两份开源 Agent 题库，以及它们对我方优先级排序的交叉验证
2026-09-23，小红书上有两条帖子在贴仓库截图。一条 34 赞，贴了 16 张，是一个 100 题的 Agent 面试题库，分 11 个模块；另一条 98 赞，贴了 5 张，是一个以「16 周从基础到 Offer」为主线的学习路线仓库。
我把两份截图里的目录结构都拆了一遍。拆完发现一件比资源本身更有意思的事：那个 100 题题库里题量最多的模块是「生产与部署」（13 题），而我从 14 天面经反推出来的清单里，这一项排在 P2。
三个问题因此变得具体：
- 这两份资源的模块划分分别是什么？
- 它和我从面经反推的优先级，哪里一致、哪里不一致？
- 不一致的那一处，谁更可能是对的？
先把边界说清楚。我只读了帖子里的截图，没有逐题读完那 100 题，所以下面所有模块名和题量都来自截图直读，不是仓库当前状态。两个仓库的 star 数、最近更新时间、维护状态我都没有核实，凡是涉及「这个资源有多权威」的判断都属于我的推断。截图里的目录也可能已经过期。
它的 README 本身就是一张路线图，按周交付 RAG、Agent、MCP 与生产化作品集。目录分三块（截图直读）：
| 板块 | 覆盖内容 |
|---|---|
| 通用知识 / 核心技术 | 12 周进阶路线；Agent 核心概念与设计模式（ReAct / Plan-and-Execute / Multi-Agent）；框架全景（LangChain / AutoGen / CrewAI 横评）；LangChain 与 LangGraph 深度解析；RAG 核心知识与面试题；Agentic RAG 与 GraphRAG；Context Engineering 上下文工程（含 Anthropic 实践）；Agent 安全与评估体系 |
| 面试题库 | 面经索引（牛客 / 小红书 / 知乎 / CSDN / GitHub）；核心概念详解与参考答案；八股文答案集（69 题）；DataWhale 开源题库；牛客高赞拷打题合集；技术知识点速查 |
| 进阶面试题 | 核心概念进阶篇；系统设计进阶篇；AI 协作与工程化进阶篇；交互式算法题图谱（附可折叠 Java 解法） |
它还给了一张公司覆盖矩阵，按「岗位要求 / 面试题 / 真实面经」三列标注完成度。国内覆盖阿里、字节、小红书、百度、腾讯、美团、蚂蚁、华为、快手；海外覆盖 OpenAI、Anthropic、Google DeepMind、Microsoft，以及初创公司综合攻略。
100 题、11 个模块、四阶递进（入门基础 → 核心能力 → 工程实践 → 生产生态），MIT 许可，中文。每个问题按「简短回答 → 详细解析 → 误区与面试追问 → 参考资料」四层展开。
模块与题量如下（截图直读）：
| # | 模块 | 题量 | 覆盖 |
|---|---|---|---|
| 01 | Agent 架构 | 12 | Loop / 架构模式 / Harness |
| 02 | RAG | 9 | 检索增强全链路 |
| 03 | 工具调用 | 10 | Function Calling / MCP / 安全 |
| 04 | 多智能体 | 10 | 编排 / 通信 / A2A |
| 05 | 记忆与状态 | 7 | 分层记忆 / 上下文 |
| 06 | 规划与推理 | 9 | CoT / MCTS / Agentic RL |
| 07 | 提示工程 | 10 | 结构化输出 / 上下文工程 |
| 08 | 评估 | 9 | 基准 / LLM-as-a-Judge / 回归 |
| 09 | 安全与对齐 | 9 | 护栏 / 沙箱 / 红队 / 合规 |
| 10 | 生产与部署 | 13 | LLMOps / 灰度 / 扩容 / 灾备 |
| 11 | 框架 | 6 | LangGraph / 选型 / 自研 |
难度配比是基础约 30%、中级约 50%、高级约 20%。
这是这批样本里我觉得最值得记的一点。我是从真实面经反推优先级——面试官实际问了什么，就学什么；它是从题库设计推导——一个知识领域的完整地图该有哪几块。两条路径独立，结论却几乎重合：
| 主题 | 从面经反推 | Agent Interview 100 | 结论 |
|---|---|---|---|
| Agent 架构 / Loop / Harness | P0 + P1 | 模块 01（12 题） | 一致 |
| 工具调用与异常处理 | P0 | 模块 03（10 题，含安全） | 一致 |
| 上下文与记忆 | P0 | 模块 05 + 07 | 一致 |
| RAG（含 Agentic RAG） | P0 | 模块 02（9 题） | 一致 |
| 多智能体 / A2A | P1 | 模块 04（10 题） | 一致 |
| 评估 | P1 | 模块 08（9 题） | 一致 |
| 安全与对齐 | P1 | 模块 09（9 题） | 一致 |
| 生产与部署 / 成本 | P2 | 模块 10（13 题，题量最多） | 不一致 |
| 框架 | P2（二选一吃透即可） | 模块 11（6 题，题量最少） | 一致 |
唯一的分歧在「生产与部署」。它的题库里这个模块题量最多，我的清单把它放在 P2。把两边摆到一起看，它的权重更可能是对的——京东和美团的原题里，高并发、分布式锁、缓存与库一致性、消息队列积压都是真实考题，而我最初把它们归进了「后端基础」而没有单列。
修正：目标是大厂生产环境岗位时，「生产与部署」应从 P2 提到 P1。
另一处值得注意的一致：两边都把「框架」放在最末位。它 6 题、题量最少，我写的是「LangGraph 或 OpenAI Agents SDK 二选一吃透即可」。一份按知识地图组织的题库和一份按面试题反推的清单，在这一点上给出同样的判断，说明「会不会用某个框架」确实不是筛人标准。
当索引，别当教材。 它们的价值是告诉你该学什么、还缺哪块，具体深度仍要靠项目实践。100 题按模块过一遍，答不上来的模块就是短板，这比通读教程快。
用公司覆盖矩阵挑投递目标。 那份矩阵按「岗位要求 / 面试题 / 真实面经」三列标注完成度，覆盖完整的公司通常意味着该公司的面经样本足够多，可以针对性地准备。
和面经交叉读。 题库给框架和标准答案，面经给真实问法和追问路径。同一道题在两边的呈现方式差别很大——题库问「Function Calling 的流程是什么」，面经问「模型输出非法 JSON 怎么处理，怎么区分是 Prompt 问题还是模型能力不足」。后者才是面试现场的样子。
代价在这里：这两份资源都是个人维护的仓库，截图里的目录可能已经过期，题量、许可、更新频率我都没有核实。把它们当路标可以，当权威不行。
- 这个开源 Agent 题库堪称伟大 · Leo 的 AI 产品进阶实操 · 2026-09-23 · ♥34（Agent Interview 100，16 张截图）
- 这个 agent 学习网站真的很清晰啊 · 星星海 · 2026-09-11 · ♥98（16 周学习路线仓库，5 张截图）
- 用于交叉验证的面经来源，见 2026-09 面经汇总 的参考来源一节
这两个仓库的目录都会随版本变化，截图是 2026-09-23 的状态。题量、许可、维护活跃度我都没有核实，引用前值得自己去仓库确认一遍。
但有一件事现在就能确定：一份按知识地图组织的题库和一份按面经反推的清单，在「哪些模块最重要」上给出了同样的答案——而它们都把框架放在最末位。 剩下的距离，全在选一份地图然后把它走完的那一侧。