蚂蚁内推，抓住2025届校招补招

一、为什么 Agent 评测比 LLM 评测更难？ 传统 LLM 评测（现在当然更复杂维度更多元化）关注的是文本生成质量——回答是否流畅、事实是否正确、格式是否合规。但 Agent 是一个完整的系统，它要自主决策、调用工具、与环境交互、在多轮对话中保持状态。这意味着：  不能只看最终输出，还要看中间过程是否合理（中间过程非常重要） 不能只看单次执行，还要看重复执行是否稳定 不能只看功能正确性，还要看性能、成本、并发能力 不能只在单一场景测试，还要覆盖工具调用、长上下文、多轮对话等维度（工具调用的能力评测也是目前的难点与重点）  LLM 评测像测发动机，Agent 评测像测整车——必须综合考察在...

如图所示 4.29更新：已OC

核心定义ReAct 是能让大模型“边思考、边行动”的推理框架，让 LLM 像人类一样通过多轮交互解决复杂问题Thought-Action-Observation 运转逻辑ReAct 循环中有三大要点：Thought：模型分析当前的局面，大任务拆解成子任务，决定当前最需要做什么Action：根据前面的思考结果，生成具体的操作指令Observation：接收真实环境对操作的反馈结果这就有了一个闭环：想清楚再做，做完看反馈，基于新反馈接着想ReAct + Function calling 怎么运转？在 ReAct 需要与外部系统结合时，免不了调用工具，执行链路如下：评估与决策：模型接收用户请求，判断...