大家好，我是大志。
在这个Agent AI 面试题系列文章中，我系统整理了一套AI Agent 面试题体系，帮助你从零搞懂 Agent 的核心概念、RAG、记忆、LangChain与LangGraph用法以及工程实践相关的面试题，带你轻松应对面试。
说实话，网上一堆讲Agent面试题，但是能讲明白的真不多，我把自己整理的面试题和答案分享给大家，全程人话，非常容易理解。准备面试的朋友，闭眼抄作业就可以了。
除此之外，大家也可以在线阅读完整面试题文档：aiflowline.cn
1、什么是 AI Agent？
AI Agent 是一种以目标为驱动，利用大语言模型（LLM）进行推理和决策，通过调用工具（Tool）与外部环境交互，并结合记忆（Memory），进行逻辑循环，直到完成任务的智能系统。
在 LangChain 的官网将Agent定义为：Agent=Model + Harness
其中Model就是指LLM大语言模型，Harness可以理解为让LLM真正能干活的一套运行框架，包含工具调用、记忆管理等功能，单纯使用Prompt+Model只具备推理能力，而LLM+Harness才是一个真正又能思考、又能行动的AI Agent智能体。
2、Agent 和普通聊天机器人的区别是什么？
AI Agent与传统 ChatBot 最大的区别在于：
一个AI Agent的执行流程如下：
Core agent loop diagram例如用户要求："帮我整理最近一周AI Agent领域的重要新闻并发送到邮箱“，ChatBot只能告诉用户怎么做，而Agent可以自主完成：
image-202606041031217983、Agent 的核心模块有哪些？
一个完整的 AI Agent 通常由以下五个部分组成：
（1）大语言模型（LLM）
Agent 的"大脑"，负责理解用户意图、进行推理、做出决策。LLM 的能力上限基本决定了 Agent 的能力上限。
（2）工具（Tools）
工具是 Agent 的"手脚"，LLM 本身只能生成文本内容，但通过工具可以与外部世界交互，比如：联网搜索、代码执行器、API调用、文件读写等。
（3）记忆（Memory）
LLM作为Agent的大脑，它本身不具备记忆能力，在和Agent对话的过程中，需要把过往的历史记忆信息一并传递给LLM，才能让Agent拥有记忆。
目前，Agent 的记忆系统分为两种：
- 短期记忆：当前对话的上下文，比如和LLM对话最近的十条消息。
- 长期记忆：持久化存储的信息，比如用户偏好，对话主题，长期记忆可以通过LLM对短期记忆进行总结，每次生成新的长期记忆。
（4）规划能力（Planning）
当 Agent 在面对复杂任务时，Agent 要把一个大目标拆解成多个小步骤，按计划逐步完成。
例如：
帮我做一个xxx竞品分析
Agent会制定计划：
1. 搜集竞品
2. 分析功能
3. 分析价格
4. 生成报告
（5）推理能力（Reasoning）
推理能力决定下一步Agent应该做什么，比如是否调用、调用哪个工具。
4、什么是 ReAct？
ReAct（Reason + Act）是一种 Agent 执行范式，通过“推理（Thought）→ 行动（Action）→ 观察（Observation）”的循环，让大模型能够自主决定何时调用工具、如何调用工具，以及如何利用工具结果继续推理，最终完成复杂任务。它是当前大多数 Agent 框架的基础思想之一。
Thought（推理） → Action（行动） → Observation（观察） → Thought（推理） → Action（行动） → Observation（观察） → ... → Final Answer（输出最终结果）
5、举例说明ReAct 的执行流程是什么？
假设用户问："杭州今天的天气怎么样？"
Thought: 用户想知道杭州今天的天气，我需要调用天气查询工具
Action: 调用天气API，生成参数：城市=杭州，日期=今天
Observation: 杭州今天晴，气温 22-30°C，湿度 65%
