Agent 架构设计与模块联动，包括模块分工、难点（如任务拆解、多模态对齐、记忆检索效率）、模块间如何协同工作。

1、自我介绍2、如果让你设计一个可回放、可调试、可审计的 Agent Runtime，你会怎么做一个真正能在线上稳定运行的 Agent Runtime，不应该只是“模型 + 工具调用”这么简单，而应该是一个有状态机、有事件日志、有回放能力的执行系统。我会把它拆成几个核心模块：任务上下文、Planner、Executor、Tool Adapter、State Store、Event Log、Policy Engine 和 Replay Engine。任务执行时，不是把所有中间过程都放在 Prompt 里，而是把关键状态结构化存储。比如当前步骤、已完成动作、失败次数、工具返回摘要、等待确认事项、上...

Agent的本质是“让大模型按业务逻辑执行”，这不就是游戏后端一直在做的“行为树”和“状态机”吗？，现在主流的Agent框架（如LangGraph、AutoGen），核心都是“图结构+节点执行”，和我们做游戏服务器里“有限状态机”处理玩家行为的思路几乎同构。Agent最难的不是调用API，而是“异常处理”——当AI跑偏了怎么兜底、超时了怎么重试、上下文太长怎么截断，这些“工程稳定性”的东西，后端开发太熟了。

1、讲讲什么是 RAGRAG 是 Retrieval-Augmented Generation，也就是检索增强生成。它的核心思想不是只靠大模型参数里记住的知识回答问题，而是在回答之前，先去外部知识库里检索和当前问题相关的内容，再把检索结果作为上下文交给模型生成答案。完整流程一般分两部分。离线侧先做文档接入、清洗、切片、向量化和索引构建，把知识变成可检索的形式。在线侧收到用户问题后，先做 query 改写或纠错，再去知识库召回相关片段，必要时做 rerank 重排，最后把用户问题和证据一起送给模型生成。RAG 的价值主要有三个：让模型获得训练时没有的外部知识让知识更新不依赖重新训练模型让回答更容...