AI Agent 面试核心考点：本质、四大组件与规划模式详解

什么是 AI Agent：被面试官反复追问的本质问题

在 AI 相关岗位的面试中，"你是怎么理解 Agent 的"几乎是必问题。很多候选人把 Agent 直接等同于大语言模型（LLM），这是一个典型误区。Agent 并不是模型本身，而是以 LLM 为控制核心、围绕目标自主推进的 AI 执行系统。

理解这句话有两个关键点：第一，它依托于大语言模型做决策；第二，它具备自主推进能力——能够自主分析复杂任务、安排执行路径，并最终返回令用户满意的结果。

Agent 与传统问答式 AI 的根本差异，不在于"回答得更好"，而在于工作方式发生了改变。传统问答系统是被动响应：你问一个问题，它给一个答案，一来一回，每次输入输出相对独立。而 Agent 是在目标驱动下持续进行任务拆解、工具调用和状态维护，通过多轮迭代逐步逼近结果。

因此，Agent 的本质不是一次推理，而是一个决策 → 行动 → 观察 → 再决策的运行循环。记住这个循环，面试时就抓住了核心。

组件一：大语言模型是 Agent 的大脑

Agent 的核心组件可以归纳为四部分：大语言模型、工具、记忆系统、规划能力。四者缺一不可。

其中 LLM 是整个系统的决策中枢。用户指令、工具返回结果、记忆检索结果、当前任务状态，最终都会汇聚到大语言模型，由它判断下一步动作——是继续推理、调用某个工具、请求用户补充信息（即人工介入的 human-in-the-loop），还是直接输出答案。没有 LLM 做统一决策，其余组件只是孤立的能力模块。

LM 非常重要

在实际使用中，模型选型需要重点关注几个维度：

System Prompt（系统提示词）：定义 Agent 的角色、行为边界、输出格式和约束条件，相当于整个 Agent 的说明书。
模型推理能力：不同模型差距很大。相同提示词下，推理能力强的模型在任务分解、工具选择和错误恢复上表现更好。不过对日常开发工作而言，无论 GPT、DeepSeek^广告还是智谱 GLM，通用大模型的能力已经足以覆盖需求，没必要盲目追求高性能模型——性能越高，token 成本也越高。
工具调用稳定性：核心是结构化输出能力。格式错误或参数乱填会导致调用失败、重试和 token 浪费。
上下文窗口：Agent 每一步的工具结果和中间状态都会进入上下文，复杂任务执行多步后窗口很容易被占满。

模型选择不是越贵越好，而是要在推理能力、延迟、成本和上下文容量之间做权衡。

组件二：工具是 Agent 与外部世界的接口

工具是四个组件中最容易理解的一个。LLM 本身只是语言处理器，不能直接上网、读文件、执行代码或操作业务系统。它可以生成一封邮件的内容，但无法真正把邮件发出去。

工具正是 Agent 采取行动、感知外部反馈的唯一入口。任何能用函数封装的能力都可以成为工具——如果用过 LangChain 这类框架，就会发现定义工具和定义一个普通函数几乎一样，只需在函数上加一个注解即可。

先知道这个东西

搜索引擎、数据库查询、代码执行器、发送邮件……这些都可以封装为工具。更进一步，现在流行的 Skills、外部 MCP 服务、Claude Code 里的 Hooks（钩子），本质上都是工具的不同形态。它们的共同点在于：为 Agent 提供与外部世界交互的接口。Agent 正是通过工具突破了模型自身的能力边界，并通过工具返回结果来了解行动的实际效果。

MCP（Model Context Protocol）是 Anthropic 于 2024 年底推出的开放协议，旨在标准化 AI 模型与外部工具、数据源之间的连接方式。在 MCP 出现之前，每个 Agent 框架都有各自定义工具的规范，工具难以跨框架复用。MCP 提供了统一的服务器-客户端架构：工具提供方以"MCP Server"形式发布能力，任何兼容 MCP 的 Agent 应用都可以直接调用，类似于为 AI 工具生态建立了"USB 标准接口"。目前 Claude、Cursor 等主流产品已原生支持 MCP，市面上也出现了大量开源 MCP Server，覆盖文件系统、浏览器控制、数据库操作等常见场景，极大降低了 Agent 接入外部能力的开发成本。

组件三：记忆系统维持状态与跨任务连续性

记忆解决的是 Agent 执行过程中"失忆"的问题，通常分为短期记忆和长期记忆。

短期记忆

短期记忆指当前任务或对话的上下文，保存中间状态、工具结果和决策依据。比如让 Agent 帮你开发一个系统，过程中需要多轮对话，这些对话信息必须被保留，否则下一轮提问时 Agent 就无法基于上一步结果继续推进。

