- 正确答案：Agent（智能体）的典型流程包含感知（Perception）、推理（Reasoning）、决策（Decision-making）、行动（Action）和反馈（Feedback）五个核心环节，构成一个闭环控制循环（Perception → Reasoning → Decision → Action → Feedback → Perception…）。在实际系统中，该流程常被细化为：1）接收输入（用户指令、环境观测、历史记忆等）；2）理解与解析（NLU/意图识别/槽位填充）；3）规划（Task Planning / Subgoal Decomposition）；4）工具调用（Tool Use / API Invocation / Code Execution）；5）结果整合与验证；6）生成响应（NLG）；7）状态更新与长期记忆写入。 - 解答思路：要回答“agent的流程”，不能仅罗列步骤，而需从认知架构出发，区分“逻辑流程”与“工程实现流程”。逻辑上，Agent本质是目标驱动的反应式+反思式混合系统（参考Soar、ACT-R、LIDA等认知模型）；工程上，现代LLM-based Agent（如LangChain、LlamaIndex、AutoGen中的Agent）将流程拆解为可插拔模块。因此，解答应覆盖：① 信息流路径（输入→内部表征→输出）；② 控制流机制（同步/异步、单步/多步、有无循环）；③ 关键状态组件（短期工作记忆、长期记忆、工具注册表、执行上下文）；④ 容错与终止条件（如最大step数、置信度阈值、工具调用失败回退策略）。 - 深度知识讲解： ▪ 底层数据结构支撑： - 工作记忆（Working Memory）通常实现为有序消息列表（Message List）或带时间戳的键值对缓存（如Redis + TTL），每条消息含role（system/user/assistant/tool）、content、tool_call_id、tool_response等字段； - 工具注册表（Tool Registry）是哈希表（dict），key为tool name，value为Tool对象（含name, description, parameters: JSON Schema, function: callable）；调用时通过JSON Schema校验参数合法性，避免运行时错误； - 记忆检索（RAG增强）依赖向量数据库（如FAISS/Chroma），其底层是近似最近邻（ANN）搜索，基于HNSW（Hierarchical Navigable Small World）图或IVF（Inverted File）索引，时间复杂度O(log n)而非暴力O(n)； ▪ 推理与规划的实现原理： - Zero-shot/COT（Chain-of-Thought）规划依赖LLM的隐式推理能力，但稳定性差；显式规划常用ReAct（Reason + Act）范式：模型先输出…tool_name{json}，解析后执行工具，再将结果注入…继续下一轮； - 更鲁棒的方案是使用小型专用规划器（如Tree-of-Thoughts中的BFS/DFS搜索器，或基于LLM的子目标分解器），将高层任务（“帮我订一张明天去北京的机票”）分解为原子动作序列（查航班→选航司→填乘客→支付），每个动作对应一个工具调用； ▪ 执行引擎的关键机制： - 工具调用不是简单函数调用，而是安全沙箱化过程：参数经JSON Schema验证 → 调用前记录trace_id/log → 执行超时控制（如asyncio.wait_for）→ 结果序列化为字符串（避免返回不可JSON化的对象）→ 错误捕获并格式化为标准Observation； - 多步执行需维护execution context：包括当前step编号、已用token数（防超限）、已调用工具集合（防循环）、失败重试次数； ▪ 反馈与学习闭环： - 短期反馈：工具返回结果后，LLM需判断是否达成子目标（Success/Fail/Partial），决定continue、retry或abort； - 长期反馈：用户显式评分（👍/👎）或隐式信号（响应后是否追问）触发RAG索引更新、工具描述微调、甚至few-shot示例库动态扩充；部分系统引入强化学习（如PPO）优化action policy，但校园招聘中更关注规则驱动的确定性流程设计。 - 伪代码（简化版ReAct Agent主循环）： ``` def run_agent(query: str, max_steps: int = 5) -> str: memory = [{"role": "user", "content": query}] tools = load_tool_registry() # dict{name: Tool} for step in range(max_steps): # 1. LLM生成思考+动作 prompt = build_react_prompt(memory, tools) response = llm_generate(prompt) # returns string like "...search{...}" # 2. 解析动作 thought, action_name, action_input = parse_react_output(response) if action_name == "Finish": return action_input # final answer # 3. 工具调用（带异常处理） try: tool = tools[action_name] validation_result = validate_json_schema(action_input, tool.parameters) if not validation_result.is_valid: observation = f"Tool input validation failed: {validation_result.error}" else: result = tool.execute(action_input) observation = json.dumps({"status": "success", "data": result}, ensure_ascii=False) except Exception as e: observation = f"Tool execution error: {str(e)}" # 4. 更新记忆，进入下一轮 memory.append({"role": "assistant", "content": response}) memory.append({"role": "user", "content": f"{observation}"}) return "Max steps exceeded. Please refine your request." ```

字节暑期一面

全站热榜

创作者周榜