Q1：大模型（LLMs）具有什么优缺点？

答案：

• 优点：

1. 可以利用大量的无标注数据来训练一个通用的模型，然后再用少量的有标注数据来微调模型，以适应特定的任务。这种预训练和微调的方法可以减少数据标注的成本和时间，提高模型的泛化能力；
2. 可以利用生成式人工智能技术来产生新颖和有价值的内容，例如图像、文本、音乐等。这种生成能力可以帮助用户在创意、娱乐、教育等领域获得更好的体验和效果；
3. 可以利用涌现能力（Emergent Capabilities）来完成一些之前无法完成或者很难完成的任务，例如数学应用题、常识推理、符号操作等。这种涌现能力可以反映模型的智能水平和推理能力。

• 缺点：

1. 需要消耗大量的计算资源和存储资源来训练和运行，这会增加经济和环境的负担。据估计，训练一个GPT-3模型需要消耗约30万美元，并产生约284吨二氧化碳排放；
2. 需要面对数据质量和安全性的问题，例如数据偏见、数据泄露、数据滥用等。这些问题可能会导致模型产生不准确或不道德的输出，并影响用户或社会的利益；
3. 需要考虑可解释性、可靠性、可持续性等方面的挑战，例如如何理解和控制模型的行为、如何保证模型的正确性和稳定性、如何平衡模型的效益和风险等。这些挑战需要多方面的研究和合作，以确保大模型能够健康地发展。

Q2：Agent 和 Prompt Chain 有什么本质区别？

答案：Prompt Chain 的拓扑与顺序主要由⼯程侧固定；Agent 在运⾏时在动作空间中做选择，并依赖 Observation 更新信念，适合输⼊与路径不确定的任务。⼆者可结合：链负责稳定流程， Agent 负责链内某段的灵活分⽀。

Q3：ChatBot 加上插件是不是就变成 Agent 了？

答案：不⼀定。若插件调⽤由固定规则触发（例如关键词路由），更像「带⼯具的 Bot」。若由模型在多步推理中⾃主选择⼯具与参数，并形成闭环迭代，则更贴近 Agent。关键在是否具备多步⾃主决策与反馈闭环。

Q4：RAG + Chat 算不算 Agent？

答案：单次检索再回答，偏「增强型 Chat」。若有多轮检索策略（查不到换查询、分解⼦问题、交叉验证），则具备 Agent 特征。