Agent 基础

这一节解决什么问题

这一节用于理解 AI Agent 和普通大模型聊天的区别。

普通聊天机器人主要完成问答，而 Agent 更强调围绕目标进行任务执行。

核心概念

一个基础 Agent 通常包含以下部分：

• Goal：任务目标
• Context：上下文
• Memory：记忆
• Tool：工具
• Action：行动
• Observation：观察
• Reflection：反思
• Final Answer：最终输出

Agent 和 ChatBot 的区别

ChatBot

更像是一次问答：

用户输入 → 模型回答

Agent

更像是一个执行循环：

用户目标 → 任务理解 → 计划生成 → 工具调用 → 结果观察 → 继续执行或结束

工程化理解

Agent 不应该被理解成"加了 Prompt 的聊天机器人"。

更准确的理解是：

> Agent 是一个围绕目标、上下文、工具和反馈循环构建的任务执行系统。

常见误区

误区一：Agent 等于角色 Prompt

给模型加一句"你是某某专家"，并不等于 Agent。

Agent 至少要有：

• 明确任务目标
• 可调用工具
• 执行过程状态
• 结果反馈机制

误区二：Multi-Agent 等于多个模型聊天

多个 Agent 不是自由群聊，而应该有明确分工和协作规则。

误区三：Agent 只要能跑就行

真正可用的 Agent 系统还需要考虑：

• 可控性
• 可观测性
• 错误处理
• 权限边界
• 质量评估

面试表达

可以这样表达：

> 我理解的 Agent 不是简单聊天机器人，而是一个任务执行系统。它围绕用户目标，结合上下文、工具调用、状态管理和反馈机制，逐步完成任务。相比普通 LLM 应用，Agent 更强调执行链路和工程可控性。