← 返回目录

第 8 卷

第 8 / 15 卷日期:

本章小结

核心考点高频关键词

记忆类型窗口/摘要/向量/图谱/混合记忆, MemGPT
上下文管理Token预算、摘要压缩、滑动窗口
工具调用Parallel Calling, tool_choice, Schema
异常处理死循环检测、参数校验、超时控制
安全最小权限、沙盒隔离、审计日志

📖小白导读

本节讲的是「第五章:Agent架构、Swarm协作与反思机制篇(Q101-Q130)」。读完你会掌握:

Q101:ReAct Agent 的工作原理是什么?

Q102:Plan-and-Execute vs ReAct,什么时候用哪个?

Q103:LangGraph中如何防止 Agent 死循环?

Q104:什么是 Re exion?它为什么能提升 Agent 质量?

Q105:Supervisor 模式 vs Swarm 模式,怎么选?

💡 代码部分已精简,完整可运行版本见HTML 交互课件。

第五章:Agent架构、Swarm协作与反思机制篇

(Q101-Q130)

Agent 不是简单的 LLM +工具。架构设计、协作模式、反思能力决定了 Agent 的上限

Q101:ReAct Agent的工作原理是什么?

核心循环:Reasoning(思考)→ Action(行动)→ Observation(观察)→循环

[用户问题] → [LLM 思考:我需要查天气] → [调用 get_weather]

↓

[观察到结果:北京 28°C] → [LLM 思考:温度信息够了]

  • [生成最终回答]

与传统链式调用的区别:链式调用是固定流程(A→B→C);ReAct 是动态循环Agent 自主决定调不调工具、调哪个、调几次。

Q102:Plan-and-Execute vs ReAct,什么时候用哪个?

维度ReActPlan-and-Execute
流程边想边做(一步一步)先规划全局,再逐步执行
适合简单任务(1-3步)复杂任务(5+步)
成本低(按需思考)高(规划本身消耗Token)
可靠性中(容易走偏)高(有全局视角)
灵活性高(随时调整)中(修改计划需重新规划)

面试最佳答案:简单任务(查天气、算数)用 ReAct;复杂任务(写研报、做数据分析)用 Plan-and- Execute;最高级是两者结合先Plan再Execute,Execute过程中用ReAct处理每个步骤。

Q103:LangGraph中如何防止Agent死循环?

五重防御:

1迭代计数器State中iteration:int,每轮+1,>5强制停止
2Token预算累计Token > 10000→停止
3时间预算运行时间> 60s→停止
4轨迹重复检测检测A→B→A→B的循环模式
5工具结果去重同样的工具+参数+结果出现两次→停止

Q104:什么是Re exion?它为什么能提升Agent质量?

原理:让Agent生成一版结果→另一个Agent(或自己的另一个角色)评审→根据反馈修改→再审→直到通过。

效果:HumanEval 代码生成从67% → 91%(+24%)。写作质量评分从6.2 → 8.5(+37%)。

成本权衡:3次迭代消耗 4-5倍 Token,但质量提升 25-40%。对于高价值产出(报告、代码、邮件),完全值得。

Q105:Supervisor模式vs Swarm模式,怎么选?

维度SupervisorSwarm
控制权集中(Supervisor调度)分散(Agent自主交接)
可预测性高低
适合流程明确的任务对话/客服
Token开销中(Supervisor消耗Token)低
调试难度低高
推荐新手首选高级用户

Q106-Q110:Agent架构深度

Q106:什么是Agent 的“工具选择幻觉”?→ Agent 调用一个不存在的工具名,或给错参数。防御:①工具名白名单校验② Pydantic Schema 参数验证③错误信息返回给LLM让它修正

Q107:如何设计 Agent 的错误恢复策略? →三级恢复:① 工具级重试(同一工具重试 3次)② 策略级切换(换一个工具或方法)③降级回复(“抱歉,我暂时无法获取该信息”)

全站分卷索引 · 15 卷
  1. 1第 1 卷
  2. 2第 2 卷
  3. 3第 3 卷
  4. 4第 4 卷
  5. 5第 5 卷
  6. 6第 6 卷
  7. 7第 7 卷
  8. 8第 8 卷
  9. 9第 9 卷
  10. 10第 10 卷
  11. 11第 11 卷
  12. 12第 12 卷
  13. 13第 13 卷
  14. 14第 14 卷
  15. 15第 15 卷