问RL项目，目前我RL只有基于模仿学习的一个算法还在做，没啥实质性成果，因此就讲了一下以前基于carla尝试做的自动驾驶DQN，对方来了兴趣细问这个任务的状态、动作空间，模型的结构、遇到的问题等，两年前做的，东西也不难，大概答了一下没什么错漏。开始问RL相关了，我已经一年没接触强化学习了，最近才开始慢慢看模仿学习，赶面试前一天总结了一下相关内容就面了。

这题可以按「结论 -> 原理 -> 场景 -> 风险」来答，重点放在AI 工程里的可落地理解。 答题要点： 1. AI 工程题要把模型能力、数据链路、推理服务、评测和成本一起讲，避免只谈调 prompt。 2. RAG 类问题说明切分、向量化、召回、重排、上下文组装、生成和评测；幻觉治理靠检索质量、引用约束、拒答策略和离线评测。 3. Agent 类问题关注工具调用、状态管理、任务编排、超时重试、权限边界和可观测性。 容易被追问： - 如何评估 RAG 是否真的变好？ - 工具调用失败如何补偿？ 注意事项： - 不要把 Demo 能跑当成生产可用，要说明延迟、成本、权限和失败兜底。