Agentic AI: Can act autonomously. It doesn't just answer 「How do I reset my password?「
P1 · agent_architecture
🏷 标签：agentic-ai, autonomy, rag, action-execution
1️⃣ 考察意图
面试官想考察你对 Agentic AI 核心特征——自主行动 的深度理解，而非仅仅背诵定义。这是 概念辨析 + 系统设计 混合题。刁钻点在于：很多人只会说“Agent 能做事”，但讲不清“自主性”在工程上具体意味着什么——比如如何规划、如何执行、如何兜底。答好了能展示你对 Agent 架构（规划-执行-反馈循环） 的实战认知，以及对 RAG 与 Agent 本质差异（信息检索 vs. 行动执行）的清晰边界感。
2️⃣ 标准答
Agentic AI 的核心不是“能回答”，而是 能自主完成一个目标导向的任务。对比传统 RAG，它从“读文档告诉你”升级为“直接动手干”。
1. 自主性的三层工程实现
- 规划层（Planning）：Agent 不是硬编码流程，而是用 ReAct（Reasoning + Acting）或 Plan-and-Solve 模式动态生成步骤。例如用户问“重置密码”，Agent 调用 LLM 推理出子任务：验证身份 → 查用户记录 → 发重置链接 → 记录日志。每一步的决策依赖当前状态，而非预设脚本。
- 执行层（Action）：通过 工具调用（Tool Calling） 与外部系统交互。常用框架如 LangChain 的
Tool抽象，或 OpenAI 的function calling。每个工具是一个 API 封装（如send_email(user_email, reset_link)），Agent 根据规划选择工具并填入参数。 - 反馈层（Feedback Loop）：执行结果（成功/失败/部分数据）会回传给 Agent，触发下一步决策。例如邮件发送失败，Agent 可重试 3 次或切换备用通道（如短信）。这是 完整流程 与 RAG 单次检索的本质区别。
2. 工程取舍：自主性 vs. 可控性
- 取舍点：完全自主（高成功率但不可控） vs. 人工审批（低延迟但安全）。实际落地常用 分层策略：低风险操作（如查询天气）全自动；高风险操作（如转账、删数据）必须 Human-in-the-Loop，Agent 生成操作提案后等待人工确认。
- 具体坑：Agent 可能陷入 无限循环（比如反复调用失败的工具）。解法：设置 最大步骤数（如 10 步）和 超时时间（如 30 秒），超时后回退到“抱歉，无法完成”并记录失败轨迹用于调试。
3. 与 RAG 的对比：不是替代，是互补
| 维度 | RAG | Agentic AI |
|---|---|---|
| 目标 | 检索信息并回答 | 执行操作并达成目标 |
| 输出 | 文本（步骤/解释） | 动作（API 调用/状态变更） |
| 反馈 | 无（单次检索） | 有（执行结果驱动下一步） |
| 风险 | 低（信息错误） | 高（操作错误导致数据损坏） |
4. 实际落地坑 + 解法
- 坑：Agent 调用外部 API 时，参数格式错误或权限不足。例如重置密码需要
user_id，但 Agent 只拿到了email。 - 解法：在工具描述中明确 输入格式和约束（如
user_id: string, format: UUID），并在 Agent 的 system prompt 中强调“如果参数缺失，先调用用户查询工具获取 ID”。同时加 参数校验层：工具执行前检查必填字段，缺失则返回具体错误信息给 Agent 重试。
总结：Agentic AI 的自主性 = 动态规划 + 工具执行 + 完整流程反馈。它不是 RAG 的升级版，而是 从“知道”到“做到” 的范式跃迁。
3️⃣ 答题模板（30 秒电梯版）
“这个问题我从三个层面回答：第一，Agentic AI 的自主性体现在 规划-执行-反馈 完整流程，比如重置密码时它会动态拆解子任务并调用 API；第二，工程上必须做 自主性与可控性的取舍，高风险操作加 Human-in-the-Loop；第三，它与 RAG 本质不同——RAG 是信息检索，Agent 是行动执行。总结一句：Agentic AI 让 AI 从‘回答者’变成‘执行者’。”
4️⃣ 高频追问 & 应对
