16 道 Agent 工程高频判断题，从 workflow 到上线

上一课讨论了 Prompt、RAG、微调三条路线怎么选。这课继续拆"知识增强"这条线：当企业同时有文档问答、实时搜索、深度研究三种需求时，RAG、Agentic Search、Deep Research 该怎么分层？

一、面试现场

面试题

“你在设计一个企业知识助手，用户既要查内部制度，又想追竞品动态，还需要自动输出行业研究报告。RAG、Agentic Search、Deep Research，你怎么选？”

百度某智能搜索产品组终面。候选人要做的系统同时承担制度问答、竞品追踪和行业报告生成。面试官不问模型选型，直接问知识路线怎么划分。考的是：你能不能按知识来源的稳定性、任务时长和证据要求把三条路线拆清楚。

这不是某一次面试的原题，而是从真实面经和 AI 工程岗位 JD 中提炼的高频判断题。本文所有工程讨论基于截至 2026 年 4 月仍通用的技术口径，不绑定特定产品。

二、大多数人怎么答的

第一种回答：“这些都跟知识检索有关，我用 RAG 统一做。先把文档、网页、报告全切 chunk、全建索引，查询时一起搜。不够就把 top-k 从 5 调到 20。”

第二种回答正好走另一个极端：“Deep Research 最完整，那我直接上最高级方案，覆盖所有场景。”

第一种把三种完全不同的任务结构混进一个管道，结果制度问答还凑合，竞品信息三天就过期，研究报告则变成"搜了几条再拼"。第二种把 2 秒能回答的制度问题拖到分钟级，用户等不了，系统成本也扛不住。

典型误判

“跟知识相关的需求都是一类问题，一个 RAG 管道就能全搞定。”——真正要分的不是"是否涉及知识"，而是知识来源是否稳定、是否需要联网、任务是否需要多轮研究。

三、正确判断框架

面试中最稳的回答方式：先按四个维度判断任务类型，再选对应路线。

判断 1：知识是否稳定、可提前索引？

制度文档、FAQ、产品手册、已归档报告——来源固定、更新频率可预期，适合 RAG 提前切块建索引。**违反后果：**用联网搜索回答一份已在内网定稿的制度条款，时延升 10 倍，答案可能引用过期网页版本，引用链也不可控。

判断 2：答案是否依赖运行时外部信息？

竞品最新发布、当日新闻、公开价格变动——这些信息不在本地索引里，也不可能提前收齐。需要在运行时决定搜什么、去哪搜、怎么补证据，这是 Agentic Search 的场景。**违反后果：**硬塞进静态索引，索引刚建完信息就过期；用户拿到"上周的竞品动态"当今天的决策依据，比没有信息更危险。

判断 3：任务是"找一个答案"还是"做一轮研究"？

输出一份带结构、带对比、带结论的研究报告，不是一次检索能解决的。Deep Research 的核心是先拆研究提纲、再多轮搜证、交叉验证冲突来源、最后综合成可审计的报告。**违反后果：**用"搜几条网页拼一拼"冒充研究，结论经不起追问，引用互相矛盾，报告质量不如人工花半天写的。

判断 4：时延和引用审计谁优先？

RAG 的引用链最容易做稳定审计且秒级响应；Agentic Search 响应在秒到分钟级，必须额外记录来源 URL 和抓取时间戳；Deep Research 时延在分钟到小时级，但每个结论必须回溯到证据集合。**违反后果：**把用户只接受 3 秒响应的场景丢给 Deep Research，用户等不及直接关掉，系统白跑一整轮研究流程。

总结一句话：RAG 管"库里有什么"，Agentic Search 管"外面正在发生什么"，Deep Research 管"把多个来源研究成一份结论"。三者不是升级关系，而是按任务结构分工。

四、面试官追问链

追问 1

“知识每天都在变（比如竞品价格监控），但用户仍然要求秒级一问一答，你怎么设计？”

回答思路：不在 RAG 和 Search 之间硬选一个，而是做混合分层。产品手册、历史评测等稳定部分走本地索引；竞品官网变更、实时价格走 Agentic Search。查询时先命中本地证据，缺失部分由搜索补充，两类证据合并送回答层。稳定内容秒级返回，动态内容多花 1-2 秒补搜。

