03_Agent

Agent 面试题

01 什么是 Agent，和普通 LLM 有什么区别？⭐⭐⭐

Agent 其实就是基于 LLM 构建的具有自主性的一个智能系统，它能够自主的对任务进行推理、决定使用哪些工具，并迭代地朝着解决问题的方向努力。简单说就是：Agent = LLM + 规划 + 工具调用 + 记忆。

它和普通 LLM 最本质的区别就是：普通 LLM 是被动响应（一问一答），Agent 自主完成任务。

02 Agent 的基础架构有那些？

Agent 的基本架构就是 LLM + Planning + Tool Calling + Memory，LLM 是整个系统的大脑，负责理解任务和做任务的推理、决策；工具让 Agent 能跟外部世界交互，赋予了 Agent 网络搜索、查询数据库、执行代码等能力；Memory 赋予了 Agent 长短期记忆的能力； Planning 负责把复杂目标拆解成可执行的步骤。

03 Workflow 是什么？与 Agent 的区别？ ⭐⭐⭐

Workflow 是确定性的流程编排，其实就是预先通过图结构将执行的流程编排好、每一步怎么走都是相对确定的。所以 workflow 是可控的、可追溯的、可调试的。

而 Agent 由 LLM 驱动，每一步怎么走都是动态决策的，因此更灵活，但可控性弱于 Workflow。

04 那你什么时候用 Workflow，什么时候用 Agent？🚀🚀

Workflow 适用于流程固定、对一致性和可追溯性要求高的场景；Agent 适用于目标明确但路径不固定的开放任务。

它们也不是互斥的，例如在 Agentic Rag 下，整体流程是固定的，但检索策略不是固定的：简单问题，直接向量检索一次就够。复杂问题：需要多轮检索，重排序，甚至先拆分子问题再分别检索，所以，这个判断就可以交给 Agent 灵活处理。

05 Agent 的设计范式有哪些？ ⭐⭐⭐

常见的 Agent 范式主要有 ReAct、Plan-and-Execution、Reflection、Multi-Agent。

1. 什么是 ReAct

ReAct（Reasoning + Acting）是最常见的 Agent 范式，核心是 Thought → Action → Observation 循环：LLM 先分析当前局面写下推理过程（Thought），再决定调用哪个工具（Action），Observation 阶段则是接收工具返回的结果，然后回到下一轮 Thought，由 LLM 判断信息是否足够——够了就输出最终答案，不够就继续 Action。

优势：Agent会先想在做、减少了冲动决策的可能性；推理过程可见，出问题方便调试。

短板：属于"走一步看一步"的局部最优模式，处理长程复杂任务时容易在中间迷失方向，忘记最初目标或反复打转。

2. 什么是 Plan-and-Execution

Plan-and-Execution 解决了 ReAct "走一步看一步"容易迷失的问题，它将规划和执行解耦：先由 LLM 做全局规划，把复杂任务拆解成完整执行步骤，再交由执行器逐一完成。成熟的 Plan-and-Execution 实现还包含动态重规划机制——每执行完一步都把结果反馈给规划器，规划器会去动态的判断当前计划是否需要更新，从而保证计划是活的。

优势：解决 ReAct "走一步看一步"容易迷失的问题，有全局视图，复杂任务更可控。

短板：多了规划环节，成本和延迟增加；并且如果初始方向错了，后续难以挽回。

3. 什么是 Reflection

在 ReAct 或 Plan-and-Execute 的基础上加一层质量保障：Agent 完成一步或整个任务后，让其他 LLM 判断做得好不好、是否符合预期。不通过则重试或换策略。

4. 如何选择 Agent 范式？

主要从三个维度考虑：任务复杂度、质量要求、成本。

ReAct：步骤不多、相对独立、成本敏感的场景
Plan-and-Execution：长程复杂任务、步骤之间有依赖、需要全局统筹
Reflection：对输出质量要求高、允许额外成本

同时，三者不是互斥的，可以组合使用：整体用 Plan-and-Execution 做全局规划，每个步骤内部用 ReAct 执行，关键节点叠加 Reflection 做质量把关。