Thought: 我已经拿到了天气数据，可以直接回答用户了
Action: 不需要再调用工具
Final Answer: 杭州今天天气晴朗，气温22到30度，湿度65%，比较适合出行。
整个过程中，LLM 先推理出需要做什么，再选择工具执行，拿到结果后，再继续推理，判断不需要调用工具后，直接给出最终答案。
6、ReAct 有哪些缺点？
ReAct 虽然简单直观，但在实际使用中会遇到几个问题：
（1）容易死循环
LLM 可能在 Thought → Action → Observation 之间反复循环，始终无法输出最终结果，消耗大量 token，可以限制循环次数来避免死循环。
（2）长任务容易丢失上下文
对于复杂任务，ReAct 会不断把 Thought → Action → Observation追加到上下文中，会造成token消耗增加、处理速度下降、模型注意力分散等问题。
（3）缺少全局规划
这是ReAct最核心的缺陷之一，ReAct 本质上是"走一步看一步"，边想边做，没有全局的计划。在处理一些多步骤的复杂任务时，容易执行混乱或者遗漏步骤。
（4）token 消耗大
ReAct每执行一步都要让LLM思考一次，调用LLM的次数就会成倍增加，会造成大量token的消耗。
（5）执行速度慢
因为ReAct整个循环是串行执行，等到上一次工具调用结果返回，才能再次思考和调用工具，执行速度就会显得很慢。
（6）工具的选择不稳定
由于工具的选择是交给LLM的，因此工具的选择就具有不确定性，可能同一个问题每次调用的工具都不相同，比如这次用Google搜索工具，下次可能用Baidu搜索工具。
7、什么是 Plan-and-Execute？
Plan-and-Execute 是在 ReAct 基础上发展出来的一种 Agent 设计模式，它的核心思想是：先制定完整计划，再按计划执行。
Plan-and-Execute整个流程分为两个阶段：
（1）规划阶段：LLM 先把用户的任务拆解成一个有序的计划列表，比如：
任务：帮我分析竞品并生成报告
计划：
1. 搜索竞品A的公开信息
2. 搜索竞品B的公开信息
3. 对比分析两者的优劣势
4. 生成分析报告
5. 发送邮件
（2）执行阶段：按照计划列表，依次执行每一步。每完成一步，可以选择是否需要调整后续计划。
8、Plan-and-Execute 和 ReAct 的区别？
通过开车这件事来比喻 Plan-and-Execute 和 ReAct 的区别：
ReAct：每开10m，停下来继续规划路线，效率低下。
Plan-and-Execute：在出发前，先用导航规划好起点到终点的路线，再出发，效率更高。
以下是在各个维度对比 ReAct 和 Plan-and-Execute 的差异：
实际开发中，两种方式经常会结合使用：用 Plan-and-Execute 做全局规划，每一步执行时用 ReAct 来处理细节。
9、什么是 Reflection Agent？
Reflection Agent（反思型 Agent）是指Agent在完成任务后，不会直接把结果丢给用户，而是进行自我检查和改进，输出反思、优化后的结果。
整个过程可以理解为：
任务执行 → 回顾/检查 → 自我修正 → 再执行/优化 → 输出
Reflection 通常和 Plan-and-Execute、ReAct 结合使用：Plan-and-Execute 负责全局规划，ReAct 负责执行细节，而 Reflection 进行结果反思并进行优化。
10、Reflection 解决什么问题？
Reflection 主要解决 Agent 一次性生成结果质量不稳定、执行过程中无法自我纠错的问题。
在实际生产中，Agent很容易出现以下问题：
(1) 工具使用错误：调用工具错误或者调用顺序错误。
(2) 输出结果不符合要求。
(3) 复杂问题遗漏步骤。
Reflection 通过”执行→检查→修正”的闭环机制，能有效提高复杂任务的输出质量。
