美团 AI Agent 开发面经（10 题附参考答案）

• 面试岗位：AI Agent
• 面试时长：1h30min
• 面试体验：★★★★

这份面经难得地自带参考答案，可以直接当答题模板对照。

CoT 适合简单咨询、规则查询类轻量场景，用来提升推理准确度；ReAct 是美团核心选型，适合需要频繁调用工具、多步骤执行的履约、售后任务，能做到边思考边调用工具闭环；Self-reflection 适合高精度 B 端经营报表、费用核算场景，通过自我复盘修正结果，规避业务错误。整体业务优先 ReAct，简单场景用 CoT，高精度场景叠加自省机制。

完整链路是用户提问 → 需求解析 → 工具筛选 → 模型生成结构化参数 → 参数校验 → 工具调用 → 结果汇总。针对参数不规范问题，做三层兜底：一是通过强约束 Prompt 限定 JSON 格式；二是代码层做参数正则校验、字段补全；三是解析失败触发降级，改用预设固定工具流程兜底，保证任务不中断。

首先做工具权限隔离，同类互斥工具禁止同时调用；其次增加任务唯一 ID 和幂等校验，拦截重复请求；最后通过工作流编排限制调用顺序，核心串行、非核心并行，从规则和代码两层规避冲突与混乱问题。

短期记忆存储单次会话、临时交互信息，会话结束自动失效，适配单次售后咨询、规则查询；长期记忆持久化存储用户偏好、历史订单、商家经营数据，通过向量数据库持久化，适配长期商家经营辅助、用户复购服务。

任务失败后自动触发异常检索，通过失败场景、错误类型检索历史同类问题的最优解决方案，作为 Few-shot 样本注入 Prompt，辅助模型修正工具调用逻辑和参数，实现自主纠错重试，提升任务成功率。

一是统一记忆写入与更新规则，新信息覆盖旧冗余信息；二是关键业务数据做固定锚点，不可被后续对话覆盖；三是每次推理前优先加载核心记忆，保证多轮输出逻辑统一，杜绝前后矛盾。

商家知识库数据量大、查询频次高，选用 HNSW 索引，兼顾查询速度与准确率；配送规则库数据更新频繁、实时性要求高，选用 FLAT 索引，保证更新精准、无误差，适配履约动态场景。

针对定时批量任务、多实例调度场景，基于 Redis 分布式锁抢占任务，同一任务同一时间只允许一个实例执行；同时绑定任务唯一 ID + 过期时间，防止死锁和任务重复执行。

采用缓存更新策略，先更新数据库，再删除缓存；同时增加定时巡检机制，定时比对缓存与数据库任务状态，自动修复不一致数据，最终保证 Agent 任务状态统一、可追溯。

通过意图识别判定残缺需求，结合业务知识库补全缺失信息；再通过任务拆解拆分多步骤子任务，依次调用对应工具执行；全程记录任务状态，异常自动重试，最终完成全流程业务闭环。

这份的价值在于给出了可直接复用的答题框架，尤其是：

• Function Calling 三层兜底（Prompt 强约束 → 代码校验补全 → 降级到固定流程）
• 记忆一致性三原则（统一写入规则 / 关键数据固定锚点 / 推理前优先加载核心记忆）
• 向量索引选型（高频大库用 HNSW，高频更新用 FLAT）
• 缓存与库一致性（先更新库再删缓存 + 定时巡检修复）