Chapter 06 · Self-Check
自测：把答案收回去
十五道题在前五章已逐题给出参考答案；本章把答案收回去，检验脱离原文能否独立复述——速答闯关、场景判断、动手画图三关，全部通过即可合卷。
本章三关
- 速答闯关：Q1–Q15 原题重列，先口答，再展开骨架比对
- 场景判断：4 个真实业务场景，跨章组合概念作答
- 动手画图：凭记忆画出一张核心图，回章节比对
1十五题速答闯关
规则：逐题先口头作答，限时一分钟；答完展开骨架比对，缺要点的题回链对应章节重读。三道概念辨析题（Q4、Q9、Q12）的合格标准更高——复述必须包含「是什么」与「不是什么」两半。
01 记忆系统
记忆模块的数据存在哪种介质上？
提示：先分「上下文内 / 外部持久」两层，再按四类数据对应四类介质。
展开答案骨架
上下文内 vs 外部持久；文件存程序性指令、向量库存语义事实、DB/KV 存画像与会话、图库存实体关系——介质决定可答的查询类型。详见 01 记忆系统。
如何跨会话压缩对话并保留关键信息？
提示：四级流水线，从滑动窗口到分层分页。
展开答案骨架
滑动窗口→递归摘要→结构化事实抽取（ADD/UPDATE/DELETE 冲突消解）→分层分页换出换回；原则：决策与事实保留，过程性 token 丢弃。详见 01 记忆系统。
用户今天问 A、三天后问 B，如何关联两次提问？
提示：关键在 user_id 维度与写入时机。
展开答案骨架
user_id 维度长期记忆：写入时沉淀事实，检索时多信号召回 + 实体链接；区分 episodic 与 semantic 两类记忆。详见 01 记忆系统。
02 Agent 架构
FSM 状态机分哪几部分？如何代码实现？
提示：五元组 + 两种代码形态 + 与 LangGraph 的关系。
展开答案骨架
五元组：状态集、事件集、转移函数、初始态、终态，工程上加动作与 guard；dict 转移表或 Enum+match 实现；LangGraph 是其超集。详见 02 Agent 架构。
为什么选择 ReAct，而不是纯 Chain 或 Tool Use？
提示：用「任务形状」回答，并区分 ReAct 的两重身份。
展开答案骨架
任务形状决定：步骤可枚举用 Chain、单步查询用 Tool Use、开放式多步用 ReAct loop；ReAct 作为 prompt 格式已过时、作为循环架构存活。详见 02 Agent 架构。
多 Agent 框架怎么设计？划分 Agent 的依据是什么？
提示：三条设计轴，加一条「何时不拆」的反向条件。
展开答案骨架
三条轴：拓扑×协调×通信；划分依据按职责、工具集、上下文隔离、模型分层；子任务强依赖时不要多 Agent。详见 02 Agent 架构。
LangChain 和 LangGraph 的区别？
提示：高层与低层的分工，不是竞争关系。
展开答案骨架
LangChain=高层快速路径（create_agent+middleware），LangGraph=低层图运行时（StateGraph+checkpointer）；前者底层就是后者。详见 02 Agent 架构。
03 Skill 机制
Skill 是什么？Auto-coder Skill 的工作流程是怎样的？
提示：一句定义 + 三阶段 + 一处必要的澄清。
展开答案骨架
Skill 是以 SKILL.md 为核心的文件夹；渐进式披露三阶段 Discovery→Activation→Execution；auto-coder 项目本身无 Skill 机制，作答先澄清所指。详见 03 Skill 机制。
Skill 的核心价值是什么？为什么会出现这个概念？
提示：从「上下文是稀缺资源」切入。
展开答案骨架
上下文是稀缺资源（对比 MCP 预载开销）；know-how 资产化；与 fine-tuning、RAG、MCP 互补而非替代。详见 03 Skill 机制。
04 工程落地
可插拔 RAG、一键配置切换，是不是热更新？
提示：先把「热更新」拆成两种再回答。
展开答案骨架
是配置热更新、不是代码热更新；策略+注册表+工厂，配置中心 watch→重建实例→原子替换；新增实现类仍需发版。详见 04 工程落地。
工厂模式的优点是什么？
提示：五个优点 + 一个常见误称 + 一个框架实例。
展开答案骨架
