Agent（智能体）到底是什么

Agent（智能体/智能代理）是具备一定自主性的人工智能系统，能够感知环境、做出决策、采取行动。

一、四大核心特性

1. 自主性：无需人类直接干预，可以独立做决策、执行行动；
2. 适应性：可以学习、适应环境变化，持续提升自身能力；
3. 交互性：能和人类或者其他Agent对话交互，理解自然语言；
4. 功能性：可以在特定领域完成具体任务，比如数据分析、自动办公、自动驾驶等。

简单理解：普通大模型是“被动问答工具”，你问一句，它答一句；Agent是会自己思考规划、主动干活的AI。

二、Agent的4个硬件/软件核心组件

1. 感知器：接收外界信息（网页、数据库、传感器、用户提问）；
2. 知识库：存储环境信息、历史经验记忆；
3. 决策引擎：大模型就是Agent的大脑，分析信息，推理、做决策；
4. 执行器：对外执行动作，虚拟动作（调用API、发消息），物理动作（机器人运动）。

三、现代大模型Agent四大要素（Lilian Weng架构）

1. 规划Planning：拆解复杂子任务、思维链思考、自我反思纠错；
2. 记忆Memory：短期记忆（对话上下文）、长期记忆（向量库存储历史经验）；
3. 工具Tools：调用搜索、计算器、代码解释器、各类API，弥补大模型本身知识与能力局限；
4. 执行Action：按照规划调用工具、和外部环境交互，完成任务目标。

经典工作循环：ReAct（思考Thought →行动Action →观察Observation）

1. 思考Thought：大模型分析任务，想下一步该干什么；
2. 行动Action：调用工具（搜索、计算等）；
3. 观察Observation：拿到工具返回结果；
4. 循环上面步骤，直到任务完成，输出最终答案。

四、通俗举例

1. 旅行Agent：不只是给旅游攻略，还可以读取你的预算、偏好，自己去查航班、比价，自动订机票酒店；
2. 办公Agent：接收需求，自己搜索资料、调用代码生成PPT；
3. 自动驾驶Agent：感知路况→决策加速/刹车→控制车辆行驶。

五、和普通大模型的区别

• 普通LLM：接收提问→直接输出答案，不会主动做事，不会调用外部工具，不会拆解多步任务；
• Agent：接收一个目标，自己拆任务、选工具、循环执行、反思纠错，直到完成目标。

六、技术实现现状

现在主流构建Agent的工具：OpenAI Assistants API、LangChain、LlamaIndex、MetaGPT。

老一代AI（符号AI、强化学习Agent）泛化很差；大模型崛起，才真正让通用Agent成为可能，给Agent带来强大推理、理解自然语言的大脑。

七、相关面试题（贴合真实业务面试，包含参考答案，分基础、中等、拔高）

一、基础题（概念理解）

1. 请你讲讲什么是Agent？Agent有哪几个核心特性？

参考答案
Agent（智能体）是拥有一定自主性的人工智能系统，核心是感知环境、做出决策、采取行动，不再只是被动回答问题。
四大核心特性：

1. 自主性：不需要人每一步指挥，独立做决策执行任务；
2. 适应性：可以学习，根据环境变化调整行为；
3. 交互性：能和人或者其他Agent进行自然语言交互；
4. 功能性：面向特定业务完成具体任务。

区分普通大模型：普通LLM被动接收提问输出答案；Agent接收目标，自主规划、调用工具完成整套任务。

2. 在大模型出现之前就已经存在Agent技术，为什么说大模型才让Agent迎来爆发？

参考答案
大模型之前有符号Agent、反应型Agent、强化学习Agent：

1. 符号Agent：依赖人工写规则知识库，遇到知识库以外问题直接失效；
2. 反应型Agent：只能简单响应，缺少复杂规划推理；
3. 强化学习Agent：训练样本需求量巨大，泛化能力弱。

大模型充当Agent的大脑，带来关键能力：
① 自带海量世界知识；②强大自然语言理解；③通过CoT、ReAct实现任务推理拆解；④零样本/少样本泛化，陌生任务也能处理。让Agent可以听懂人类自然语言指令，不需要大量人工编写规则。

3. Agent的感知力、行动力分别指什么？

参考答案

• 感知力：Agent获取外界信息的能力。包含语言交互能力（理解人类对话）、多模态能力（处理图片、音频等多种信息）。
• 行动力：Agent对外界产生作用的能力。语言输出是基础前置能力；核心是工具调用能力，分为软件层面调用API、代码；物理层面就是具身智能，操控机器人等硬件实体，和真实物理世界交互。

