Agent 与工具调用¶
面试高频考点¶
- Agent 和普通 LLM 的区别？
- ReAct 框架的原理？
- 工具调用（Function Calling）如何实现？
- Plan-and-Execute vs ReAct？
- Agent 的常见失败模式？
外部图解：ReAct Agent 循环¶
图源：Intelligent Machines - ReAct Agents Explained。这张图适合理解 Agent 不是一次回答，而是“思考 -> 调工具 -> 观察 -> 再思考”的循环。
一、什么是 Agent？¶
细化理解： Agent 是模型围绕目标进行规划、调用工具、观察结果并继续决策的闭环系统。普通 LLM 主要生成文本，Agent 还要决定下一步动作。工程上最关键的是边界控制：工具什么时候能调用、调用失败怎么恢复、循环何时停止、权限和成本如何限制。
普通 LLM 是一次性输入输出（无状态、无工具、无规划），而 Agent 是一个具备感知-决策-执行-观察闭环的自主系统。
LLM Agent = LLM（大脑） + 工具（双手） + 记忆（笔记本） + 规划（决策链）
┌──────────────────────────────────────────┐
│ Agent 运行循环 │
│ │
│ 用户目标 │
│ ↓ │
│ [LLM 思考] ←──────────────┐ │
│ ↓ │ │
│ 决定下一步动作 │ │
│ ↓ │ │
│ ┌──────┐ ┌──────┐ │ │
│ │调用工具│ │生成回复│ │ │
│ └──┬───┘ └──┬───┘ │ │
│ ↓ ↓ │ │
│ 工具返回结果 返回给用户 │ │
│ ↓ │ │
│ 观察结果 ──────────────────┘ │
│ │
│ 循环终止条件：目标完成 / 超出最大步数 │
└──────────────────────────────────────────┘
Agent 和普通 LLM 的本质区别¶
| 维度 | 普通 LLM | Agent |
|---|---|---|
| 交互方式 | 单轮/多轮对话 | 自主循环决策 |
| 状态 | 只有对话历史 | 有记忆、有任务状态 |
| 能力 | 文本生成 | 文本生成 + 工具调用 + 环境感知 |
| 自主性 | 被动响应 | 主动规划和执行 |
| 失败模式 | 回答错误 | 无限循环、错误行动、状态丢失 |
二、ReAct（Reasoning + Acting）¶
细化理解： ReAct 把推理和行动交替进行：模型先思考当前状态，再调用工具，再基于观察继续推理。它适合信息不完整、需要边查边做的任务；缺点是容易陷入循环，且每一步错误都会传递到后续步骤。上线时必须配合最大步数、工具白名单和日志追踪。
基本框架¶
ReAct 是 Agent 最基础的范式，将推理（Reasoning）和行动（Acting）交织在一起：
ReAct 模板：
System: 你可以使用以下工具：
1. search(query: str) → 搜索结果
2. calculator(expression: str) → 计算结果
User: 2024年北京GDP占全国GDP的比例是多少？
模型输出：
Thought: 我需要先查询2024年北京GDP和全国GDP
Action: search("2024年北京GDP")
Observation: 2024年北京GDP为4.38万亿元
Thought: 还需要查询全国GDP
Action: search("2024年全国GDP")
Observation: 2024年全国GDP为134.9万亿元
Thought: 现在可以计算比例了
Action: calculator("4.38 / 134.9 * 100")
Observation: 3.25%
Thought: 已获得所有需要的信息
Final Answer: 2024年北京GDP约占全国GDP的3.25%
ReAct 的优缺点¶
优点： - 推理过程透明可解释，出错时容易定位是"想错了"还是"做错了" - 灵活性高，能处理未见过的任务组合 - 与 LLM 的文本生成能力天然兼容
缺点： - 串行执行，延迟高（每步都要等 LLM 推理） - 容易陷入无限循环（Thought-Action-Observation 反复，始终不给 Final Answer） - 长任务时上下文窗口容易溢出
三、Plan-and-Execute（计划与执行）¶
与 ReAct 的"边走边想"不同，Plan-and-Execute 先制定完整计划，再逐步执行：
Phase 1 - Planning（计划制定）:
User: 帮我分析特斯拉2024Q4的财务表现
Planner:
计划：
1. 搜索特斯拉2024Q4财报新闻
2. 提取关键财务指标（营收、利润、毛利率、交付量）
3. 对比2023Q4数据，计算同比变化
4. 搜索分析师观点
5. 综合以上信息，写一份简要分析报告
Phase 2 - Execution（计划执行）:
Step 1 → 搜索结果：特斯拉Q4营收257亿...
