基本概念
校招考察频度：★ 高频（核心必背·高频生死线） 复习主线：Agent 的本质是“LLM 大脑 + 感知 + 记忆 + 工具 + 目标导向闭环”。校招面试核心聚焦点：Agent 核心四要素（规划/记忆/工具/行动）、Chatbot vs Workflow vs Agent 的本质分水岭（控制权在代码硬编码还是模型动态自主决策）、Function Calling 协议原理与 JSON Schema 校验、Tool Use 状态循环机、短期 vs 长期记忆持久化。
AI Agent 是一个能在目标导向任务中，使用模型理解状态与规划行动、通过工具影响外部环境、并根据反馈持续修正的软件系统。一句话：模型是大脑，Agent 是由软件工程构建的完备身体。
分类考频地图
| 专题 | 核心页面 | 校招考频星级 | 重点考查要点 |
|---|---|---|---|
| 函数与结构化调用 | Function Calling 原理与实践 | ★ 高频（生死线） | 模型为什么能输出 JSON、JSON Schema 声明工具、tools / tool_choice 参数机制、单轮 vs 多工具并行调用（Parallel Tool Calling） |
| 工具使用与闭环 | Tool Use 工具调用体系 | ★ 高频（核心必考） | Tool Use 循环生命周期（模型提出调用 → 代码拦截执行 → 返回 Observation → 模型综合回答）、执行报错自动纠错与重试 |
| 记忆体系 | Memory 记忆机制深度剖析 | ★ 高频（核心必考） | 短期工作记忆（会话上下文滑动窗口/摘要压缩）vs 长期持久记忆（向量数据库检索 / 关系库画像）、Mem0 架构原理 |
| 协议标准 | MCP 协议基础 | ★ 高频 | 统一开放工具标准、Client/Host/Server 拓扑、解决 N*M 工具生态碎片化对接难题 |
| 技能工程 | Skills 抽象与复用 | ☆ 中频 | 复杂多步任务封装成可复用技能包、渐进式披露（Progressive Disclosure）节省 Prompt Token |
四要素
Agent 的四要素
- 规划：把大目标拆成子步骤，根据中间结果调整计划。ReAct 的边走边想、Plan-and-Execute 的先规划后执行都是规划的不同粒度
- 记忆：短期记忆是当前任务的上下文状态，长期记忆是跨会话沉淀的用户偏好、项目约定和经验
- 工具：让 Agent 从”只能说”变成”能动手”的通道。搜索、读文件、跑代码、查数据库、调 API
- 行动：执行工具调用、观察结果、根据反馈修正的闭环。没有闭环只有调用，是工具增强而不是 Agent
Agent vs Chatbot vs 工作流
| 维度 | Chatbot | Workflow | Agent |
|---|---|---|---|
| 控制权 | 用户一步步推进 | 工程师预先写死 | 模型动态决策 |
| 路径 | 一问一答 | 固定流程 | 根据中间结果调整 |
| 典型输入 | 一个问题 | 固定格式任务 | 一个目标 |
| 状态 | 无状态 | 流程状态 | 目标导向的多步状态 |
判断一个系统是不是 Agent，标准只有一个：控制权在谁手里。加了联网搜索的 Chatbot 还是 Chatbot，因为流程是写死的；只有模型根据观察自己决定下一步做什么、用哪个工具、何时停止，才是 Agent。
Agent 的代价
Agent 的自主性换来了三个代价：
- 错误复合。多步行动中一步走错，后面层层放大，出错后难定位
- 成本不可控。每一步都可能调用模型和工具，任务越开放成本越难预估
- 权限是事故边界。能读文件时错误是内容问题，能发邮件、删数据时错误就是运营事故
所以生产级 Agent 需要轮数上限、工具权限控制、人工确认和可观测性兜底。人的参与不是失败的补丁，是系统设计的一部分。
面试追问
- Agent 和 LLM 的区别？ LLM 是无状态概率函数，一次调用就结束；Agent 是围绕 LLM 构建的任务执行系统，有规划、记忆、工具和反馈闭环
- 四要素是什么？ 规划（拆解和调整）、记忆（短期状态加长期经验）、工具（影响外部世界）、行动（执行观察修正的闭环）
- 加了工具的 Chatbot 是 Agent 吗？ 不是。区别不在能不能调工具，而在流程是否由模型自主决策、有没有多步闭环和状态。单次固定调用是工具增强，不是 Agent
- Agent 的主要风险？ 错误复合、成本失控、权限越界。解法是循环上限、工具权限、HITL 和可观测性
- 什么时候不该用 Agent？ 步骤能预先写死、不需要根据中间结果调整策略的任务，Workflow 更便宜更可控