高频面试题

什么是大模型 Agent？它与传统的 AI 系统有什么不同？

这道题不只是问“Agent 是什么”，而是在看你能否把 LLM 带来的自主决策、工具使用和闭环执行，与传统规则系统、传统 ML 模型和普通 ChatBot 分清楚。

适合阶段：Agent 入门 / AI 应用架构面核心能力：Agent 边界 · 控制流 · Tool Use · 生产取舍

面试官角度分析，想考什么

• 什么是大模型 Agent？
  考你能否把它说成目标驱动的执行系统，而不是“接了大模型的应用”。

• 它和传统 AI 系统差在哪？
  考控制流：规则和传统 ML 路径多半预先写死，Agent 可在运行时由模型参与决策。

• 为什么更难上线，什么时候不该用？
  考非确定性、副作用、评估；固定流程和高风险场景更适合 Workflow。

可直接抄走的 30 秒参考答案

大模型 Agent 可以理解成一个以 LLM 为决策核心的目标驱动系统。传统 AI 通常是规则、模型或固定流水线，输入进来后按预设逻辑输出分类、预测或文本；Agent 则会维护状态，在循环里根据目标和工具反馈动态决定下一步，比如检索、调用 API、执行代码、追问用户或停止。它的优势是能处理开放、多步、路径不确定的任务，代价是非确定性、工具副作用、权限、安全、可观测性和评估都会更复杂。

面试回答详解，知其所以然

这道题最好先拆边界：传统 AI 系统不等于落后，LLM Agent 也不等于万能。两者的核心差异在于任务形态、控制流、外部行动能力和工程治理方式。

1. 大模型 Agent 是什么

大模型 Agent 可以理解为：

目标 + LLM 决策 + 状态 / 记忆 + 工具 / 环境 + 执行循环 = LLM Agent

用户给 Agent 的通常不是单轮问题，而是一个需要推进的目标。Agent 会根据当前上下文和环境状态，决定下一步要不要检索、调用 API、执行代码、读取文件、询问用户或给出最终答案。

一个典型循环是：

接收目标 -> 理解状态 -> 选择动作 -> 执行工具 -> 观察结果 -> 更新状态 -> 继续或停止

LLM 在这里承担 planner、policy、reasoner 或 controller 的一部分角色；外层 runtime 负责权限、工具执行、状态持久化、追踪、重试和停止条件。

2. 传统 AI 系统通常是什么形态

传统 AI 系统常见有三类：

• 规则系统：人预先写 if-else、规则表、状态机或专家规则。优点是可解释、可控、稳定；缺点是开放任务和自然语言泛化能力弱。
• 传统机器学习系统：训练分类、排序、预测、推荐、检测等模型，输入特征后输出标签、分数或预测值。优点是指标清晰、吞吐高；缺点是通常只解决一个窄任务。
• 固定流程 AI 应用：例如 OCR、ASR、推荐、风控、图像识别、RAG 问答流水线。它们可以非常强，但控制流大多由工程代码提前设计。

这些系统并不一定使用 LLM，也不一定有多步自主执行。它们更像“给定输入，输出一个结果”的组件或流水线。

3. 核心差异一：控制流来源不同

• 传统规则 / Workflow：下一步由工程师在代码里写死，系统按固定路径执行。
• 传统 ML：模型输出预测结果，但通常不决定接下来调用哪些外部系统。
• 普通 LLM 应用：模型生成文本，外层流程通常固定。
• LLM Agent：模型可以在运行时参与决定下一步动作，工具结果又会改变后续决策。

这也是 Agent 的价值来源：当任务路径不确定时，它可以边做边判断，而不是要求工程师提前枚举所有分支。

4. 核心差异二：输出从“答案”变成“行动轨迹”