二、中等难度（业务场景题，社招、AI产品/LLM开发高频）

4. 结合业务场景，说说Agent和普通RAG聊天机器人的核心区别？举一个真实业务例子。

参考答案
普通RAG问答机器人：被动模式，用户提问→检索知识库→返回答案，不会自主规划，不会主动调用多个工具完成多步骤任务。
Agent：接收一个总目标，自主拆解子任务、选择工具、循环执行直到完成目标。

业务示例（鲜花电商场景，来自书本案例）：

• RAG机器人：只能回答“XX花多少钱？”“怎么配送？”这类单条问题；
• Agent智能体：接收目标：“根据我的预算，给女朋友挑一束花，并且完成下单预约明天下午送达”。
  Agent自主做：①解析用户预算；②检索鲜花库存；③筛选符合预算花束；④读取配送规则；⑤调用下单接口，预约配送时间，整套流程自主完成，不需要用户一步步提问。

5. 现在很多企业想落地Agent，书中提到Agent优先改造现有业务流程，而不是创造全新业务，谈谈你的理解，举2个行业例子。

参考答案
Agent现阶段技术还没完全成熟，从零创造全新商业模式风险很高。把现有业务流程自动化、增强，更容易拿到业务收益。
例子1：办公行业：原有工作是收集资料、写报告、做PPT；Agent接手这套流程，自动搜集资料、生成PPT，改造原有办公流程，不是凭空创造一种全新办公模式。
例子2：客服行业：原有客服工作是接待咨询、查询订单、处理简单售后；Agent接管这套流程，7×24小时处理咨询，查询订单接口，直接处理简单售后，改造传统客服业务。

6. 什么是具身智能？现实中有哪些落地方向，会带来什么挑战？

参考答案
具身智能指Agent拥有物理实体，能够直接和真实物理世界交互，不局限在软件、网络世界。
落地：工业机器人、服务家政机器人、自动驾驶。
挑战：不仅要AI理解逻辑，还要感知物理环境，掌握物理世界规律；同时涉及安全风险，需要保障和人共处时的安全性。

三、拔高/开放性面试题（高级开发、AI产品、技术分享，考察思考深度）

7. 虽然Agent概念很火，但是成熟大规模商业产品还不多，结合Gartner技术成熟度曲线分析，为什么？未来会面临哪些风险？

参考答案
Gartner曲线阶段：Agent处在期望顶峰向失望低谷过渡阶段。
原因：行业对Agent期望值很高，但现实技术有瓶颈：大模型推理不稳定、工具调用容易出错、记忆管理难。期望很高，但落地效果达不到预期。

风险：

1. 业务风险：Agent自主做决策，如果无人监管，错误决策会造成业务损失；
2. 安全风险：有可能被构建恶意Agent，执行破坏行为；
3. 伦理风险：自主性变强，需要对齐人类价值观，要做好AI治理监管。

8. 什么是多Agent协作？设想一个企业内部的多Agent协作真实业务场景。

参考答案
多Agent协作：多个具备不同专长的Agent，互相通信、分工协作，共同完成复杂大任务，分为高层Agent负责整体规划，底层Agent执行细分任务。

企业办公场景示例：做一份市场调研报告

1. 总控Agent：接收目标“输出鲜花行业市场调研报告”，拆解任务；
2. 搜索Agent：负责搜集行业公开数据；
3. 数据分析Agent：处理统计数据，生成图表；
4. 文档Agent：整合全部内容，输出完整报告。
   各个Agent互相传递信息，分工完成单Agent很难搞定的复杂任务。

9. 请说说Life3.0这个概念，它和Agent是什么关系？

参考答案
Life1.0：硬件软件全部靠生物进化，比如细菌；
Life2.0：硬件无法改变，但软件（知识思想）可以后天学习，对应人类；
Life3.0：生命体可以自主设计自身软件，未来还可以改造硬件，是AI的远期愿景。
Agent是迈向Life3.0的关键载体，现阶段的Agent只是初级形态，距离真正Life3.0还有非常遥远距离。

四、简答题（可以用于笔试）

1. Agent四大组件是什么？

感知器、知识库、决策引擎（大模型）、执行器。

2. Agent两大能力是感知力和？

行动力。

3. Gartner技术成熟度曲线5个阶段：____

创新触发点、期望顶峰、失望低谷、启蒙斜坡、生产力高原。