第 4 章定位为 Agent 岗面试的分水岭，主要考察候选人能否将大模型从静态的文本生成工具，转化为在动态环境中解决复杂任务的自主执行体。这一章适合已掌握大模型基础调用与提示词工程的工程师学习，建议安排 2 到 4 天时间集中突破。读者需要从单纯的问答思维转向工程架构思维，理解模型推理、环境反馈与工具执行结果之间的双向交互机制。
考点地图
ReAct 循环与基础范式
这部分考察对 Agent 基础运转机制的底层理解，核心是观察与动作在时间轴上的交替过程。面试官通常会探讨模型如何解析非结构化的环境反馈，以及在多轮次交互中如何维持任务状态不发生偏移。它是后续复杂任务规划的基础，决定了候选人能否处理单步工具调用带来的非预期结果，并与记忆系统模块形成紧密的数据流依赖。
任务规划与反思机制
这里重点关注复杂任务的逻辑拆解能力，考察模型如何将模糊目标转化为明确可执行的子步骤集合。追问方向多集中在计划执行中断时的状态恢复策略，以及如何通过自我反思机制让模型主动修正规划路径。该模块建立在基础交互循环之上，将单步试错扩展为具有容错性与回溯能力的执行流，与下游工具调用模块共同决定任务完成度。
记忆系统与上下文管理
本模块测试应对长期交互状态维护的工程能力，要求清楚如何在大模型有限输入窗口内保留有效信息。面试官会询问短期工作记忆与长期情景记忆的物理边界，以及如何通过多路向量检索或定时摘要压缩处理上下文溢出。它与任务规划模块配合，确保模型在执行长周期任务时能准确回忆历史步骤，保持核心目标一致性。
工具调用与综合评估
这部分考察 Agent 与外部环境交互的具体工程实现，以及如何度量系统的业务价值。追问重点在于并行工具调用的冲突处理、沙箱环境的安全隔离设计，以及如何构建多维度评测集衡量真实完成率。它是 Agent 架构的末端环节，决定了系统在真实场景中的可用性与稳定性，也是面试中考察工程落地经验的最后一道考察点。
站内学习路线
本分类站内现有速答 13 篇、深度长文 3 篇。建议按照先打基础、再攻高频、最后自测的顺序复习，将零散知识点串联成完整的架构图。
第一阶段先打基础，建立对 Agent 核心运转机制的直观认识。首先阅读深度长文 LLM 和 Agent 的本质区别：从「会答」到「会做」差了哪几件事，拆解从文本生成到动作执行所需的意图识别与状态流转机制。接着学习速答 什么是 AI Agent？它和直接调用大模型有什么区别？ 与 ReAct 是什么？它是怎么跑起来的？，掌握观察、思考与动作循环，理解提示词承担的调度功能。此时应补充阅读长文 只有 CoT 为什么做不出 Agent？ReAct 补上了哪一块，搞清内部推理与外部反馈的相互依赖关系，明白纯粹思维链为何在动态环境中失效。
第二阶段再攻高频，深入架构设计的具体执行模块。先通过速答 ReAct、Plan-and-Execute、Reflection 三种范式有什么区别？怎么选？ 建立架构选择视角，理解不同场景对延迟和准确率的权衡。随后进入长文 CoT + Plan-Execute：把复杂任务拆成 Function Call 能接住的步骤 学习复杂任务拆解，看清宏观计划如何映射到底层函数调用。接着按顺序刷速答 Agent 的任务规划怎么做？为什么要先拆解再执行、Agent 的记忆系统怎么设计？ 以及 Agent 怎么并行调用多个工具？什么时候该并行什么时候串行？。这个顺序顺着真实任务执行流展开，从初步规划到状态维护，再到外部 API 并发交互，符合工程实现的真实路径。
第三阶段最后自测，关注异常处理与工程落地。重点复习速答 Agent 为什么会陷入死循环？怎么检测和治理？ 与 Agent 的效果怎么评估？评测集怎么建？，思考真实业务中如何保证系统稳定性以及量化模型改进效果。
完成上述阶段后，读者可以前往 /interview/quiz 页面进行模拟面试抽题，检验高压环境下的表达逻辑，或者在 /interview/category/agent 本分类页查阅剩余速答题目查漏补缺。
高频追问与避坑
面试官追问：「如果 Agent 在调用外部搜索工具时一直返回相同结果，导致它不断重复相同动作，你会怎么在架构层解决这个问题？」 答题方向：需要从状态监控与强制干预两方面回答。可以引入基于历史动作序列的滑动窗口相似度检测机制，一旦发现重复动作频率超过预设阈值，就通过系统层面拦截请求，向模型注入带有纠正意味的提示词来改变规划路径，或直接交还控制权给人类。浅答的误区在于只提「增加最大执行步数限制」，这种做法只是粗暴截断任务，并未解决模型陷入局部死锁的根本逻辑，会导致任务完成率下降。
面试官追问：「当用户的历史对话记录和中间执行步骤超过了模型的最大上下文窗口，除了简单的头部截断，你打算如何设计记忆系统保留关键信息？」 答题方向：应当明确区分短期工作记忆与长期情景记忆，说明如何通过外部向量数据库持久化存储历史交互记录，并在当前轮次利用意图识别去精准检索相关记忆片段。同时必须提到定期使用较小语言模型对长期对话进行摘要压缩，提取核心实体与偏好。浅答往往错在只回答「用向量数据库做检索」，完全忽略了低质量检索结果对模型后续决策的严重干扰，以及缺乏对记忆写入与更新机制的完整说明。
面试官追问：「如果 Agent 需要调用三个不同的内部 API 收集背景数据，你会让它串行还是并行调用？如果并行调用中有一个 API 严重超时，架构上该怎么处理？」 答题方向：需要依据 API 之间是否存在严格数据依赖关系来判断串并行选择，无依赖时采用并行以降低整体系统延迟。对于超时问题，应设计带有独立超时配置的异步调用框架，并在发生超时时向模型返回明确的错误状态码与解释信息，让模型自主决定是发起重试还是基于部分数据继续推理。浅答通常只回答「用多线程并行加快速度」，忽略了工具调用在 Agent 架构中需要将异常状态反馈给模型进行重新规划的交互过程。
刷完站内内容后，建议读者前往飞书专项真题集进行延伸练习，那里收录了几十道真实业务场景中的架构设计与故障排查题。掌握 Agent 架构不仅仅是了解各个模块的独立功能，更重要的是理解它们如何在充满不确定性的外部环境中保持稳定的协同工作。