06 复杂任务为什么要拆分？怎么做任务拆分？效果如何提升？

1. 为什么要拆分

复杂任务往往包含多个目标、多个步骤，不同的步骤直接甚至可能存在依赖，

如果直接让 LLM 一次性完成整个任务，它需要在一次推理中同时完成规划、检索、分析、代码生成等工作，推理跨度很长，容易遗漏步骤或在某个环节出错，而且一旦失败，也很难定位问题和局部重试。

因此，我们通常会将复杂任务拆分成多个边界清晰、职责单一的子任务，每一步只解决一个问题。

这样不仅降低了单次推理难度，提高了模型输出的稳定性，还方便对子任务进行验证、重试和并行执行，整体任务的完成质量和执行效率都会更高。

本质上，任务拆分就是把一个难以控制的大问题，拆分为多个可执行、可验证、可恢复的小问题。

2. 如何拆分

拆分一个复杂任务的方式主要有两种，第一种可以叫静态拆分，其实就是由人提前规划好当前任务的执行步骤。而动态拆分则是把任务拆解交给 LLM 去做，llm 接收到一个比较复杂的任务目标，然后输出一个完成任务的步骤列表。

当然，拆分完任务以后，为了提高执行速度，还要分析每一步之前的依赖关系，这样就可以把能并行的步骤并发执行，从而提升整体的执行效率。

3. 如何提升拆分效果

一是自适应拆分：不要在开始就把所有步骤的粒度定死，而是"做不好就继续拆"——先让执行器尝试完成当前任务，做得好就继续走；如果超过了最大步数还没完成、或者输出质量不达标，就把这个任务交还给规划器，进一步拆成更小的子任务。整个过程像一棵递归展开的任务树，只有真正做不好的节点才会被继续拆分，计算开销和实际难度成正比。

二是重规划（Replan）：每执行完一步，把结果反馈给规划器，判断是否偏离预期。如果子任务失败或发现新线索，及时修改后续计划，保持计划是活的。

07 介绍一下 AI Agent 的记忆机制，并说明在实际开发中应该如何设计记忆模块？

AI Agent 的记忆分为短期记忆和长期记忆：

短期记忆 是 Agent 在当前任务中维护的工作上下文，包括对话历史、任务状态、工具调用结果和中间结论。

长期记忆 把重要信息持久化到数据库或向量库中，突破窗口限制，实现跨会话、跨任务的知识保留。比如用户偏好、项目背景啊（claude.md | agent.md）

实际开发中设计记忆模块主要解决三个问题：

存什么：过滤无关对话，只保存对未来任务有价值的信息；
怎么存：结构化信息存关系型数据库或 KV 存储，适合语义检索的内容存向量数据库；
什么时候取：任务开始时加载必要的用户和项目背景，执行过程中根据当前 Query 按需检索相关记忆。

记忆模块的核心不是“保存所有历史”，而是让 Agent 在合适的时间获取可信、相关且不过时的信息。

08 长短期记忆的作用？⭐⭐⭐

短期记忆：维持当前任务的状态，让 Agent 知道"刚才做了什么、说了什么"，保证本轮对话连贯。

长期记忆：把重要信息持久化到数据库、向量库或本地文件系统中，突破窗口限制，实现跨会话、跨任务的知识保留。比如用户偏好、项目背景。

09 什么是 Multi-Agent？⭐⭐⭐

多智能体系统（Multi-Agent）就是多个 Agent 共同协作完成复杂任务，每个 Agent 各有分工，有的负责搜索、有的负责写代码、有的负责做评审。

Multi-Agent 的核心价值或者叫优点可以概括为：专注、分工、并行。

专注：每个 Agent 只关注自己的任务，有自己独立的上下文窗口，从而减少了无关上下文和工具带来的干扰；
分工：不同 Agent 负责不同领域，可以使用专门的提示词、模型和工具来提升 Agent 在当前领域的表现；
并行：没有依赖关系的任务可以同时执行，提高整体效率。

10 单 Agent 的局限性 | 为什么要有多 Agent?⭐⭐⭐

context 窗口有限：复杂任务步骤多、上下文信息量大，单个 Agent 容易出现 Context Rot 现象。而 Multi-Agent 架构下，每个 Agent 都有自己独立的上下文窗口。
能力分散：一个 Agent 同时处理多个不同领域的任务，每件事都是泛才。