Step 2 → 提取：营收257亿、利润23亿...
Step 3 → 同比：营收增长2%，利润下降...
Step 4 → 分析师观点：...
Step 5 → 生成报告
ReAct vs Plan-and-Execute¶
| 维度 | ReAct | Plan-and-Execute |
|---|---|---|
| 规划时机 | 边走边想（在线） | 先规划后执行（离线） |
| 灵活性 | 高（能适应环境变化） | 低（计划可能过时） |
| 全局最优性 | 弱（贪心每一步） | 强（考虑全局） |
| LLM 调用数 | 多（每步都调用） | 少（计划一次 + 执行时可选） |
| 可审查性 | 差（需要追踪全链） | 好（计划可单独审查和修改） |
| 适用场景 | 探索性任务、不确定环境 | 目标明确的复杂任务 |
四、Function Calling（工具调用）¶
实现原理¶
Function Calling 本质是让 LLM 输出结构化的工具调用请求，而非自由文本。通过 SFT 训练使模型学会：
- 何时使用哪个工具
- 如何填写工具参数的 JSON
- 如何理解工具返回结果并继续推理
完整流程¶
┌─────────────────────────────────────────────┐
│ Function Calling 完整流程 │
│ │
│ 1. 定义工具（JSON Schema） │
│ { │
│ "name": "get_weather", │
│ "description": "获取指定城市的天气", │
│ "parameters": { │
│ "city": {"type": "string"}, │
│ "date": {"type": "string"} │
│ } │
│ } │
│ │
│ 2. 发送给 LLM（system prompt + 工具定义） │
│ → LLM 决定是否调用工具 │
│ → 如果是：输出结构化的 function_call │
│ → 如果否：输出普通文本 │
│ │
│ 3. 执行工具调用（由调用方/框架执行） │
│ result = get_weather("北京", "2024-12-01")│
│ │
│ 4. 将工具返回结果作为新消息发给 LLM │
│ → LLM 基于结果生成最终回复 │
│ │
│ 5. 可能循环（多轮工具调用） │
└─────────────────────────────────────────────┘
OpenAI 风格的 Function Calling 示例¶
import openai
tools = [{
"type": "function",
"function": {
"name": "get_weather",
"description": "获取指定城市的天气信息",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名称"},
"unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
},
"required": ["city"]
}
}
}]
response = openai.chat.completions.create(
model="gpt-4",
messages=[{"role": "user", "content": "北京今天多少度？"}],
tools=tools,
tool_choice="auto" # 让模型决定是否调用工具
)
# 模型返回 tool_calls 而非文本
# tool_calls[0].function.name = "get_weather"
# tool_calls[0].function.arguments = '{"city": "北京", "unit": "celsius"}'
五、Agent 记忆系统¶
┌─────────────────────────────────────────┐
│ Agent 的三层记忆 │
│ │
│ 短期记忆（Working Memory） │
│ ├── 当前对话历史（上下文窗口内） │
│ ├── 当前任务状态和中间结果 │
│ └── 容量：~128K tokens（模型窗口限制） │
│ │
│ 长期记忆（Long-term Memory） │
│ ├── 向量数据库存储的会话摘要和历史 │
│ ├── 用户偏好、项目上下文 │
│ └── 检索 + 注入相关记忆到当前上下文 │
│ │
│ 工作记忆（Scratchpad） │
│ ├── 当前任务的中间推理结果 │
│ ├── 工具调用的返回值缓存 │
│ └── 通常存在 Agent 框架的状态对象中 │