追问 1：如果 Agent 在重置密码时调用了错误的 API（比如删了用户账号），怎么兜底？
这是 安全机制设计 问题。首先，所有写操作（删除、修改）必须加 确认步骤：Agent 生成操作提案，系统自动校验权限和参数合法性，再执行。其次，实现 操作回滚（Rollback）：例如删除用户前先备份到临时表，失败时恢复。最后，加 审计日志：记录每次工具调用的输入、输出、时间戳，方便事后排查。实际中，我会用 事务性工具：比如封装一个
delete_user_safe(user_id)，内部先检查用户状态，再执行删除，失败时返回错误码而非直接抛异常。
追问 2：你怎么评估一个 Agent 的“自主性”做得好不好？用哪些指标？
核心指标分三层：任务完成率（成功完成目标的比例）、步骤效率（平均步骤数，理想值接近人类专家）、错误恢复率（遇到失败后能自动重试或切换方案的比例）。具体到密码重置场景，我会统计：① 一次成功比例（无需人工介入）；② 平均耗时（从提问到重置链接发出）；③ 失败原因分布（参数错误/API 超时/权限不足）。注意：不要只看成功率，还要看 失败时的优雅程度——比如是否给出明确错误提示，而不是卡死。
追问 3：如果用户问“重置密码”，但 Agent 发现用户身份未验证，它应该怎么做？
这是 动态规划 的典型场景。Agent 应该先调用
verify_identity(user_id)工具，如果返回“未验证”，则进入 身份验证子流程：生成验证码并发送到注册邮箱，等待用户输入验证码。这里的关键是 状态管理：Agent 需要记住当前处于“等待验证码”状态，直到用户提供正确验证码后才继续重置流程。工程上，我会用 会话级记忆（如 LangChain 的ConversationBufferMemory）存储中间状态，并设置 超时（如 5 分钟未收到验证码则终止流程）。
5️⃣ 避坑 · 常见错误答法
- ❌ 说“Agentic AI 就是 RAG 加个工具调用” → ✅ 正确切入：强调 完整流程反馈 和 动态规划 是核心差异，工具调用只是执行层的一部分。
- ❌ 说“Agent 应该完全自主，不需要人工干预” → ✅ 正确切入：指出 高风险操作必须 Human-in-the-Loop，并给出具体分层策略（低风险自动、高风险审批）。
- ❌ 说“Agent 的规划是硬编码的 if-else 流程” → ✅ 正确切入：说明规划是 LLM 驱动的动态生成，基于当前状态和工具描述实时推理，不是预设脚本。
6️⃣ 简历呼应
- 如果你有 RAG 项目：从“RAG 只能回答，无法执行”切入，展示你如何用 Agent 架构扩展项目（如让 Agent 调用数据库更新用户信息）。强调你踩过的坑：工具参数校验、状态管理。
- 如果你只做过传统 NLP：用“对话系统 vs. 任务执行系统”类比迁移，说明传统 NLP 是单轮问答，Agent 是多轮完整流程。展示你理解 ReAct 模式，并做过小 demo（如用 LangChain 实现天气查询 Agent）。
- 如果你是校招无项目：聚焦论文复现，比如你读过《ReAct: Synergizing Reasoning and Acting in Language Models》，能讲清楚 ReAct 的推理-行动循环。展示你写过简单代码：用 OpenAI function calling 实现一个“发送邮件”的 Agent。
7️⃣ 延伸阅读
- 《ReAct: Synergizing Reasoning and Acting in Language Models》（Yao et al., 2022）
- 《Toolformer: Language Models Can Teach Themselves to Use Tools》（Schick et al., 2023）
- 《Plan-and-Solve Prompting: Improving Zero-Shot Chain-of-Thought Reasoning by Large Language Models》（Wang et al., 2023）
- LangChain 官方文档：Agent 模块（Tool Calling, Memory, Callbacks）
- 《Building Autonomous AI Agents with LLMs》（blog post by Lilian Weng, 2023）