11 什么叫做 Context Rot

随着输入给 LLM 的上下文越来越长，即使没有超过 Context Window，模型的理解能力、推理能力和遵循指令能力也会逐渐下降。

出现 Context Rot原因：

注意力被稀释（Attention Dilution）
Lost in the Middle（中间遗忘）
指令冲突
噪声越来越多

12 Multi-Agent 的适用场景？局限性？⭐⭐⭐

Multi-Agent 主要适用于三类场景：

任务长：任务步骤多、上下文信息量大，单个 Agent 容易出现 Context Rot；
能力杂：任务涉及多个专业领域，需要不同的提示词、模型或工具；
可并行：任务可以拆分为多个相互独立的子任务，可以通过并行执行来提升效率。

但 Multi-Agent 也会带来额外的通信、调度等成本，系统复杂度也会会明显上升。

能用 Single-Agent 解决，就不要引入 Multi-Agent；只有当任务足够长、能力足够杂，或者确实需要并行时，才考虑 Multi-Agent。

13 了解多智能体的常见框架嘛？🚀

常见的 Multi-Agent 框架主要有以下几类：

LangGraph：基于图结构编排 Agent，能够明确表示节点、状态和流转关系，适合构建复杂、可控、需要持久化和人工介入的工作流；
AutoGen：强调多个 Agent 之间的对话协作，可以快速构建“多个 Agent 互相讨论、调用工具并完成任务”的系统；
CrewAI：以角色、任务和团队为核心，使用方式比较直观，适合快速搭建具有明确分工的 Agent 团队；
OpenAI Agents SDK：提供 Agent、工具、交接和追踪等能力，适合基于 OpenAI 模型构建多 Agent 应用。

LangGraph 更强调流程控制，AutoGen 更强调 Agent 对话，CrewAI 更强调角色分工，OpenAI Agents SDK 更强调 Agent 交接和工程集成。

14 Multi-Agent 的设计方案

现在主流的 Multi-Agent 的设计方案可以分为两种：

第一种是集中式调度（Supervisor）:由一个 Supervisor 进行统一的调度协调。子 Agent 只负责执行具体任务，并将结果返回给 Supervisor。

第二种则是去中心化，在该模式下没有 Supervisor，多个 Agent 根据自身状态和任务结果进行协商、转交和协作。

集中式方案强调“统一调度、稳定可控”；去中心化方案强调“自主协作、灵活扩展”。

15 Agent 的记忆压缩方法有哪些？

为什么要压缩：因为 Agent 的 Context Window 有限，不能无限制往里面塞消息，必须把不重要的内容"减掉"或"浓缩"，保留核心信息。

常见的记忆压缩方法主要有下面几种：

（1）滑动窗口：保留最近的消息，直接删除较早的历史记录。实现简单，但可能丢失重要信息。

（2）概：LLM 摘要：使用模型将较早的对话压缩成摘要，用摘要替代原始消息，在节省空间的同时保留主要语义。

（3）筛：重要性过滤：根据消息与当前任务的相关性或重要性进行筛选，优先保留关键内容，也可以对低价值内容进行摘要。

（4）抽：结构化抽取：从历史对话中提取姓名、偏好、约束条件、任务状态等关键信息，以结构化数据保存，避免长期保留完整对话。

16 实习中，记忆压缩的设计和实现方式 ⭐⭐⭐

本质上就是通过 LLM 来对消息列表进行摘要压缩，但是考虑了很多的细节（确实考虑到了很多啊）。具体记录到实习项目对应的笔记中。

17 什么是 Prompt Caching

LLM 每次处理请求，都要把输入的所有 token 过一遍模型做计算（prefill），这是延迟和成本的主要来源。对于有固定 system prompt + 越来越长的历史对话，每次调用模型这部分内容都会被重新算一遍，即使和上次完全一样。

