操作”，也不能代替门锁和安全罩。

  • 合格线｜ Guardrail 不等于权限；超时结果可能不确定；副作用需幂等和对账；
  • 加分项｜ 区分不可重试错误、指数退避、抖动、撤权、敏感数据脱敏和高基数 Trace；
  • 高频误区｜ 模型说已授权就执行，或所有错误统一重试；
  • 下一问｜ 最后用多个示例场景证明候选人能做组合选型，而不是只会复述名词。

第 7 题｜L7 项目复盘｜四类任务分别应如何组合 Prompt、RAG、Workflow、Agent 和 Fine-tuning？ ​

核心考察点｜按任务、知识、风险和成本做组合选型，并诚实说明证据

面试官提问

请为企业制度问答、合同字段抽取、高风险退款和高频领域分类做方案选择，并明确这些只是示例。

30 秒专业短答

这是源文档中的示例选型：企业制度问答用 RAG、权限过滤与引用；合同抽取用 Prompt、Structured Outputs 和确定性校验；退款用 Workflow 管主流程，模型只辅助理解，高风险动作走授权、批准与幂等；高频稳定分类先做 Prompt 基线，有足够标注和冻结评测后，再比较全参数 SFT 与采用 LoRA 的参数高效 SFT。仓库没有这些系统的真实实现和指标。

小白解释

查公司制度要先找最新文件，填合同表格要按固定表单，退款像银行业务必须走审批流程，重复量大的稳定分类才值得训练专门话术；不能因为都用了模型，就把所有场景做成自由 Agent。

  • 合格线｜ 四类任务的优先手段与不选其他方案的理由清楚；
  • 加分项｜ 补充评测、版本、权限、失败恢复和上线门禁；
  • 高频误区｜ 所有场景都上 Agent，或把示例场景包装成个人项目经历；
  • 下一问｜ 本组题结束；后续应随机抽取词典术语，用“定义—作用—场景—边界”在 30 秒内复述。

4. 自测与评分 ​

  • [ ] 不看文档画出 Prompt、Context、RAG、LLM、Agent、Tool、Skill、MCP、Connector、Plugin、Harness 和 Runtime 的关系；
  • [ ] 随机抽取一个术语，用“定义—作用—场景—边界”在 30 秒内讲清；
  • [ ] 分别判断一个失败属于模型层、数据层、运行时还是权限层；
  • [ ] 按准确性、原理深度、工程意识、项目表达、沟通结构各 0～5 分评分；
  • [ ] 若把 Guardrail 当授权或把 Tool Call 当已执行，准确性与工程意识不得判为优秀；
  • [ ] 第 7 题的场景均为示例，不得陈述虚构指标。

5. 事实边界与参考资料 ​

  • 单一事实源：AI 应用工程核心名词词典；
  • 源文档引用 Transformer、RAG、ReAct、LoRA、InstructGPT、DPO 原始论文，以及 OpenAI、Agent Skills、MCP、OWASP 等官方资料；
  • Skill、Plugin、Connector、Harness、指令角色和 Context Window 具有平台或工程语境，使用前必须限定定义并核对目标平台；

当前无法确认｜ 示例场景的真实代码、模型、数据规模、准确率、延迟、成本和业务收益。

6. 总结 ​

一句话记忆： Prompt 定任务，Context 给本轮信息，RAG 补证据，Agent 选行动，Tool 提供可调用能力，Skill 教方法，MCP 定协议，Connector 做适配，Plugin 做分发，Harness 编排循环，Runtime 承载权限、状态与执行。

  • Context、State、Memory、Knowledge Base 和 Cache 不能混用；
  • Workflow 路径由代码预定义，Agent 根据 Observation 动态选择下一步；
  • Tool、MCP、Connector 和 Plugin 分别是能力、协议、适配层和分发单元，Harness 与 Runtime 分别负责循环编排和强制执行；生态术语必须限定语境，示例项目的未知结果不得补造；
  • Long Context、RAG、Memory 和 Fine-tuning 解决不同的信息与行为问题；
  • Guardrail 是辅助检查，身份、授权、批准和 Sandbox 才构成纵深防线；