└─────────────────────────────────────────┘
六、Agent 的主要挑战与应对¶
| 挑战 | 描述 | 应对方法 |
|---|---|---|
| 幻觉行动 | 模型编造不存在的工具/参数 | 严格的 JSON Schema 校验 + 工具名模糊匹配 |
| 无限循环 | 反复调用工具不给出最终答案 | max_iterations 限制 + 循环检测 + 重复行为惩罚 |
| 上下文溢出 | 多轮调用后历史超过窗口大小 | 定期摘要压缩 + 滑动窗口 + 只保留关键工具返回 |
| 错误传播 | 一步错误影响后续全部推理 | 每步做 sanity check + 允许回溯 + 并行尝试多个方案 |
| 工具调用幂等性 | 同一操作被执行多次（发两封邮件） | 工具侧保证幂等 + 写操作前二次确认 |
| 权限过大 | Agent 拥有超出需要的工具权限 | 最小权限原则 + 敏感操作需人工审批 |
七、面试延伸¶
Q：如何防止 Agent 进入无限循环？
① 设置最大步数限制（如 max_steps=10），超限强制终止；② 检测连续重复调用模式（连续 3 次调用同一工具且参数相同 → 触发干预）；③ 每步评估任务进度，让 LLM 做 termination check；④ 对循环行为施加额外惩罚（降低 action 的 logit 分数）。
Q：RAG 和 Agent 的关系是什么？
RAG 是 Agent 能力的一个子集——当 Agent 需要查询知识库时，RAG 就是它的"知识检索工具"。Agent 可以调用多种工具（搜索、计算、API、代码执行），RAG 检索只是其中之一。但 RAG 的工程复杂度显著低于 Agent，不需要处理动作规划和多步推理。工程原则：能用 RAG 解决的问题，不要引入 Agent。
Q：Multi-Agent 系统什么情况下值得投入？
当任务天然需要多个专业角色协作（如软件开发 = 产品经理 + 架构师 + 程序员 + 测试）、或需要并行探索多条路径（如科研文献综述）、或需要多视角交叉验证（如法律合规审查）时，Multi-Agent 有收益。但单 Agent + 好工具往往已经够用，Multi-Agent 引入了通信开销和更复杂的调试难度。
Q：什么是 Tool Use / Function Calling 的实现原理？
本质上是通过 SFT 训练让模型学会：① 识别用户意图中需要工具的部分；② 输出符合 JSON Schema 的函数调用（而非自由文本）；③ 理解工具的返回结果（文本或 JSON）并整合进后续推理。训练数据通常包含 {用户请求, 工具定义, 模型调用, 工具返回, 最终回复} 的完整链。推理时，框架检测到模型输出 function_call 标记后，提取调用参数，执行工具，将结果注入对话历史，让模型继续推理。
原始论文¶
| 论文 | 链接 |
|---|---|
| ReAct: Synergizing Reasoning and Acting in Language Models (Yao et al., NeurIPS 2023) | arxiv.org/abs/2210.03629 |
| Toolformer: Language Models Can Teach Themselves to Use Tools (Schick et al., NeurIPS 2023) | arxiv.org/abs/2302.04761 |
| Plan-and-Solve Prompting (Wang et al., ACL 2023) | arxiv.org/abs/2305.04091 |
| AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation (Wu et al., 2023) | arxiv.org/abs/2308.08155 |
| Magentic-One: A Generalist Multi-Agent System (Fourney et al., 2024) | arxiv.org/abs/2411.04468 |
延伸阅读与视频¶
| 平台 | 标题 | 说明 |
|---|---|---|
| 📺 B站 | 挑战19分钟搞定LangGraph快速入门与原理剖析 | 2万播放，Agent编排框架快速上手 |
| 📺 B站 | 90分钟手撸企业级Agent多智能体（LangGraph+MCP+RAG） | 3.7万播放，从0到1的Agent工程实战 |
| 📖 LangGraph Docs | LangGraph concepts | 官方概念文档，解释 graph、state、node、edge |