AI Agent · 基础¶
AI Agent 板块的基础概念题：Agent 定义、ReAct 循环、Function Calling vs MCP、LoRA、框架区别、Multi-Agent 取舍。每题含参考答案与面试官追问/红旗。
Q1: 什么是 AI Agent？它和"直接调 LLM"有什么区别？¶
基础 | AI-Agent | 📖 相关讲解
考察点：对 Agent 本质的理解，是否区分"无状态文本生成"与"有状态任务执行"。
参考答案
AI Agent 是以 LLM 为"大脑"、能自主感知-推理-行动完成多步任务的系统，核心是把模型从"被问一句答一句的文本生成器"升级为"会调工具、会多步推理、会根据环境反馈调整行为"的任务执行体。
| 维度 | 直接调 LLM | AI Agent |
|---|---|---|
| 交互 | 单轮/无状态多轮文本 | 多步、有状态任务执行 |
| 外部能力 | 无（只能凭参数里的知识） | 可调工具、检索、API |
| 决策 | 一次性生成 | 循环推理（Thought-Action-Observation） |
| 典型产物 | 一段文本 | 完成一个任务（查订单、处理退货） |
三个关键能力标志：工具调用（Function Calling/MCP）、多步推理与规划（ReAct/Plan-and-Execute）、记忆/状态（会话上下文、长期记忆）。报告里把"从被动问答升级为自主任务执行"作为 Agent 平台的业务定位。
面试官追问 / 红旗
- 追问：那 Agent 和普通"带 function calling 的接口"区别在哪？（考察是否意识到 Agent 有多步循环、状态、规划，而非单次工具调用）
- 追问：RAG 算 Agent 吗？（边界：纯检索增强生成偏"工具"，加了规划/多步/决策才算 Agent）
- 红旗：把 Agent 等同于"调 OpenAI 接口 + 拼 Prompt"，或只会说"会自动调工具"却讲不清多步推理和状态——停留在应用层，不懂本质。
Q2: 简述 ReAct 的思考-行动-观察循环。¶
基础 | AI-Agent | 📖 相关讲解
考察点：ReAct 范式的核心循环，是否理解每一步在做什么。
参考答案
ReAct = Reasoning + Acting，LLM 每一轮交替输出三段，循环直到给出最终答案：
- Thought（思考）：分析当前状态与用户意图，决定下一步该做什么；
- Action（行动）：选定并调用一个外部工具（检索、查询数据库、计算等），带上参数；
- Observation（观察）：读取工具返回结果，作为新的输入喂回下一轮 Thought。
循环往复，直到 LLM 判断信息足够、产出最终答案（Final Answer）。
特点：每步都能根据观测纠错，反应快、适合简单或强反馈任务；代价是步数不固定，复杂任务下 Token 消耗和延迟可能偏大——所以工程上要设循环上限与超时。企业实践中常配合意图分类器，简单查询走 ReAct、复杂任务走 Plan-and-Execute（先规划后执行）形成混合推理。
面试官追问 / 红旗
- 追问：如果工具一直返回不对，ReAct 会怎样？怎么防？（考察循环上限、超时、降级/转人工）
- 追问：ReAct 和 Plan-and-Execute 你各在什么场景用？（场景选择能力）
- 红旗：只背得出"思考-行动-观察"三个词，讲不清 Observation 怎么回灌、循环何时终止、为何要混合推理。
Q3: Function Calling 和 MCP 各自解决什么问题？¶
基础 | AI-Agent | 📖 相关讲解
考察点：两者定位差异，是否理解 MCP 是在 Function Calling 之上的标准化与复用。
参考答案
- Function Calling 解决"某个应用内的模型，怎么调用本应用的几个工具"——开发者声明工具元数据，模型输出结构化调用指令，宿主执行。它是模型 ↔ 应用内工具的调用约定。
- MCP（Model Context Protocol） 解决"任意模型/应用，如何标准化复用任意工具服务"——把工具/资源/提示封装成独立的 MCP Server，通过 host/client/server 三端架构解耦。它是任意 Host ↔ 任意工具服务的通用总线。
| 维度 | Function Calling | MCP |
|---|---|---|
| 解决的问题 | 能不能调工具 | 能不能标准化复用工具 |
| 工具归属 | 应用内强绑定 | 独立 Server，跨 Host 复用 |
| 架构 | 模型 ↔ 应用 | host/client/server 三端 |
一句话：Function Calling 是机制，MCP 是标准化的复用协议。单应用少量工具 Function Calling 够用；要跨系统、跨 Host 接大量工具（如蒋磊打通企业内 10+ 接口）时，MCP 才显出价值。
面试官追问 / 红旗
