快手后端 AI 实习一面：Agent 与幻觉控制
本场面试题
- 什么是 Agent？
- 怎样降低 LLM 幻觉？
面经与参考答法
公司：快手；岗位：后端（AI方向）日常实习；轮次：一面。候选人自述约55分钟，部门和实际面试日期未披露。本文选录2题。
根据候选人公开自述整理，经历未经外部认证。以下短答和例子均为编辑教学补充，不代表现场答案、原项目实现或企业标准方案。
（1）什么是 Agent？
Agent 是围绕目标从环境获得观察、根据状态选择行动、读取行动结果并调整下一步的系统。LLM 可以承担决策，但不是 Agent 的全部；还需要工具合同、状态、权限、预算和停止条件。稳定且路径明确的任务可以采用确定性工作流；是否需要动态 Agent，应由任务变化、可验证收益及成本风险决定。
教学例子（非原项目实现）： 知识助手读到证据后决定继续检索、澄清或回答，形成反馈闭环；固定的“接收表单、校验、入库”链路则通常可直接用代码工作流实现。
深入阅读：智能体定义、类型、PEAS 与 Agent Loop
---
（2）怎样降低 LLM 幻觉？
先定位失败层：是缺少证据、检索到错误或过期内容，还是生成误读了正确材料。限定任务与来源范围，按权限提供相关上下文，对引用、数字和工具结果做外部校验，材料不足时允许澄清或拒答。用固定任务集与失败样本评估事实性、证据支持及拒答是否合适，再针对对应环节优化。Prompt、RAG 或微调都不能保证零幻觉，模型自报信心也不能替代事实核验。
教学例子（非原项目实现）： 文档没有写生效日期，就保留未知；即使引用格式正确，也要回读原段落，确认它支持回答中的具体结论。
深入阅读：大模型的能力边界、幻觉与不确定性