
面试时怎么讲好一个 Agent 项目?
讲 Agent 项目按「业务问题-为什么用Agent-架构取舍-踩坑与数据」四段式展开,重点讲权衡和量化结果,而不是堆技术名词。
共 15 篇文章

讲 Agent 项目按「业务问题-为什么用Agent-架构取舍-踩坑与数据」四段式展开,重点讲权衡和量化结果,而不是堆技术名词。

Agent 评估要分层:端到端任务成功率、过程指标(步数/工具准确率)、组件级单测,配合影子测试和 LLM-as-Judge,核心是评估集先行。

Agent 的能力边界受限于模型推理上限、上下文窗口、工具覆盖度和环境反馈质量;高确定性、强实时、零容错场景不是它的主场。

编排框架按抽象层级选:LangChain 管组件、LangGraph 管状态机、AutoGen 管多 Agent 对话,生产首看可控性与可观测。

子 Agent 的核心价值是上下文隔离与并行:独立窗口处理子任务,只回传压缩结论;设计关键是任务契约、结果协议和调度成本权衡。

Harness 是包裹 LLM 的运行支撑框架:工具执行、上下文管理、权限、循环控制、可观测都在这一层;模型负责智能,Harness 负责可靠。

Agent 可靠性要从语义、逻辑、异常三层保障工具调用;降级链路包括重试、换工具、小模型兜底、人工接管,输出侧用 schema 校验守门。

ReAct 死循环靠硬上限(步数/超时/token预算)、重复检测和prompt引导三层防御;终止控制是 Agent 从 demo 到生产的关键工程。

Agent 核心四件:LLM 决策大脑、工具层、记忆层、规划与循环控制;分层架构按交互层-编排层-能力层-基础设施层划分,关注点各不相同。

多 Agent 在上下文隔离、天然并行、专精分工时才有价值;协作模式有中心化编排、流水线、对等讨论三类,要防无限循环和通信爆炸。

ReAct、Plan-and-Execute、Reflection、Multi-Agent 四种模式在规划、纠错与成本上各有取舍,按任务特征组合选型。

Workflow 是人预编的固定路径,Agent 是模型运行时动态决策;选型看步骤是否可预知、出错代价、可审计性要求,生产上多是两者混合。

Plan-and-Execute 先由规划器生成完整计划再逐步执行,配合 Replan 机制应对计划失效;比 ReAct 省 token,适合长程可分解任务。

ReAct 让模型交替输出推理(Thought)与行动(Action),把观察结果回填上下文形成闭环;落地关键是轨迹格式、工具协议和循环刹车。

LLM 是无状态的文本函数,Agent 是以 LLM 为决策核心、带工具、记忆和循环的执行系统;选型看任务是否需要多步行动与外部交互。