追问 2

“Deep Research 和’多搜几次网页再总结’本质区别在哪？”

回答思路：区别不在搜索次数，而在有没有计划—执行—验证循环。“多搜几次"只是扩大素材量。Deep Research 先拆研究维度和子问题，再针对缺口定向搜索，再交叉验证冲突来源，最后生成带引用的结构化结论。没有这个循环，产出只是"素材拼接”。

加分题

“RAG 的 top-k 调到 20 和 Agentic Search 搜 3 次，效果区别在哪？”

方向：top-k 扩大是在同一个索引池里捞更多片段，提升的是召回覆盖率；搜 3 次是根据上一轮结果改写查询、换搜索来源、补充新证据，提升的是探索多样性。两者解决的不是同一个瓶颈。

五、落地案例

实战拆解

企业知识助手的三层拆分：制度问答走 RAG、竞品追踪走 Agentic Search、季度报告走 Deep Research。

某互联网公司战略分析团队搭了内部知识助手，第一版把制度、网页快照、历史报告全塞同一个索引。上线一周暴露三个问题：制度问答勉强能用；竞品信息频繁过期——问"XX 公司本周更新了什么"，系统返回三周前的快照；研究报告只是把几条 chunk 拼接输出，没有对比维度也缺交叉验证。

第二版拆分。制度问答走 RAG：按条款粒度切块，索引每周重建，回答必须附文档编号。竞品追踪走 Agentic Search：先提取竞品名和时间窗口，再去官网、新闻、财报实时搜索，结果必须带来源 URL 和时间戳。季度报告走 Deep Research：分析师给定大纲，系统按子问题分轮搜证、交叉比对后生成结构化草稿，人工审阅后发布。

拆完后，三条链路的指标终于分开：制度问答盯引用准确率和秒级时延；竞品追踪盯搜索命中率与信息时效性；研究报告盯维度覆盖率和人工审阅通过率。真正提升质量的不是换更高级的方案，而是让每条链路只解决它擅长的问题。

六、上线坑点

坑 1：用静态索引应对高频变化的信息

竞品发布、价格调整——每天在变的信息不适合用固定频率重建索引。用户周三查到的竞品数据可能还是上周的。这类查询必须走运行时搜索。

坑 2：检索不到就盲目加 chunk 数量

top-k 从 5 调到 30，噪音跟着涨，模型被不相关片段干扰，回答反而更离谱。检索不到的根因通常不是"取少了"，而是 query 和文档不在同一语义空间——先试 query rewrite，再考虑扩大范围。

坑 3：没有引用链，结果无法审计

不管走哪条路线，回答不带引用来源，用户无法验证、无法追溯。RAG 附文档段落编号，Agentic Search 附来源 URL 和时间戳，Deep Research 让每个结论可回溯到证据集合。信任一旦崩塌就很难重建。

七、本课总结与面试锦囊

一句话结论

静态稳定知识优先 RAG，开放探索优先 Agentic Search，需要多轮计划和综合分析时才上 Deep Research——三者不是升级关系，而是按任务结构分工。

面试锦囊

先说： 这三条路线解决的不是同一类问题——区分的关键是知识来源稳定性、是否需要联网、任务是检索还是研究。

再说： 给出四条判断标准——知识是否可索引、是否依赖外部实时信息、任务是问答还是研究、时延与审计要求。

最后补： 实际系统通常不是三选一，而是按查询类型路由到不同链路，稳定知识走索引、动态信息走搜索、研究任务走多轮计划。

判断 Checklist

☐ 知识来源稳定、更新频率可控 → 优先 RAG

☐ 答案依赖当天/当时的外部信息 → 优先 Agentic Search

☐ 需要多轮搜证、交叉验证、结构化结论 → 优先 Deep Research

☐ 用户只接受秒级响应 → 不要用 Deep Research 处理

别再踩的坑

• 把高频变化的信息塞进静态索引——索引刚建完信息就过期

• 检索不到就加 top-k——噪音涨比召回涨更快

• 回答不带引用链——用户信任一旦崩塌很难重建

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】