解耦创建与使用、开闭原则、依赖倒置、创建收口、易 mock；简单工厂不是 GoF 模式；init_chat_model 即工厂。详见 04 工程落地。
本地部署要考虑什么？配置管理放在哪里？
提示：六项部署清单 + 配置三级分层。
展开答案骨架
推理引擎（Ollama/vLLM）、显存与量化、数据不出域、依赖自带、监控、license；配置分层 .env→配置中心/ConfigMap，Secret 单独管。详见 04 工程落地。
第一个项目后台怎么搭建的？
提示：STAR 结构，量化结果收尾。
展开答案骨架
STAR：背景→选型理由（SSE 单向流式、async 阻塞陷阱）→分层架构（FastAPI+向量库+Redis+队列）→量化结果。详见 04 工程落地。
05 算法题
算法：股票交易。
提示：先问清是哪个变体，再用状态机 DP 统一。
展开答案骨架
先澄清变体；121 一次遍历记最低价，122 贪心吃上升段；状态机 DP（hold/empty）统一全系列。详见 05 算法题。
2场景判断题
面试中的高分回答往往跨知识点。以下 4 个场景各自要求组合至少两章（或在多个备选方案间做排除）的概念；先写下结论与依据，再展开答案核对。
场景 1 · 记得住投诉、换得了策略的客服 bot
客服 bot 要记住老用户三个月前的投诉记录，同时运营侧要求随时切换底层检索策略（关键词 / 向量 / 混合），不重启服务。给出整体方案。
展开参考判断
两个需求分属两章。投诉记忆：以 user_id 维度建长期记忆，写入时沉淀事实而非依赖原始对话日志，检索时多信号召回（01 记忆系统）。策略切换：策略接口 + 注册表 + 工厂，配置中心 watch 触发重建实例、原子替换——这是配置热更新，新增策略实现类仍需发版，向运营说明该边界（04 工程落地）。涉及：01、04 章。
场景 2 · 文档流水线要不要上多 Agent
一条固定「抽取→翻译→格式化」三步的文档处理流水线，团队提议改造为多 Agent + ReAct 架构。给出技术判断。
展开参考判断
反对。任务形状决定架构：三步可枚举、顺序固定、无开放式决策，Chain / 固定 workflow 更便宜、更稳、更易调试；ReAct loop 只在步骤不可预知时才有回报。多 Agent 带来约 15× 的 token 成本与协调复杂度，在此场景收益为零（02 Agent 架构）。涉及：02 章。
场景 3 · 把代码评审规范沉淀给 agent
团队要把代码评审规范（流程、检查清单、风格约定）沉淀给编码 agent，备选方案：fine-tuning、RAG、MCP、Skill。规范每月都会修订。选哪个，为什么？
展开参考判断
Skill。评审规范是流程性 know-how——「按什么步骤、查什么清单」，正是 SKILL.md + 渐进式披露的设计目标（03 Skill 机制）。排除逻辑：RAG 适合事实库检索而非流程执行；MCP 是工具连接层，解决「能调什么」不解决「该怎么做」；规范每月修订，fine-tuning 的训练成本与迭代周期无法跟上。涉及：03 章。
场景 4 · 可中断、可回溯的审批流 agent
审批流 agent 要求：每一步可中断、可回溯，人工确认后从断点继续。裸 ReAct loop 能否满足？状态如何设计与存储？
展开参考判断
裸 ReAct loop 不满足——循环内无持久化检查点，进程一死全部重来。选 LangGraph：checkpointer 持久化每步状态，interrupt 在人工确认点暂停、确认后从断点恢复（02 Agent 架构）。状态设计参照 FSM 五元组显式枚举审批状态与转移（02 章）；会话与审批状态落 DB/KV 等外部持久介质，按介质决定可答的查询类型（01 记忆系统）。涉及：01、02 章。
3动手画图
合上教程，凭记忆画一张图
从以下两张图中任选一张，在纸上（或白板上）凭记忆画出，不翻教程：
- ① 记忆介质选型图：记忆类型→存储介质的完整映射，含每种介质擅长的查询类型（对照 01 记忆系统）；
- ② 股票状态机 DP 转移图：hold / empty 两个状态、买入与卖出转移边、转移方程（对照 05 算法题）。
画完后翻回对应章节逐节点比对：漏掉的节点与边，就是下一轮重读的入口。能独立画出整张图，这一章才算真正通过。
建议三天后与一周后各重做一遍速答闯关：间隔重做比当天重读有效，两轮全过即可放心进考场。