一、基础概念讲讲你对agent的理解Agent不是简单的工具调用是一套完整的智能决策系统。1. 什么是AI Agent与传统的LLM应用的核心区别是什么传统LLM应用是“一问一答”的单次交互用户问-模型答-结束。模型不会主动做什么也不会调用任何外部工具。agent是“目标驱动”的自主系统用户给目标-agent自主规划-调用工具-观察结果-调整策略-继续执行直到目标达成。执行方式agent主动执行状态管理agent有状态记忆工具调用agent自主调用外部API任务规划agent有规划模块错误处理agent有反思机制为什么需要agenta. 大模型知识有截止时间无法获取实时数据b. 复杂任务需要步骤规划和分解c. 需要场景化的持久记忆d. 需要从失败中学习与自我修正2. 解释ReAct框架工作原理ReActReasoning Acting是Agent最核心的思维框架核心流程是“思考-行动-观察”的闭环a. 思考模型用自然语言写出推理过程比如“用户问天气我需要调用天气API”b. 行动基于思考结果执行具体操作如调用天气工具c. 观察获取工具返回结果d. 循环观察结果放入上下文回到思考环节判断是否需要继续执行3. Agent记忆系统如何设计短期记忆存储当前会话的对话历史和推理过程靠大模型context实现容量有限但访问快。工作记忆临时存储任务状态和中间结果任务完成后晴空比如“查订单-查物流”任务中工作记忆记住订单号。长期记忆存储历史经验、用户偏好、知识库用向量数据库实现支持语义检索比如记住“用户对海鲜过敏”下次订餐自动避免。短期记忆通过滑动窗口保留最近N轮对话长期记忆需要检索机制根据当前任务召回相关经验工作记忆用结构化字典定义状态schema用独立的状态对象管理每轮调用时选择性注入相关部分。二、架构设计类感知-决策-执行-记忆4. 设计一个支持多工具调用的react agent核心循环是什么a. 接受用户输入b. 思考判断是否调用工具c. 调用工具获取数据d. 观察数据调整策略继续下一轮循环关键点 必须有最大迭代次数防止无限循环工具失败模型自动修复5. 如何避免agent陷入死循环原因工具调用格式错误反复重试两个agent相互等待对方反馈目标不明确一直执行无关操作a. 循环检测记录最近N次工具调用序列若发现模式重复连续3次调用同一个工具且参数相同立即中断并告警b. 最大迭代次数限制每个任务最多执行M步超过直接返回“任务过于复杂请简化需求”c. 目标对其检查每执行3步让agent检查现在操作是否朝向原始目标前进如果偏离则重执状态6. 工具调用可靠性如何保证a. schema校验包括必填参数和类型约束b. 重试策略区分错误类型 网络超时重试3次参数错误不重试5xx服务器错误重试4xx客户端错误不重试c. 降级方案工具不可用时切换到备用工具比如主搜索引擎挂了切换到备用源7. plan and execute 和react如何选择前者把计划列出来再执行后者边想边做下一步执行以来上一步结果。a.步骤明确、流程固定的任务 选plan and execute 省成本b.探索性和需要改需求的任务 选 react灵活最佳实践混合模式高层规划用plan and execute每个执行内部用 react。既有全局规划又有局部灵活性。三、多agent协作8. 为什么使用多agent单agent的局限性a. 能力广度和深度单agent需要全能但是LLM知识覆盖不全多agent代码agent只关注编程法律agent只处理合规各司其职。b. 错误传播风险单agent一旦产生幻觉后续步骤全部失效多agent引入交叉验证。c. 任务分解瓶颈复杂任务“开发一个web应用”需要多阶段多技能单agent难以有效规划和执行关键核心点 规划、技能、上下文窗口、错误累积代码开发分层多agent第一层Orchestrator总控↓ 任务分发 / 进度管理 / 冲突裁决第二层Architect Reviewer规划与审查↓ 架构设计 / 技术选型 / 代码审查第三层Frontend / Backend / DB / DevOps / QA专业执行↓ 具体编码 / 调试 / 测试9. 多agent协作模式有哪些a. manager-worker模式一个manager负责任务分解和分配多个worker执行子任务适合标准化流程如软件开发b. debate模式多个agent提出方案通过辩论达成共识适合高置信度决策场景如投资建议。c. critic-actor模式actor生成初稿critic检查错误actor修正循环适合迭代优化如代码生成。d. blackboard模式所有agent读写共享黑板异步协作。适合信息整合如多源情报分析10. 如何避免多agent的“无限循环讨论”a. 设置讨论轮数限制比如做多3轮辩论超过后投票输出结果b. 