面试官：说一下 Agent 的常见范式，如何选型？

在人工智能的快速发展中，Agent（智能体）已成为构建复杂系统的核心组件。无论是自动驾驶、游戏 AI，还是企业级自动化流程，Agent 都扮演着“大脑”的角色。面试官问这个问题，其实是想考察你对 Agent 设计模式的理解深度，以及在实际项目中如何根据场景做出技术选型。今天，我们就用通俗的语言，结合代码示例，带你彻底搞懂 Agent 的常见范式与选型策略。### 什么是 Agent 范式？简单来说，Agent 范式就是一套设计原则和模式，用来描述 Agent 如何感知环境、做出决策、执行动作。常见的范式包括：反应式、基于模型、目标驱动、效用驱动和分层式。每种范式都有其独特的适用场景和优缺点。#### 1. 反应式范式：简单、快速、无记忆反应式 Agent 就像“条件反射”。它不保存历史状态，只根据当前感知直接映射到动作。这种范式适用于环境稳定、响应速度要求高的场景，比如温度控制器或简单的游戏 NPC。优点：实现简单，响应极快。 缺点：无法处理复杂序列，缺乏灵活性。代码示例：一个反应式避障机器人pythonimport randomclass ReactiveAgent: def __init__(self): # 定义简单的规则表：感知 -> 动作 self.rules = { "obstacle_front": "turn_left", "obstacle_left": "turn_right", "obstacle_right": "turn_left", "clear": "move_forward" } def perceive(self, environment): # 模拟感知：返回当前环境状态（如前方是否有障碍） return environment.get("status", "clear") def act(self, perception): # 根据感知直接执行规则 action = self.rules.get(perception, "move_forward") return action# 模拟环境env = {"status": "obstacle_front"}agent = ReactiveAgent()print(f"感知到：{env['status']}，执行动作：{agent.act(agent.perceive(env))}")这个 Agent 没有任何记忆，每次感知到障碍就立即转向，简单粗暴。#### 2. 基于模型的范式：引入内部状态基于模型的 Agent 会维护一个内部模型，记录环境的历史变化。它通过模型预测未来状态，从而做出更理性的决策。这种范式适合需要规划的场景，比如路径规划或游戏策略。优点：能处理部分可观察的环境，有记忆。 缺点：模型维护有成本，复杂度增加。代码示例：一个基于模型的迷宫求解 Agentpythonclass ModelBasedAgent: def __init__(self, maze): self.maze = maze # 内部模型：迷宫地图 self.position = (0, 0) # 当前位置 self.visited = set() # 历史记录 def update_model(self, new_position): self.position = new_position self.visited.add(new_position) def get_possible_actions(self): x, y = self.position actions = [] # 根据模型检查可移动方向 if x > 0 and self.maze[x-1][y] == 0: actions.append("up") if x < len(self.maze)-1 and self.maze[x+1][y] == 0: actions.append("down") if y > 0 and self.maze[x][y-1] == 0: actions.append("left") if y < len(self.maze[0])-1 and self.maze[x][y+1] == 0: actions.append("right") return actions def decide(self): # 基于模型选择未访问的路径（深度优先） for action in self.get_possible_actions(): # 计算新位置 x, y = self.position if action == "up": new_pos = (x-1, y) elif action == "down": new_pos = (x+1, y) elif action == "left": new_pos = (x, y-1) else: new_pos = (x, y+1) if new_pos not in self.visited: return action return None # 无路可走# 迷宫：0=通路，1=墙maze = [[0, 1, 0], [0, 0, 0], [1, 0, 0]]agent = ModelBasedAgent(maze)print("初始位置：", agent.position)action = agent.decide()print(f"决策动作：{action}")注意，这里的 Agent 使用 visited 集合作为内部状态，避免重复探索。### 如何选型？—— 从场景出发的决策树选型不是盲目套用，而是根据项目需求做权衡。以下是关键因素：#### 1. 环境可观察性- 完全可观察：反应式或基于模型均可，简单场景用反应式。- 部分可观察：必须用基于模型的范式，因为需要内部状态来推理。#### 2. 响应速度要求- 毫秒级响应（如自动驾驶紧急刹车）：选反应式，避免复杂计算。- 允许秒级思考（如游戏 AI 策略）：可用基于模型或目标驱动。#### 3. 任务复杂度- 简单任务（如开关控制）：反应式足够。- 多步骤规划（如物流调度）：需要目标驱动或分层式范式。#### 4. 资源约束- 嵌入式设备：选轻量级范式（反应式）。- 云端服务器：可用更复杂的范式（如效用驱动）。#### 5. 决策质量 vs 计算成本- 追求最优解：效用驱动范式，通过最大化效用函数选择动作。- 可接受次优解：启发式方法更快。#### 6. 典型场景推荐| 场景 | 推荐范式 | 原因 ||------|----------|------|| 恒温控制器 | 反应式 | 固定规则，无记忆需求 || 迷宫求解 | 基于模型 | 需要记忆已探索路径 || 自动驾驶路径规划 | 目标驱动 | 需要多步规划达到目标 || 游戏 NPC 战斗 | 效用驱动 | 需要权衡攻击、防御等选项 || 机器人多任务协调 | 分层式 | 将复杂任务分解为子任务 |### 总结Agent 范式是我们设计智能系统时的思维框架。反应式适合简单、高速的场景；基于模型引入了记忆，能应对部分可观察环境；目标驱动和效用驱动则让 Agent 更“智能”，能规划多步并权衡利弊；分层式是应对复杂系统的利器。选型时，记住三个核心：环境特性、性能要求、资源限制。没有银弹，只有最适合的组合。面试官问这个问题，其实是希望看到你不仅知道“是什么”，还能讲清楚“为什么”和“怎么做”。希望这篇文章能帮你武装到牙齿，下次面试时轻松应对！