总结一下，以上三种Agent设计模式：ReAct 解决“怎么做”，Plan-and-Execute 解决“做什么”，Reflection 解决“做得对不对”。
11、什么情况下用单Agent？
当满足以下场景，更加适合使用单 Agent：
（1）任务目标明确
用户的需求很明确，不需要多个领域协作。比如：天气预报查询、知识库问答、代码生成等场景。
（2）任务链路较短
任务的执行流程比较简单，基本就是一条直线走下去，不需要太多的分支判断。
（3）工具数量不多
用到的工具数量不多，LLM很容易判断应该在什么时候调用什么工具，以及如何调用。
（4）角色单一
不需要明显的角色分工，比如产品经理、程序员、测试工程师等等。
12、什么情况下用多Agent？
以下场景适合用多 Agent：
（1）需要角色分工
比如让一个 Agent 负责搜集资料，另一个 Agent 负责撰写文案，第三个 Agent 负责审核校对。就像一个团队，每个人有明确的分工。
（2）任务之间有并行关系
有些子任务可以同时进行，多Agent 可以并行执行，提高效率。
（3）上下文过大
比如在分析一个大型项目源代码时，一个Agent的上下文明显不够，就按模块拆分，让不同的Agent去分析不同的模块。
（4）不同模型擅长执行不同任务
比如 GPT 擅长推理，Claude 擅长写代码，Gemini 擅长图片生成，就可以使用多Agent让不同Agent负责不同的模块。
13、多Agent一定比单Agent好吗？
不一定。 多 Agent 引入了更多的复杂性，很多情况下反而不如单 Agent：
Multi-Agent 的优势在于角色分工、并行处理和复杂任务协作，但同时会带来以下问题：
（1）更高的成本：多Agent调用LLM次数增加，进而增加成本。
（2）更长的延迟：每个Agent进行推理、结果生成、传递信息，系统响应明显变慢。
（3）更复杂的调试：当出现问题时，排查是哪个Agent出现问题会很困难。
（4）Agent 间通信损耗：Agent之间靠文本传递信息，可能会丢细节。
在实际项目中，通常遵循“先单 Agent，后 Multi-Agent”的原则：当单 Agent 能够完成任务时优先保持简单，只有在任务复杂度、上下文规模或协作需求达到一定程度时，才引入 Multi-Agent 架构。
14、Agent 和 Workflow 的区别是什么？
Workflow 是由开发者预先定义好的执行流程，步骤和路径基本固定；而 Agent 则依赖LLM进行动态决策，根据当前状态自主选择下一步行动。
Workflow 具有稳定、可控、易调试的特点，适合规则明确的业务流程；
Agent 具有灵活、自主和适应复杂任务的优势，但成本和不确定性更高。
在实际项目中，通常会将 Workflow 和 Agent 结合使用，用 Workflow 管理整体流程，用 Agent 处理需要LLM决策的环节。
15、哪些业务场景根本不适合 Agent？
Agent 虽然强大，但并不是所有场景都适合用：
（1）对准确性要求极高
比如金融交易、医疗诊断这类领域，LLM 有可能出现幻觉或做出错误判断，一旦出错后果严重。
（2）简单的 CRUD 操作
如果业务逻辑就是增删改查，完全不需要 Agent。用传统的 Web 框架就能搞定，引入 Agent 只会增加复杂度和成本。
（3）实时性要求高
Agent 每做一步决策都要调用 LLM，响应时间通常在几十秒甚至更长时间。如果业务要求实时性很高，Agent 不适合这种场景。
（4）流程固定
在任务执行时，每一步做什么、怎么处理都已经很明确了，用 Workflow 比用 Agent 更合适、更可控。
（5）数据敏感性强
Agent 在执行过程中可能会把敏感数据传输给 LLM，如果对数据安全有严格要求，不适合使用开放的大模型，可以自行本地部署大语言模型，这样可以保证数据不外流。
好啦，今天这期Agent基础面试题就到这里。后面我会每周至少更新1期面试题系列，想看后续 【AI Agent进阶面试题】 的朋友，欢迎关注「大志说编程」！
觉得有用的话，转发给正在面试的小伙伴，咱们下期见~
10个月宝宝每天需要喝多少奶粉？
