很多人会好奇它与「提示词工程」有什么区别，是又在造新的概念吗
1️⃣ 考察意图
面试官想看你是否理解Agent不是“提示词工程2.0”，而是一个系统架构层面的跃迁。考察类型是概念辨析+系统设计。刁钻点在于：很多人会模糊地说“Agent就是加个循环调用”，但面试官要你讲清楚静态输入优化 vs 动态自主决策的本质差异。答好了能展示你对AI系统分层、模块解耦、工程落地的硬实力，而不是只会调prompt。
2️⃣ 标准答
这个问题从三个层面拆解：定义、核心差异、工程落地关系。
1. 定义：提示词工程 vs Agent
- 提示词工程：手动设计输入模板（如System Prompt + Few-shot示例），通过调整措辞、格式、角色设定来引导LLM输出。本质是静态优化，一次设计，多次复用，不涉及环境交互。
- Agent：一个自主系统，核心组件包括LLM（推理引擎）、记忆模块（短期/长期）、工具调用接口（如API、代码执行）、规划模块（如ReAct、Plan-and-Solve）。它能在多步任务中动态决策：观察环境→推理→行动→观察反馈→调整策略。
2. 核心差异：静态 vs 动态，单步 vs 多步
- 决策权：提示词工程把决策逻辑硬编码在prompt里（如“如果用户问天气，调用工具A”），而Agent让LLM自主决定何时调用工具、调用哪个、如何解析结果。例如，一个客服Agent在用户说“帮我查订单”后，会先调用用户认证API，再查订单数据库，最后生成回复——每一步都是LLM自主推理的，不是prompt里写死的if-else。
- 环境交互：提示词工程是单向的：输入prompt→输出文本。Agent是循环的：行动→观察→再行动。比如一个代码Agent，写代码→执行→看报错→修改代码→再执行，直到通过测试。提示词工程做不到这种完整流程。
- 记忆管理：提示词工程只能靠上下文窗口（如4K tokens）记住历史，超了就截断。Agent有显式的记忆模块：短期记忆（当前对话窗口）和长期记忆（向量数据库+检索），能跨会话保持状态。例如，一个购物Agent记住用户上次浏览的商品，下次对话直接推荐相关产品。
3. 工程落地：Agent不是替代，而是封装
- 提示词工程仍是Agent的基础组件：Agent的System Prompt、工具描述、规划指令都需要精心设计。比如，一个ReAct Agent的prompt里要写清楚“思考→行动→观察”的格式，否则LLM会乱输出。但Agent的复杂度远超提示词工程，需要处理工具调用失败（如API超时）、多步推理的累积误差（如第一步错了，后面全错）、记忆检索的噪声（如检索到无关历史）。
- 实际落地的坑：一个常见问题是Agent的规划循环过深，比如用户问“今天天气”，Agent先调用位置API，再调用天气API，然后生成回复——但prompt里没限制步骤数，导致它反复调用工具。解法：在Agent框架中加最大步骤限制（如5步）和终止条件（如用户确认“够了”），而不是靠prompt说“不要多步”。
- Trade-off：Agent的灵活性带来了不可预测性。提示词工程的输出是可复现的（相同输入→相同输出），但Agent的输出可能因工具响应延迟、LLM随机性而不同。生产环境中，需要加重试机制（如工具调用失败后重试3次）和回退策略（如Agent超时后降级为纯LLM回答）。
总结：提示词工程是单点优化，Agent是系统架构。Agent不是新概念，而是把提示词工程作为组件，整合了记忆、规划、工具调用，实现了从“被动响应”到“主动执行”的跃迁。
3️⃣ 答题模板（30 秒电梯版）
“这个问题我从定义、核心差异、工程落地三个层面回答。定义上，提示词工程是静态输入优化，Agent是动态自主系统。核心差异在于：提示词工程是单步、无环境交互的，Agent是多步、循环决策的，有记忆和工具调用。工程上，Agent不是替代提示词工程，而是封装它作为基础组件，但需要处理工具失败、规划循环等新问题。总结一句：Agent是提示词工程在系统层面的演进，不是概念炒作，而是架构升级。”
4️⃣ 高频追问 & 应对
追问 1：那你说说，如果我用一个超长prompt（比如10K tokens）把Agent的所有逻辑都写进去，它不就成了提示词工程吗？