- 追问：MCP 三端（host/client/server）各自负责什么？（看是否真懂架构）
- 追问：什么场景你会选 MCP 而不是直接 Function Calling？（复用/标准化/跨系统）
- 红旗：笼统说"MCP 比 Function Calling 更强"，讲不清二者解决的是不同层次的问题；或只背得出"是 Anthropic 的协议"而无架构理解。
Q4: 什么是 LoRA？rank 影响什么？¶
基础 | AI-Agent | 📖 相关讲解
考察点：参数高效微调原理与超参含义，是否真正做过微调。
参考答案
LoRA（Low-Rank Adaptation） 是参数高效微调方法：冻结原模型权重 W，在其旁注入两个小矩阵 A、B，只训练这个低秩增量，等效更新为 W + ΔW = W + B·A。相比全参微调，只训极少量参数（通常 <1%），显存和算力大幅下降。
rank（秩 r） 决定增量矩阵的秩，即能学到的改动的"自由度"：
- r 越小：参数越少、训练越快、但表达能力弱、可能欠拟合；
- r 越大：表达能力越强、但更贵、更易过拟合。
常见取值 8/16/32/64，彭超案例用 rank=16，是典型平衡档。LoRA 的好处是可插拔、易回滚、一个基座挂多个适配器，适合业务定制；全参 SFT 留给必须深度重塑模型行为的少数场景。
面试官追问 / 红旗
- 追问：rank=8 和 rank=64 训出来的模型，效果会差在哪？（过拟合/欠拟合/成本权衡）
- 追问：LoRA 为什么不会破坏原模型能力？（基座冻结，只学增量）
- 红旗：背不出 rank 是"秩/自由度"；或把 LoRA 和全参 SFT 混为一谈；或只说"用过 LLaMA-Factory 跑过"却讲不清超参含义——典型关键词堆砌。
Q5: LangChain 和 LangGraph 的区别是什么？¶
基础 | AI-Agent | 📖 相关讲解
考察点：是否区分"链式编排"与"显式状态图"，能否讲清各自适用场景。
参考答案
- LangChain 是最早最全的 LLM 应用框架，提供链（Chain）、工具、检索、记忆等基础组件，本质是链式/顺序编排。
- LangGraph 是 LangChain 团队推出的有向图编排框架，把 Agent 建模为显式状态图：State（共享状态）+ Node（节点函数）+ Edge/条件路由。它原生支持循环、条件分支、人机协同状态机。
| 维度 | LangChain（链） | LangGraph（图） |
|---|---|---|
| 结构 | 顺序链 | 有向图 + 状态机 |
| 循环/分支 | 弱（难表达） | 原生支持 |
| 适合 | 简单流水线、单 Agent | 复杂 Multi-Agent、审核闭环、replan 循环 |
关键区别在循环和条件分支：replan、审核不通过回退、人机协同这类"带跳转的逻辑"，在普通链里很难写，在 LangGraph 里是原生能力。所以复杂 Multi-Agent（如规划者-执行者-审核者）当下多用 LangGraph。
面试官追问 / 红旗
- 追问：你为什么选 LangGraph 而不是直接用 LangChain 的链？（循环/条件/状态）
- 追问：LangGraph 的 State、Node、条件边分别是什么？（看是否真用过）
- 红旗：只说"LangGraph 是 LangChain 的升级版"而无实质差异；或列了框架名却讲不出在哪个项目用了哪种范式、为什么。
Q6: Multi-Agent 相比单 Agent 有哪些优势与代价？¶
基础 | AI-Agent | 📖 相关讲解
考察点：对 Multi-Agent 取舍的清醒认识，是否知道何时该用、何时不该用。
参考答案
优势：
- 可控性/安全兜底：分角色（如规划者-执行者-审核者）+ 规则审核 + 转人工，是金融/合规等高风险场景"敢上线"的前提；
- 专业化分工：每个 Agent 专注一个领域（如江旭 6 子 Agent 分别负责财务/股权/舆情等），各自优化、各自评测；
- 可解释性：每一步是哪个 Agent 做的、为什么，链路清晰，便于调试与 CoT 归因。
代价：
- 编排复杂度高：角色间通信、状态传递、失败处理；
- Token 成本与延迟上升：多 Agent 多轮调用，比单 Agent 更贵更慢；
- 过度设计风险：简单任务上 Multi-Agent 是杀鸡用牛刀。
工程上常配合意图分类器——简单查询走单 Agent（ReAct），复杂任务才上 Multi-Agent。判断标准：是否需要审核兜底、领域分工、多步依赖，三者都不需要就用单 Agent。
面试官追问 / 红旗
- 追问：什么场景你会坚持用单 Agent 而不上 Multi-Agent？（成本/延迟意识）
- 追问：你做过的 Multi-Agent 里各角色怎么通信、怎么处理失败？（落地细节）
- 红旗：只谈优势不谈代价，把 Multi-Agent 当万能解；或答不出"何时该用单 Agent"——缺乏取舍判断。