Prompt Caching 就是把这些 prompt 前缀部分的计算结果缓存起来，下次请求的 prompt 如果前缀匹配，则直接复用缓存，不重新计算。

18 如何赋予 LLM 规划能力？ ⭐⭐⭐

LLM 本身是自回归的 token 生成器，不具备真正的"规划"能力。赋予它规划能力的核心思路是引导模型把思考过程显式地展开。从简单到复杂，有三种主流方案：

1. CoT（Chain of Thought，思维链）

CoT 让 LLM 把推理步骤写出来，一步步推导到答案。而不是直接生成答案。它通常只有一条推理路径，前面的判断出错后，后续步骤可能会沿着错误方向继续执行。

2. ToT（Tree of Thought，思维树）

ToT 在 CoT 线性推理的基础上，让模型同时探索多条推理路径，边探索边剪枝，最终选出最优路径。

3. GoT（Graph of Thought，思维图）

GoT 将推理过程表示为一张图。推理节点可以分支，也可以合并，不同路径产生的中间结论能够被组合起来继续推理。

相比 ToT，GoT 的表达能力更强，但实现和状态管理也更加复杂。

19 什么是 A2A 协议，原理是什么？ ⭐⭐

A2A（Agent2Agent）协议是一套用于不同 Agent 之间协作完成任务的协议。

每个 Agent 通过 Agent Card 声明自己的身份、能力、技能和调用方式。其他 Agent 根据这些信息选择合适的协作者，并通过标准化的消息和任务接口进行通信。

这里的不同可以是不同框架实现的 Agent、不同语言开发的、不同服务或者团队维护等等。

20 了解什么是 Prompt Engineering 吗？🚀🚀

Prompt Engineering（提示词工程） 是指通过精心设计和优化Prompt，引导大语言模型生成高质量、符合预期的输出的一门工程学科。

它主要解决三个问题：

让模型理解任务：明确目标、背景、角色和约束；
提升输出质量：减少歧义、遗漏和幻觉；
约束输出结果：指定格式、风格和输出范围。

21 如何去写好提示词 | 做 Prompt Engineering？

写好 Prompt 的核心，是把模糊的需求转化为模型可以明确执行的任务指令。通常可以从以下几个方面设计：

设定角色：明确模型应该以什么身份、什么专业视角完成任务；
明确目标：说明要完成什么任务，以及什么结果才算完成；
补充上下文：提供必要的背景、数据和参考信息；
设置约束：说明不能做什么，以及需要遵守的规则；
规定输出：明确格式、字段、长度和语言风格；
提供示例：对于复杂任务，给出高质量的输入输出示例；
持续验证：通过测试集评估结果，根据错误类型不断优化 Prompt。

一个好的 Prompt 通常可以概括为：角色明确、目标清晰、上下文充分、约束具体、输出规范。

22 了解 Context Engineering 吗？⭐⭐⭐

Context Engineering（上下文工程）是围绕 LLM 的任务目标，动态构建、筛选、组织和管理上下文信息的一套工程学科。

它关注的不只是 Prompt 怎么写，还包括应该向模型提供哪些信息、以什么顺序提供，以及如何控制上下文的长度和质量！

23 Prompt | Context Engineering 分别解决了什么问题？⭐⭐⭐

Prompt Engineering 解决的是“如何向模型描述任务”，而 Context Engineering 解决的是“为模型提供什么信息、如何组织这些信息”。

24 为什么 Context Engineering 变得越来越重要？

为什么需要 Context Engineering 同理.

随着任务复杂度提升，单靠优化指令已经不够，还需要在有限的上下文窗口内，动态筛选和组织准确、及时的信息，从而提升模型的推理、工具调用和任务执行效果。

25 什么是 Agent Engineering 吗？（了解即可）

Agent Engineering 是围绕 LLM 构建具有自主性的智能体系统的工程方法，涉及任务规划、工具调用、上下文管理、记忆、状态流转和结果评估等内容，目标是让模型能够感知环境、采取行动并完成任务。

26 什么是 Harness Engineering？⭐⭐⭐

Harness Engineering 则是在 Agent 之上构建一套“控制与反馈系统”，尤其常用于 Coding Agent。它通过约束 Agent 的行为、检查 Agent 的结果，并根据反馈不断修正执行过程，让 Agent 更稳定、更可靠地完成任务。

"Harness"本意是马具——缰绳、鞍具那一套东西，把马的力气引到正确方向上。拿来类比 AI Agent 非常合适：LLM 就像一匹蛮力十足但方向感不太行的马，跑得快但容易跑偏.

27 为什么需要 Harness 呢？ ⭐⭐⭐

Harness 是 Agent 的安全边界和反馈回路，让 Agent 不仅能完成任务，还能稳定、可靠地完成任务。