传统 AI 系统的输出通常是：

• 一个分类标签。
• 一个预测分数。
• 一段生成文本。
• 一个检索结果。
• 一个固定业务动作。

LLM Agent 的输出更像一条轨迹：

计划 -> 工具调用 1 -> 观察 1 -> 工具调用 2 -> 观察 2 -> 最终结果

所以评估 Agent 时不能只看最终回答，还要看过程：工具有没有选对、参数是否正确、是否越权、是否重复调用、是否在证据不足时停止或追问。

5. 核心差异三：状态和记忆要求更高

传统系统很多是无状态服务：一次请求进来，一次响应出去。Agent 往往需要维护：

• 当前目标和约束。
• 已完成步骤和待办。
• 工具返回的关键事实。
• 中间文件、资源句柄和错误状态。
• 用户偏好、项目知识和历史经验。

没有状态，Agent 很容易重复做事、忘记用户约束或把旧 observation 当成新事实。长期记忆还要处理写入门槛、过期、冲突、隐私和删除。

6. 核心差异四：风险从“答错”扩展到“做错”

传统问答系统答错，主要损害是信息质量。Agent 接了工具后，错误可能变成真实副作用：

• 查错数据库，给出错误业务判断。
• 调错 API，创建错误订单或工单。
• 误删文件、误发消息、误改配置。
• 被 prompt injection 诱导越权调用工具。
• 多轮循环导致成本和延迟失控。

所以生产级 Agent 必须配套权限、审计、沙箱、人工确认、幂等、回滚和评估。自主性越强，外层边界越重要。

7. 什么时候该用 Agent，什么时候不用

适合使用 Agent 的场景：

• 任务路径不确定，需要边探索边决策。
• 需要多步调用工具，并根据中间结果调整计划。
• 需要整合多个数据源或系统。
• 目标可验收，但过程难以提前完全写死。

不适合默认使用 Agent 的场景：

• 流程固定、规则明确、失败代价高。
• 单步分类、摘要、改写、抽取即可完成。
• 强合规、强一致、必须可完全复现的核心交易链路。
• 工具权限边界不清、没有审计和回滚能力。

成熟答案不是“Agent 取代传统 AI”，而是“Agent 适合开放多步任务，传统 AI 和 Workflow 仍然适合确定性、高吞吐、高可控的任务”。

面试官追问3个问题

追问一：Agent 和 Workflow 的区别是什么？

• 考察点：是否能按控制流来源区分系统。
• 回答方向：Workflow 的路径主要由代码预先定义，稳定可测；Agent 的下一步由模型在运行时参与决定，更适合开放任务。生产中常混用：Workflow 管主路径和风险边界，Agent 负责开放探索。

追问二：有工具调用就一定是 Agent 吗？

• 考察点：是否把工具调用误当成 Agent 全部。
• 回答方向：不一定。单次工具调用只是 tool-augmented LLM；只有工具调用进入目标驱动的多步循环，并配合状态、反馈、失败恢复和停止条件，才更接近 Agent。

追问三：传统 AI 系统有哪些优势？

• 考察点：是否能避免“Agent 万能论”。
• 回答方向：传统系统通常更确定、低延迟、低成本、易评估、易复现，适合固定流程、强一致、高吞吐和高风险业务链路。Agent 的优势在开放性，不在稳定性。

扩展知识

LLM Agent 和传统 LLM 应用的区别

普通 LLM 应用可以只是一条生成链路：

Prompt / RAG -> LLM -> Answer

LLM Agent 则多了运行时控制：

Goal -> State -> Decide Action -> Tool / Environment -> Observation -> State Update

所以“用了 LLM”不等于 Agent，“能调一次工具”也不等于 Agent。关键是有没有围绕目标的多步闭环。

Agent 自主性不是无限自由

面试里说自主性时要小心。生产 Agent 的自主性应该是受控自主：

• 模型可以提出下一步动作。
• Runtime 决定动作是否允许。
• Tool layer 决定如何执行和返回错误。
• Verifier 判断结果是否满足目标。
• Policy 决定何时需要人工确认或拒绝。

越成熟的 Agent，越不会把所有控制权都交给模型。

传统 AI 仍然重要

Agent 并不会替代所有 AI 系统。很多场景里，传统方案更优：

• 风控评分需要稳定、低延迟、可解释指标。
• 推荐排序需要大规模吞吐和在线 A/B。
• OCR、ASR、分类、抽取适合专门模型。
• 核心交易流程需要确定性和审计。

Agent 更像把这些能力组织起来的动态执行层，而不是把所有底层模型替换掉。