面试题 · 评估
请谈谈你对AI Agent（智能体）的理解，以及你对Agent未来发展的看法。
Agent vs LLM的本质区别
核心架构组件
| 组件 | 作用 |
|---|---|
| 规划（Planning） | 任务分解、子目标设定、反思调整 |
学习内容与项目面试，在同一条路上。
| 记忆（Memory） | 短期上下文 + 长期知识库 |
| 工具（Tools） | 外部API、代码执行、检索增强 |
| 行动（Action） | 执行具体操作并观察反馈 |
主流实现范式
短期（1-2年）：工程化与可靠性
中期（2-3年）：从工具调用到环境交互
长期：多智能体社会
个人判断：Agent的瓶颈不在技术架构，而在边界界定——什么该交给Agent自主，什么必须人工介入，这个"度"是落地关键。
场景切入
假设你给电商客服做个智能助手，用户问“帮我查一下订单”，然后又说“退款吧”。现在的LLM会直接回答，但你要让它自己判断需要先查订单再退款，中间还可能调用API。这种自主决策和被动响应的区别，你是怎么理解的？
层层追问
你觉得大模型落地到业务里，最关键的升级是什么？……如果只是问答，那和之前的聊天机器人有什么区别？……那如果要让它自主完成任务，比如订机票，它需要哪些能力？……这些能力组合起来其实就是Agent，你理解中的Agent核心是什么？
直球架构
谈谈你对AI Agent的理解，包括它和普通LLM的本质区别，核心组件，以及主流架构模式。另外你个人对Agent未来的发展趋势怎么看，比如短期和长期的演进方向。
这道题其实是在问，我们怎么理解大模型和[[Agent]]的关系，以及真正落地的时候，什么该交给Agent自主，什么必须人盯着。我觉得核心就一句话：LLM是大脑，Agent是完整的人。大脑能思考，但人才能感知、规划、行动、记忆，形成一个闭环。
具体说一下，LLM是被动响应的，你问一句它答一句，单次推理；Agent不一样，它自己会拆任务、调工具、看反馈、迭代执行。你可以这么理解：LLM像个知识丰富的顾问，你问什么它说什么；Agent像个项目经理，自己定目标、找人干活、检查结果。
架构上，大家常说的四个组件，规划、记忆、工具、行动，但我觉得别死磕论文里的定义。规划不只是任务分解，更重要的是子目标之间的依赖和冲突处理；记忆分短期和长期，短期就是上下文窗口，长期靠[[向量库]]或者[[知识图谱]]；工具是Agent的双手，比如调API、执行代码、甚至操作UI；行动就是执行并观察反馈。主流范式像[[ReAct]]是推理和行动交错，适合走一步看一步的任务；Plan-and-Execute是先规划再执行，适合流程明确的任务。不过说实话，真正落地常常是混着用的，比如客服场景，简单问题直接ReAct，复杂流程先规划再逐步执行。
举个例子，电商客服的退款场景。用户说“我买的东西降价了，退差价”，Agent需要先查订单状态、看价格变动、判断是否符合保价政策。这里有个坑：很多公司保价政策是写死的，比如“仅限7天内”，但实际运营可能灵活处理。如果Agent死板执行，用户会投诉；如果Agent完全自主决策，又可能被薅羊毛。所以我会把边界划清楚：明确规则内的，比如系统自动计算差价、触发退款，Agent直接走工具链；模糊地带，比如用户说“我买完就降价但超过7天”，Agent只做信息收集和判断建议，最终由人工客服确认。前提是Agent的规划能力够强，能识别出边界情况；如果做不到，常见失败场景就是Agent自作主张退款，导致资损。上线我会特别关注容错率，比如加一个阈值：低于50元的差价Agent自主退，高于50元转人工。
说到未来，我觉得短期核心是工程化，从“能跑通”到“跑得稳”，降低[[幻觉]]、提高工具调用成功率。中期会从调用API进化到环境交互，比如直接操作UI、控制软件。长期可能形成多Agent协作社会，但我个人判断，瓶颈不在技术架构，而在边界界定，什么交给Agent，什么必须人介入，这个度是落地关键。所以我更倾向务实派：很多场景单Agent加优质工具链已经足够，别为了炫技搞复杂多Agent。
总的来说，Agent的未来不是取代人，而是帮人做那些重复、确定、有规则的事，把模糊和异常留给人。