短期记忆的核心矛盾是：复杂任务会产生大量中间信息，但上下文窗口有限，必须在"记住足够多"和"不撑爆"之间做平衡。常见处理方式包括压缩、摘要、滑动窗口和外部卸载。

足够多和不撑爆

举例来说：压缩是把整体内容缩小；摘要是把 100 个字浓缩成 10 个字只保留要点；滑动窗口是只保留最近 N 轮对话；外部卸载则是把部分信息移出记忆。但无论哪种方式，最终都会导致一定程度的记忆丢失，进而影响下一步执行结果。用过 Claude Code 或 Codex 的人应该都遇到过上下文撑满、需要做摘要压缩的场景，这背后的策略和技巧非常关键。

长期记忆

长期记忆用于跨会话、跨任务保留信息，常见实现方式是向量数据库 + Embedding 向量化 + 语义检索。完整的长期记忆系统往往还需要结构化存储、图数据库、元数据过滤、写入策略和冲突更新等机制。

长期记忆的设计难点在于：什么信息值得持久化，什么该丢弃。存太多会引入噪声导致检索不准，存太少又失去了长期记忆的意义。更合理的做法是在写入前做重要性评估，只保留真正影响后续决策的信息。

向量数据库与 Embedding 是长期记忆的技术基础，值得单独说明。Embedding（嵌入）是将文本转换为高维数值向量的过程，语义相近的文本在向量空间中距离更近。向量数据库（如 Pinecone、Weaviate、Chroma）专门用于存储和检索这类向量，支持"语义检索"——即根据含义而非关键词匹配来找到相关记忆片段。举个例子，Agent 之前处理过"用户偏好深色主题"，下次执行 UI 相关任务时，系统通过语义检索就能自动召回这条记忆，即使用户没有再次提及。这与传统数据库按精确字段查询的方式截然不同，是 Agent 实现"跨会话记忆"的核心机制。

组件四：规划能力决定 Agent 能否处理复杂任务

规划是把复杂目标拆解成可执行步骤的能力，底层依赖 LLM 的推理能力。

常见的规划方法有：

CoT（思维链）：让模型显式写出推理步骤。由于 LLM 逐步生成、逐步消耗 token，中间推理会成为后续生成的条件，从而减少跳步或逻辑断裂。相当于把一个复杂任务拆成十个步骤，逐一执行，不遗漏中间环节。
ToT（思维树）：在推理节点上展开多个候选分支，评估各分支质量后选择最优路径继续推进，适合高不确定性、需要多路径探索的任务。
思维图使用较少，了解即可。

任务拆分成十个步骤

在实际生产环境中，规划模块主要有两种模式：

ReAct 模式：每一步都根据当前观察重新决定下一步，不提前制定完整计划，走一步看一步。优点是灵活，缺点是容易陷入局部最优而忽略最终目标。

Plan and Execute 模式：先由 LLM 生成完整的步骤列表，再按计划执行。优点是结构清晰、便于审查，缺点是当中间结果偏离预期时，原计划可能失效。

实际工程中，两者往往结合使用：先做粗略计划确定大方向，再在执行过程中根据反馈动态调整。

ReAct 模式的名称来自"Reasoning + Acting"的组合，由普林斯顿大学 2022 年提出的同名论文推广。其核心思路是将推理（Thought）、行动（Action）和观察（Observation）交替写入上下文，让模型在每一步都能看到自己的推理过程和上一步工具返回的结果，从而做出更有依据的下一步决策。这种"边想边做、边做边想"的模式与人类处理陌生任务时的方式类似，是目前开源 Agent 框架（如 LangChain、LlamaIndex）中最常见的默认规划策略。其局限性在于，缺乏全局视角，当任务需要协调多个相互依赖的子目标时，容易出现"只顾眼前"的短视行为。

面试总结：如何用一句话讲清 Agent

Agent 的本质是以 LLM 为决策核心，结合工具、记忆和规划能力，能够自主拆解并完成复杂目标的执行系统。理解它的关键在于三个特性：

自主性：大语言模型自主进行推理和任务规划；
行动性：通过工具与外部世界交互、完成具体任务；
多步迭代：不是一次推理就返回结果，而是多轮循环逼近目标。

同时还要注意几个约束条件——上下文窗口、工具稳定性、token 成本和延迟。

一句话收尾：Agent 不是一个更聪明的模型，而是一套围绕目标持续运行的决策与执行系统。 面试时把这几个要点讲清楚，基本就能让面试官满意。