引入中立的仲裁者当agent陷入争论时由仲裁者直接做决定c. 加权共识根据agent能力加权reviewer意见权大于author意见d. 强制收敛定义明确完成的定义满足条件后立即停止讨论限制轮数、加权、收敛、仲裁四、实战应用与系统设计拉开差距的题11. 设计一个企业知识库问答Agent架构设计分四层用户输入-意图理解-检索增强-检索向量数据库用户输入经过意图理解然后进入检索增强层RAG检索向量数据库最后生成答案检索优化方面 混合检索加向量语义召回重排序对召回结果打分权限过滤用户角色知识引用溯源方面答案必须标注引用来源支持跳转到原始文档质量评估方面看top-5召回率通过人工抽检和定期满意度调研12. agent评估指标第一级效果指标任务完成率、答案准确率、引用正确率第二级效率指标平均完成步数、端到端延迟、token消耗、API调用次数第三级鲁棒性指标错误恢复成功率、异常处理能力、自修正次数13. 如何设计一个低延迟的agent系统模型层优化用4-bit量化推理速度提升50%提速核心不是算得更快而是搬得更少显存带宽才是大模型推理的真正瓶颈用小模型做意图识别大模型只做复杂任务预热模型避免首次调用冷启动。并行处理独立做任务并行执行如同查询天气和查新闻工具调用异步化不要等待流式输出前端边生成变渲染。缓存机制高频问题的答案缓存工具调用结果缓存向量检索结果缓存redis过期时间设为1个小时上下文管理压缩早期对话为摘要滑动窗口保留最近5轮分层召回短期对话加长期记忆14. Prompt injection如何防护提示注入将非法指令喂给大模型执行非预期操作第一层输入净化关键词过滤“过滤指令”、“修改系统”等危险词去掉特殊字符第二层上下文隔离用明确分隔符区分系统指令和用户输入通过system标签和user标签隔离第三层工具权限分级只读工具直接调用修改工具二次确认 危险工具删除、转账需要人工审核第四层输出监控实时监控工具调用检测异常模式包括突然调用不相关工具、频繁调用高风险工具、工具参数异常五、前沿趋势加分项15. 25-26Agent的新趋势有哪些1. 具身智能从软件走向物理世界如机器人、智能家居2. 长文本模型很多模型支持128k上下文减少检索依赖直接处理长文档3. 自主进化agent根据失败轨迹自动优化自己的行为类似人类的从错误中学习4. 多模态Agent不只文本还能处理图像、音频、视频比如电商agent能看商品图、听用户语音16. agent和rag什么关系什么时候用哪个rag是知识增强解决模型不知道的问题用户问-检索知识库-模型回答agent智能决策解决模型不会做的问题用户给目标-agent规划调用工具-执行反馈纯问答场景如企业知识库选rag不需要工具直接检索回答需要操作、复杂任务、实时查询 用agentagent和rag可以结合agent可以用rag做长期记忆agent检索工具内部就是rag系统17. 如何评估agent的推理质量只看最终答案对不对无法评估推理质量过程审计 人工抽检agent思考过程检查推理逻辑、工具选择、有没有非必要步骤对比分析 同一个任务对比不同推理模式的效率和结果观察那种模式步数最少、成功率更高AB测试线上AB测试不同的推理策略不同环节A推理B不推理对比任务完成度和用户满意度18. agent的反思机制反思reflection是agent自我优化的核心1.独立critic agent一个agent负责执行一个负责审核。actor生成初稿critic检查问题actor修正循环往复。2.自我对话 我刚才做的对吗自己给自己输出提建议3.失败轨迹记录记录每次失败的原因和修正策略下次遇到类似的情况直接服用4.关键设计反思不能无限循环最多2-3轮否则会导致资源浪费19. agent的长期记忆如何设计长期记忆不是简单的向量数据库需要多层结构第一层事实记忆存储具体、可验证的事实如用户喜欢什么用向量检索召回第二层经验记忆存储任务执行的成功和失败模式如查订单工具超时该用备用api按任务类型检索第三层偏好记忆 存储用户个性化设置如输出简介、需代码注释直接读取不需要检索更新策略 每次对话结束后提取重要信息更新记忆用LLM自动总结和分类20. 你任务agent目前最大的瓶颈是什么1. 可控性与能力的矛盾想让agent强大就给他足够自由但又回引入不可用风险2. 成本问题一个复杂任务可能需要几百步推理调用几十次APItoken消耗巨大如何优化推理路径减少不必要的工具调用直接影响商用可行性3. 评估体系不完善相比模型评估agent评估还缺乏标准化指标和基准如何衡量一个agent好不好还没有共识答案这些问题正在通过更好的推理模型如deepseek-r1更高效的工作流编排langgraph、更完善的评估框架gaiaagentbench解决参考20道高频Agent面试题深度解析从基础概念到架构设计助你拿下AI Agent Offer-CSDN博客