面试题 · Prompt
搜索「检索」匹配到口述回答，相关段落已展开。查看匹配内容 ↓
请阐述你对AI Agent技术的理解，包括其核心概念、技术架构和典型应用场景。
AI Agent是以大模型为"大脑"的自主智能体，与传统LLM的关键区别在于：
| 特性 | 传统LLM | AI Agent |
|---|---|---|
| 交互模式 | 单次问答，被动响应 |
按学习路线查看教程、项目和面试题。
| 多轮迭代，主动规划 |
| 信息获取 | 依赖预训练知识 | 可实时调用外部工具 |
| 任务执行 | 仅生成文本 | 可分解任务并执行操作 |
核心能力：规划（Planning）→ 推理（Reasoning）→ 行动（Acting）→ 观察（Observing） 的循环
1. 推理范式
2. 工具调用机制
用户问题 → LLM生成结构化调用（函数名+参数）→ 执行工具 → 结果反馈 → LLM综合回答3. 记忆模块
4. 多Agent架构
| 场景 | Agent价值 | 代表产品 |
|---|---|---|
| 智能客服 | 自主查询订单/物流/退款，无需人工介入 | 阿里小蜜 |
| 数据分析 | 自动写SQL、生成图表、解读结论 | ChatGPT Code Interpreter |
| 科研辅助 | 文献检索→实验设计→论文撰写全流程 | AutoGPT |
| 软件开发 | 需求分析→代码生成→测试→部署 | Devin, GitHub Copilot Workspace |
场景切入
假设我们做一个智能客服系统，用户问'查一下我最近订单'，然后又说'退款吧'。传统LLM可能只能回答一次，但Agent需要自己决定去调订单API、再发起退款流程。你理解Agent跟普通LLM的本质区别在哪？
层层追问
你平时怎么让模型做多步推理的？……比如用ReAct，具体是怎么把思考、行动、观察串起来的？……那工具调用的时候，函数参数怎么自动填？
直球架构
给我讲讲AI Agent的核心技术架构，包括它的推理范式、工具调用机制、记忆模块这几个部分，再说两个典型的应用场景。
这道题其实是在问，我们怎么让大模型从被动回答问题变成主动解决问题。传统LLM你问一句它答一句，但[[Agent]]不一样，它是一个自主决策的循环：规划、推理、行动、观察，然后根据观察结果再规划，直到任务完成。这个循环里最关键的，一个是推理范式，一个是工具调用。
先说推理范式，最常用的是 [[ReAct]]，就是让模型边想边做。你问它一个复杂问题，它会先想一个计划，然后调用工具去查，看结果，再想下一步。这和[[Chain-of-Thought]]不一样，CoT是纯思考，适用于数学题那种封闭问题；而ReAct更适合开放场景，因为它的思考会指导行动，行动的结果又会修正思考。实际落地时，我通常会把两者结合，简单推理用CoT，涉及工具交互的用ReAct。
再一个就是工具调用，也就是 [[Function Calling]]。模型生成一个结构化的调用指令，比如search_order(order_id)，系统执行这个函数，把结果返回给模型，模型再综合回答。这个机制依赖模型本身的能力，如果模型不支持原生Function Calling，就得靠Prompt工程来模拟，但稳定性会差不少。这里有个坑：工具调用的参数很容易出错，比如订单号传错格式，或者工具返回的结果太长把上下文撑爆了。所以上线前我会特别关注参数校验和结果截断。
说到架构，现在主流是单Agent和多Agent两种。单Agent适合简单任务，比如查个天气。复杂任务我会倾向多Agent分工，一个负责规划，一个负责执行，一个负责验证。比如Devin那种，它内部有多个Agent合作完成软件开发。但多Agent的挑战是协调和成本，每个Agent都要消耗token，而且Agent之间沟通可能有信息丢失。所以我的取舍是：任务够复杂才用多Agent，否则单Agent加ReAct循环就够了。
典型场景我重点讲智能客服。传统客服是人工查订单，或者用关键词匹配。用Agent之后，用户说“我退款没到账”，Agent可以自动调用订单查询工具，查退款状态，如果显示已处理，再调用支付工具查流水，最后定位到银行延迟，然后给用户解释。这个过程中Agent的价值在于端到端自主处理，不用人工介入。但前提是工具接口稳定，而且Agent有清晰的权限边界，不能让它调用删除订单这种危险操作。常见失败场景是Agent在工具调用循环里出不来，比如查一次失败就反复查，白白浪费token。我会给循环加一个最大步数限制，超时就让步给人工。
还有一个方向，就是Agent的记忆管理，尤其长期记忆。现在很多方案用[[向量数据库]]存历史经验，但怎么在记忆里检索到最相关的信息，同时避免记忆污染，这是个值得深入的问题。
所以整体来说，我会把Agent看作大模型从知识问答走向任务执行的关键一步。它不是万能的，稳定性、成本和安全性都是落地必须解决的问题。我的选择是，先在小场景里跑通ReAct加单Agent，验证价值，再逐步扩展。