Agent任务规划+工具调用原理 · AlgoMooc

面试题 · Prompt

Agent任务规划+工具调用原理

来源标签：腾讯公司标签：腾讯 #腾讯 #Agent #Agent 系统设计 #大模型 Agent #任务规划

搜索「并行」匹配到口述回答，相关段落已展开。查看匹配内容 ↓

完整题目

请设计并实现一个基于大语言模型的简单Agent系统，要求具备任务规划、工具调用和结果反思的能力

本文目录

答案要点

ReAct思维链设计（Thought-Action-Observation循环）
工具注册与动态调用机制
反思模块的实现（检查工具结果、自我修正）
状态管理与上下文维护
错误处理与重试策略

核心架构：ReAct 循环

Agent = LLM + 工具 + 记忆 + 控制循环，采用 Thought → Action → Observation → ... → Finish 的推理模式。

关键模块实现

1. 工具注册与调用

class ToolRegistry:
    def __init__(self):
        self.tools = {}
    
    def register(self, name, func, description, params):
        self.tools[name] = {
            "func": func, "desc": description, 
            "params": params  # JSON Schema
        }
    
    def get_tool_prompt(self):
        # 生成工具描述给LLM
        return "\n".join([
            f"{name}: {t['desc']}, 参数: {t['params']}"
            for name, t in self.tools.items()
        ])
    
    def execute(self, name, args):
        return self.tools[name]["func"](**args)

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

class ReActAgent:
    def __init__(self, llm, tools: ToolRegistry, max_steps=10):
        self.llm = llm
        self.tools = tools
        self.max_steps = max_steps
        self.memory = []  # 历史记录
    
    def run(self, task: str) -> str:
        self.memory.append(f"任务: {task}")
        
        for step in range(self.max_steps):
            # 构造Prompt：任务 + 工具说明 + 历史 + 输出格式要求
            prompt = self._build_prompt()
            
            # LLM输出结构化思考
            response = self.llm.generate(prompt, stop=["Observation:"])
            thought, action, action_input = self._parse(response)
            
            self.memory.append(f"Thought: {thought}")
            
            # 反思检查：是否需要调用工具
            if action == "Finish":
                return action_input  # 最终答案
            
            # 执行工具
            try:
                obs = self.tools.execute(action, json.loads(action_input))
                self.memory.append(f"Action: {action}[{action_input}]")
                self.memory.append(f"Observation: {obs}")
            except Exception as e:
                # 错误反馈给LLM自我修正
                self.memory.append(f"Observation: 错误: {str(e)}")
        
        return "达到最大步数，未完成"

def reflect(self, step_result: dict) -> bool:
    """检查是否需要回溯或修正"""
    reflection_prompt = f"""
    上一步结果: {step_result}
    请判断: 1) 结果是否满足预期 2) 是否需要调整策略
    输出: Continue / Retry / Backtrack / Finish
    """
    decision = self.llm.generate(reflection_prompt)
    return self._handle_decision(decision)

模块	核心机制
规划	LLM自主分解任务，每步生成Thought
工具调用	结构化输出（JSON/特定格式）+ 动态路由
反思	结果验证 + 错误反馈 + 策略调整
记忆	滑动窗口上下文，关键信息摘要

换一种问法，检查是否真正理解

场景切入

假设你在做一个智能客服Agent,用户说‘帮我查一下上个月的订单’,Agent需要先调用订单查询工具,查到之后发现用户还想‘统计一下退款占比’,这时候它得自己规划下一步调用统计工具。你如果来实现这个能力,核心的循环机制怎么设计?

层层追问

Agent怎么知道什么时候该调用工具?……调用完工具拿到结果后,如果发现结果不对或者不够,它怎么自我修正?……这个循环你怎么抽象成代码?

直球架构

设计一个基于LLM的Agent系统,核心是ReAct循环,要求包含任务规划、工具调用和结果反思。你从整体架构开始,讲一下状态管理、工具注册、反思模块的具体实现,以及异常重试怎么处理?

练习口述回答 · 约4分钟

一句话定位：Agent本质是LLM+工具+记忆+控制循环
ReAct循环：Thought-Action-Observation不断迭代
工具注册与动态调用：结构化描述让LLM自主选工具
反思模块：检查结果、错误反馈、自我修正
落地风险：工具结果不可靠、循环失控、记忆溢出

这道题问的是[[Agent]]系统，说白了就是怎么让大模型不光能聊天，还能自主完成任务。核心框架就是[[ReAct]]循环，Thought、Action、Observation三步反复迭代，直到给出最终答案。

具体说一下，我设计一个Agent，先得有工具注册中心。比如客服场景，用户要退款，Agent得查订单、算金额、调用退款接口。每个工具我都注册进去，名字、功能描述、参数格式，用JSON Schema描述清楚。这样LLM看到提示就知道有哪些工具可用，怎么用。

然后核心循环来了。每次我先让LLM输出一个Thought，就是它打算怎么做，再输出Action和Action Input，就是调哪个工具、传什么参数。比如它想查订单号，就输出Action: query_order, Input: {"order_id": "123"}。我解析这个结构化输出，去执行工具，拿到Observation，也就是结果。如果结果正常，就把Thought、Action、Observation都追加到记忆里，继续下一轮。如果LLM输出Finish，那就返回最终答案。

这里有个坑，就是工具调用可能出错。比如订单号不存在，接口超时，或者LLM自己写错了参数。所以我做了错误处理，把异常信息也当成Observation塞回去，让LLM自己反思修正。比如它发现查不到订单，可能会换个订单号，或者问用户要更多信息。

再一个关键点是反思模块。每步执行完，我不是无脑往下走，而是让LLM判断结果是否合理。比如它调了库存查询，发现库存不足，那它得反思：是换个仓库，还是通知用户缺货？这个反思可以驱动它回溯、重试或者调整策略。说白了就是让模型自己检查自己的作业。

但真正落地，我特别关注几个风险。 一是工具返回的结果可能不可靠，比如第三方接口返回了脏数据，Agent会信以为真，导致后续全错。所以我会加一个验证步骤，对关键结果做格式校验和业务规则检查。二是循环可能失控，LLM在错误路径上越绕越深，所以我设了最大步数，超时就熔断，返回中间结果或者报错。三是记忆太长会超Token，我会用[[滑动窗口]]，只保留最近几轮，或者对历史做摘要压缩。

另外有个延伸点，就是当Agent需要同时调多个工具时，比如查订单的同时还要查用户信用分，我倾向于让LLM先规划一个子任务列表，再并行执行，而不是串行一步步走。这样能大幅提升效率，但对LLM的规划能力要求更高，也更容易出错。

所以我会把Agent看成LLM能力的外延，核心不是模型多强，而是控制循环和工具链的鲁棒性。我更倾向先搭一个简单但可靠的ReAct框架，再逐步加反思、并行、缓存这些优化，而不是一开始就上复杂架构。

Agent任务规划+工具调用原理

完整题目

答案要点

核心架构：ReAct 循环

关键模块实现

1. 工具注册与调用

2. ReAct 核心循环

3. 反思模块（关键）

设计要点

Function Calling:模型怎么学会「调工具」

完整题目

答案要点

核心架构：ReAct 循环

关键模块实现

1. 工具注册与调用

对应课程

Prompt 工程面试题大全

面试高频:LLM、Token、上下文、Agent 到底是什么

亲手调一次 LLM API(同步 + 流式)

2. ReAct 核心循环

3. 反思模块（关键）

设计要点

Function Calling:模型怎么学会「调工具」