这是一个好问题，但本质不同。超长prompt仍然是静态的：所有决策路径必须预先枚举，比如“如果A则B，如果C则D”。但Agent的决策是动态生成的，LLM根据当前上下文自主选择路径。例如，一个Agent在用户说“帮我写个Python脚本”后，会先写代码，再执行，看到报错后修改——这个“修改”步骤不是prompt里写死的，而是LLM基于错误信息实时推理的。超长prompt做不到这种自适应。另外，超长prompt有上下文窗口限制（如128K tokens），而Agent可以通过记忆模块和工具调用突破这个限制，比如把历史对话存到向量数据库，只检索相关部分。
追问 2：Agent的规划模块具体怎么实现？和提示词工程里的Chain-of-Thought有什么区别？
CoT是提示词工程的一种技巧，让LLM输出推理步骤，但仍然是单次生成，没有环境反馈。Agent的规划模块（如ReAct、Plan-and-Solve）是循环执行的：每一步输出一个行动（如调用工具），然后观察结果，再决定下一步。例如，ReAct的prompt里写“思考→行动→观察”格式，但执行时是循环的：LLM输出“思考：需要查天气→行动：调用天气API”，然后系统执行API，把结果作为“观察”输入给LLM，LLM再输出下一步。CoT是一次性输出所有步骤，没有中间反馈。工程上，ReAct需要处理行动解析（从LLM输出中提取工具名和参数）和结果注入（把工具响应拼回prompt），而CoT只需要解析文本。
追问 3：Agent的长期记忆怎么实现？和RAG有什么区别？
Agent的长期记忆通常用向量数据库（如FAISS、Pinecone）存储历史对话或知识，检索时用embedding相似度。RAG也是检索外部知识，但区别在于：RAG是一次性检索，用于增强单次回答；Agent的记忆是持续更新的，每次交互后都写入新记忆。例如，一个客服Agent在用户说“上次的订单有问题”后，会从记忆里检索上次对话，而不是重新问用户。工程上，Agent的记忆需要处理记忆冲突（如用户改了地址，旧记忆和新记忆矛盾），解法是用时间戳+优先级，新记忆覆盖旧记忆。RAG不需要这个，因为知识库是静态的。
5️⃣ 避坑 · 常见错误答法
- ❌ “Agent就是提示词工程加个循环调用，本质没区别。” → ✅ “Agent是系统架构升级，包含记忆、规划、工具调用等模块，提示词工程只是其中一个组件。循环调用只是表象，核心是自主决策和环境交互。”
- ❌ “Agent比提示词工程更高级，所以提示词工程没用了。” → ✅ “提示词工程仍是Agent的基础，比如Agent的System Prompt和工具描述需要精心设计。两者是互补关系，不是替代关系。”
- ❌ “Agent的规划模块就是CoT，只是多了一步执行。” → ✅ “CoT是单次生成推理步骤，Agent的规划是循环执行，每一步都有环境反馈。CoT没有工具调用和结果观察，Agent有。”
6️⃣ 简历呼应
- 如果你有Agent项目：从实际落地经验切入，比如“我在XX项目中用ReAct框架实现了一个客服Agent，对比纯提示词工程，任务完成率提升了30%，但遇到了工具调用失败和规划循环的问题，通过加重试机制和最大步骤限制解决。”
- 如果你只做过RAG：用RAG类比迁移，比如“RAG是检索外部知识增强回答，Agent是检索+工具调用+规划，本质都是让LLM突破静态输入限制。我在RAG项目中处理过检索噪声，这个经验可以迁移到Agent的记忆模块。”
- 如果你是校招无项目：聚焦论文复现，比如“我复现了ReAct论文中的HotpotQA实验，对比了CoT和ReAct的效果，理解了Agent的规划循环和工具调用的实现细节。虽然没有工业项目，但能讲清楚Agent和提示词工程的本质差异。”
- 《ReAct: Synergizing Reasoning and Acting in Language Models》（论文）
- 《Plan-and-Solve Prompting: Improving Zero-Shot Chain-of-Thought Reasoning by Large Language Models》（论文）
- 《Toolformer: Language Models Can Teach Themselves to Use Tools》（论文）
- 《Building Agentic RAG with LangGraph》（博客，LangChain官方）
- 《The Rise of Agentic AI: From Prompt Engineering to Autonomous Systems》（博客，Anthropic）