Q1：请⽤你⾃⼰的话定义 LLM Agent，并说明与单次调⽤的差异。

答案：LLM Agent 是以⼤语⾔模型为推理核⼼，在 多轮 中与外部环境交互，通过 规划、记忆与⼯具 完成复杂任务的系统。与单次调⽤的差异在于：单次调⽤是 开环⽣成；Agent 是 闭环决策，每步可依据⼯具返回更新状态，直到终⽌条件。

追问：若没有外部⼯具，还能叫 Agent 吗？

答案：可称为「弱环境」Agent，仅有对话记忆与推理；但仍可有内环多步 CoT 与⾃我验证。⾯试中强调是否存在「⾏动—观察」循环更清晰。

Q2：Agent 的记忆⼀般怎么设计？

答案：分层设计最常⻅：⼯作记忆（当前轨迹与关键结论）+ 会话记忆（摘要滚动）+ ⻓期记忆（向量检索/结构化库）。写⼊要区分「事实」与「推断」，并带时间戳与来源，便于更新与撤销。

Q3：规划和执⾏要不要拆开两个模型？

答案：视任务⽽定。Planner-Executor 拆分可提升可控性（强模型规划、快模型执⾏）；单模型端到端更简单但易在⻓链路漂移。可混合：规划⽤强模型，执⾏层做确定性校验。

Q4：ReAct 框架⾥三个字⺟代表什么？解决什么问题？

答案：Reasoning + Acting：在⽣成中交替进⾏推理（Thought）与⾏动（Action），并接收观察（Observation）。它解决的是：模型仅「空想」容易偏离事实；通过显式推理 + ⼯具反馈把推理锚定在真实环境上。