那么Agent到底是什么
1️⃣ 考察意图
面试官想看你能否清晰界定“Agent”与“普通LLM应用”的边界，而非背定义。这是概念辨析题，刁钻点在于：很多人把“调了API”就叫Agent，实际缺少自主决策完整流程。答好了能展示你对AI系统架构的理解深度——知道Agent不是LLM的包装，而是感知-规划-执行-反思的循环体。同时考察你是否接触过实际框架（如LangGraph、AutoGPT），以及能否区分“工具调用”和“自主Agent”的本质差异。
2️⃣ 标准答
Agent是一个能自主感知环境、制定计划、调用工具、执行动作并反思结果的完整流程系统。它和“LLM应用”的核心区别在于：LLM应用是被动响应，Agent是主动决策。
核心架构四层：
- 感知层：接收环境输入，包括用户指令、系统状态、外部数据源。关键点：不是简单拼接prompt，而是结构化解析。例如，用户说“帮我订下周去北京的机票”，Agent需提取时间、地点、意图，并转化为内部状态。
- 记忆层：分短期（当前对话上下文）和长期（向量数据库/知识图谱）。工程取舍：短期记忆用滑动窗口（如保留最近20轮），长期记忆用RAG检索，但需平衡检索延迟和精度。坑：长期记忆过载会导致“记忆混淆”，解法是引入时间戳衰减和重要性评分（类似MemGPT的机制）。
- 规划层：这是Agent的灵魂。典型方法：ReAct（Reasoning + Acting）循环，或Plan-and-Solve（先分解再执行）。实际落地中，规划不是一次完成，而是动态调整——比如订机票时发现航班取消，Agent需重新规划路线。工具：LangGraph的StateGraph支持条件分支，比线性链更灵活。
- 执行层：调用工具（API、代码、数据库）。关键：工具调用不是“写死”，而是通过function calling动态生成参数。坑：工具返回错误时，Agent需具备“重试+降级”策略，比如API超时则换备用接口，或向用户请求澄清。
关键特性：
- 自主性：无需人类每步干预。例如AutoGPT在写代码时，能自动安装依赖、调试错误、提交PR。
- 反应性：能适应环境变化。比如MetaGPT中，产品经理Agent发现需求变更，会自动通知开发Agent调整代码。
- 社交性：多Agent协作时，通过消息队列（如Redis Pub/Sub）交换状态，避免死锁。
与LLM的关系： LLM是推理引擎（大脑），Agent是封装了大脑的完整躯体。没有Agent，LLM只能回答“如何订机票”；有了Agent，LLM能实际执行订票流程。技术选型上，GPT-4o适合复杂规划，Claude 3.5适合代码生成，但Agent框架（如LangGraph、CrewAI）决定了系统鲁棒性。
实际案例： 用LangGraph实现一个“旅行规划Agent”。感知层解析用户需求，规划层用ReAct分解为“查航班→订酒店→租车”，执行层调用Expedia API，记忆层用ChromaDB存储用户偏好。遇到航班取消时，规划层自动触发“重新搜索+通知用户”分支。评估指标：任务完成率（>85%）、平均执行时间（<30秒）、用户干预次数（<2次）。
3️⃣ 答题模板（30 秒电梯版）
“这个问题我从定义、架构、实战三个层面回答。定义上，Agent是具备感知-规划-执行-反思完整流程的自主系统，区别于被动响应的LLM应用。架构上，核心四层是感知、记忆、规划、执行，其中规划层用ReAct或Plan-and-Solve实现动态决策。实战中，我用LangGraph实现过旅行规划Agent，关键坑是工具调用失败时的降级策略。总结一句：Agent不是LLM的包装，而是让LLM拥有‘手脚’和‘大脑’的完整系统。”
4️⃣ 高频追问 & 应对
追问 1：Agent和RAG有什么区别？RAG算Agent吗？
核心区别：RAG是检索增强生成，属于记忆层的一部分，它没有规划层和执行层。RAG只能回答“知道什么”，不能“做什么”。例如，RAG可以回答“北京有哪些景点”，但Agent能规划“根据天气和用户偏好，生成三日游行程并调用地图API导航”。RAG是Agent的组件，不是Agent本身。如果面试官追问“RAG+工具调用算Agent吗”，回答：如果只有工具调用没有规划完整流程，只能算“增强版LLM应用”，不是完整Agent。
追问 2：Agent的规划层如何保证可靠性？比如任务分解出错怎么办？
保证可靠性的三个方法：1）验证节点：在规划层后加一个“合理性检查”步骤，用另一个LLM或规则引擎校验子任务是否完整（例如订机票必须包含日期、目的地）。2）回滚机制：如果执行层失败，规划层能回溯到上一个决策点重新规划（类似LangGraph的checkpoint）。3）人类反馈：关键步骤（如支付）强制人类确认，非关键步骤自动执行。工程取舍：验证节点增加延迟，但能降低任务失败率30%以上【通用经验】。
追问 3：多Agent协作时如何避免死锁或冲突？
三种策略：1）优先级队列：每个Agent有固定优先级，高优先级Agent先执行（如用户Agent > 工具Agent）。2）共享状态锁：用Redis分布式锁控制共享资源（如数据库写入），避免同时修改。3）超时中断：每个Agent执行设超时（如10秒），超时后自动释放资源并通知协调Agent。实际案例：MetaGPT中，产品经理Agent和开发Agent通过消息队列交换状态，如果开发Agent等待超过30秒，自动触发“需求澄清”分支。
5️⃣ 避坑 · 常见错误答法
- ❌ 说“Agent就是LLM加上工具调用” → ✅ 正确切入：Agent的核心是自主决策完整流程，工具调用只是执行层的一部分，缺少规划层和反思层就不是Agent。
- ❌ 说“AutoGPT就是Agent的终极形态” → ✅ 正确切入：AutoGPT是早期探索，存在规划不稳定、记忆溢出等问题。现代Agent框架（如LangGraph、CrewAI）更强调状态管理和错误恢复。
- ❌ 说“Agent不需要记忆，每次重新规划就行” → ✅ 正确切入：没有长期记忆，Agent无法学习用户偏好或历史错误，导致重复失败。必须引入向量数据库或知识图谱。
6️⃣ 简历呼应
- 如果你有RAG项目：从“RAG是Agent的记忆组件”切入，展示你如何将检索结果融入规划层（例如用检索到的用户历史偏好优化任务分解）。
- 如果你只做过传统NLP：用“规则系统 vs Agent”类比，说明传统NLP是静态流程，Agent是动态决策。可以提你如何用有限状态机模拟Agent规划，再迁移到LLM。
- 如果你是校招无项目：聚焦论文复现，比如用LangGraph实现ReAct论文中的“HotpotQA”任务，展示你对规划-执行循环的理解。强调你读过《ReAct: Synergizing Reasoning and Acting in Language Models》。
- 《ReAct: Synergizing Reasoning and Acting in Language Models》（论文）
- 《Plan-and-Solve: Improving Zero-Shot Chain-of-Thought Reasoning》（论文）
- LangGraph官方文档：StateGraph与多Agent协作
- 《MemGPT: Towards LLMs as Operating Systems》（论文）
- AutoGPT项目源码分析：规划层与记忆层实现