面试题 · Agent
搜索「RAG 优化」匹配到口述回答，相关段落已展开。查看匹配内容 ↓
请描述AI Agent系统的核心组件及其功能
AI Agent系统的核心架构可拆解为四大组件：
学习内容与项目面试，在同一条路上。
| 类型 | 作用 | 实现方式 |
|---|
| 短期记忆 | 当前对话上下文 | 系统Prompt + 多轮对话历史 |
| 长期记忆 | 跨会话知识积累 | 向量数据库存储 + RAG检索 |
用户输入 → 规划拆解 → 检索记忆 → 选择工具 → 执行行动 → 观察结果 → （循环或结束）实际落地中，多Agent协作是进阶方向，通过角色分工（如规划Agent、执行Agent、反思Agent）提升复杂任务成功率。
场景切入
假设你在做一个智能客服Agent，用户问“帮我查订单”，Agent需要先查数据库再回复。你觉得这个Agent系统里应该包含哪些核心模块？每个负责什么？
层层追问
如果要做一个能自主完成任务的AI Agent，你觉得它需要具备哪些能力？……那这些能力怎么拆成具体的组件？……比如它得能记住之前聊了什么，这个记忆怎么实现？
直球架构
请描述一个AI Agent系统的核心组件，包括规划、记忆、工具、行动，并分别说明它们的功能和典型实现方式。
这道题其实是在问，当我们说一个系统是AI [[Agent]]时，它到底比普通聊天机器人多了什么。我的理解是，Agent的核心是把大模型从被动的问答角色，变成了一个能主动拆解目标、调用外部资源、并自我纠错的决策执行体。它的架构我一般拆成四个组件：规划、记忆、工具、行动，但真正落地时这四个不是孤立的，而是通过一个循环串起来的。
先说规划。规划模块负责把用户的一个模糊目标，比如“帮我处理一笔退款”，拆成可执行的子步骤。常见做法有[[Chain-of-Thought]]，就是让模型一步步想；还有[[ReAct]]，推理和行动交替进行，每走一步看结果再决定下一步。这里有个边界要划清：CoT适合纯推理任务，比如数学题；但一旦涉及外部操作，比如查订单、调API，ReAct更靠谱，因为它每步都能观察反馈。实际落地时，我通常把两者结合，先CoT做整体规划，再ReAct执行每一步，这样既保证逻辑连贯，又允许动态调整。
然后是记忆。记忆分两种：短期记忆就是当前对话的上下文，靠[[System Prompt]]和多轮历史维护；长期记忆是跨会话的知识积累，比如用户的历史偏好或者企业政策，我一般用[[Vector Database]]加[[RAG]]来存和检索。这里有个常见的坑：很多人以为长期记忆只存事实就好，但其实要区分知识类型。比如客服场景，退款规则是静态知识，适合向量检索；但用户的历史行为是动态的，更适合用结构化数据库。所以真正落地时，我倾向于 混合记忆，短期靠Prompt，长期按类型选存储，而不是一刀切用向量库。
工具模块是Agent能力的放大器。大模型本身不会算数、不会查库存，所以通过[[Function Calling]]让模型输出结构化JSON来调用外部工具，比如计算器、搜索引擎、API。这里的关键是工具描述要写清楚：功能说明、参数Schema、返回值格式。我踩过一个坑：工具描述太模糊，模型会瞎调用，比如用户问“订单状态”，它去调了退款API。所以上线前我会特别关注 工具描述的精准度，并且加一层校验，防止模型[[幻觉]]导致错误调用。
行动模块就是执行规划的每一步，调用工具、拿回结果，然后形成“观察→推理→行动”的循环。这个循环不是一次性的，而是多轮迭代，直到任务完成或达到终止条件。比如客服退款场景：用户说“我买的东西没收到”，Agent先规划出查物流、查订单、判断责任、执行退款四步；然后第一步调物流API，发现显示已签收，那就需要推理矛盾，再调订单详情确认地址，最后决定是否升级人工。这个过程中，如果某步失败，比如API超时，Agent要能自我反思，重新规划或报错，而不是卡死。
讲到这，其实有个延伸点值得提：多Agent协作。单Agent在复杂任务里容易出幻觉或者规划死循环，所以业界开始用角色分工，比如一个规划Agent拆任务，一个执行Agent调工具，一个反思Agent检查结果。但多Agent的通信开销和一致性控制是新的挑战，不是所有场景都适合。我目前更倾向于在单Agent内把规划和工具闭环做扎实，再考虑多Agent，因为很多失败其实是基础组件没做好。
所以我的总结是：Agent不是简单的组件堆叠，而是 规划-记忆-工具-行动 的闭环设计。我会把重点放在规划与工具的闭环上，因为这是Agent区别于聊天机器人的本质。记忆和行动更多是支撑，但做不好同样会崩。真要上线，我会先确保工具调用的准确率，再优化规划的灵活性，否则空有规划但执行不了，就是画饼。