一、1.1 AI Agent定义 章节（共2题）
题12
学习型智能体的核心特点
学习型智能体带有专属学习元件，可以在和环境交互的过程中积累历史经验、迭代优化决策策略，行为由当前感知 + 过往学习积累的经验共同决定，不是只依靠瞬时感知。
A：学习型智能体能持续泛化优化能力，是迈向通用人工智能的重要方向，描述正确。
B：错误点：行为完全由当前感知决定是简单反射型智能体 的特征，学习型智能体还会参考历史学习经验。
C：学习型智能体架构包含专门的学习元件，用来处理经验、更新策略，描述正确。
D：它会从环境交互里获取数据、迭代改进决策，这是 "学习" 的本质体现，描述正确。
考点拆解
- 五层智能体区分（思维导图1.1.6）
- 简单反射Agent：仅依靠当下感知，无记忆，行为只由瞬时环境决定
- 模型反射/目标/效用Agent：具备环境记忆，但无自主迭代学习能力
- 学习型Agent：内置学习组件，存储历史经验、自我修正，行为=当前感知+过往学习经验
- 易错坑点：题干混淆「简单反射智能体」与「学习型智能体」定义
- 答题技巧：看到"完全依靠当前感知"直接判定为简单反射特征，不是学习型
题19
考点拆解
- Agent分类不互斥，可多维度叠加：
- 架构维度：单/多智能体；
- 能力维度：反射/目标/效用/学习；
- 运行范式：Workflow/Agentic混合架构；
- 自主性：自主Agent/人工驱动Agent
- 科研助手场景解释：属于多专家协同系统子Agent，自主拆解论文任务，融合规则+LLM推理，可通过文献持续学习
二、1.2 Agent发展历程（共10题：5、6、8、9、7、14、25、23、17、16、26）
题6
当前以大预言模型(LLMs)为核心的AI Agent在迈向AGI的道路上,面临的主要局限不包括那一项------模型参数量过大
题8
Toolformer工具赋能模型的核心机制是以下哪个选项------通过自监督学习,让模型自主决策在何时调用何种外部工具API
题9
以下哪项是Agentic Agent相较于WorkFlow Agent的核心优势------通过自主学习和推理实现任务目标
考点拆解
| 对比维度 | Workflow Agent | Agentic Agent |
|---|---|---|
| 流程 | 硬编码固定分支 | LLM动态生成任务树 |
| 决策 | 规则引擎 | 自主推理+反思修正 |
| 异常 | 人工介入处理 | 自动复盘调整路径 |
| 适用 | 标准化审批 | 科研、开发等不确定任务 |
题5
题干 ：LangGraph多智能体不依赖 ：每个节点必须使用相同大模型、工具集
仅全局共享状态，模型/工具完全解耦
题7
LangGraph多Agent流程框架相较于传统线性有向无环图(DAG)结构的核心优势是以下哪个选项------对非线性、自适应和迭代式流程的支持能力
考点拆解
- DAG（有向无环图）：单向、无循环、流程固定，仅适合简单Workflow；
- LangGraph：支持循环反思、条件跳转、运行时动态修改任务路径，适配多轮Agent交互
题14 & 题25（两道ReAct关联题）
题14：
纯动作 Action-only：无显式思考推理环节，仅通过关键词 / 规则直接调用工具，缺少任务拆解、结果复盘能力，复杂任务容易失效；
ReAct 不是凭空创造能力，而是融合了两类旧方案的长处：
拿 CoT 的逻辑推演做上层规划；
拿 Action-only 的工具交互做下层执行落地；
所以 A、B 两个选项都是它整合得到的优势
题25：
CoT 全称 Chain-of-Thought，思维链，是一种大模型提示工程（Prompt）技术，核心思路：不让模型直接输出答案，强制分步输出推理过程，再给出最终结果。
考点拆解
- ReAct循环固定链路 Thought思考(CoT) → Action工具调用 → Observation结果反馈；
- 解决单独CoT缺陷：纯推理无实时外部数据；纯工具无逻辑规划；
- 应用底层框架：AutoGPT、Dify工作流底层基础范式
题23、题17（Agentic AI特征）
题17：
题23：
题16
题26
Al Agent在从游戏等封闭环境向现实世界推广时面临哪些主要瓶颈?------安全性与可解释性的要求、奖励稀疏问题、环境的部分可观测性、迁移泛化能力的欠缺
考点拆解
- 游戏环境：完整全局观测、每步即时奖励、固定规则；
- 现实业务：信息残缺、任务长期无正向反馈、跨行业适配难、决策存在合规安全风险
三、2.1 Agent架构（共8题：4、10、15、13、22、24、18、27/28）
题4
Agent的长期记忆不包含哪项内容------当前会话的全部对话历史
考点拆解（三级记忆导图2.1.3）
- 感知记忆：原始输入文本/图片；
- 短期工作记忆：当前会话对话、临时变量，会话关闭自动清空；
- 长期记忆：向量库/知识库存储历史摘要、用户画像、行业文档，不存储实时会话内容
题10
A 工具描述注册：是提前把工具的功能、参数格式等信息录入系统的前置准备步骤，不处理用户实时输入文本。
B 动态决定调用：是判断要不要调用工具、调用哪一个工具 的环节，不负责提取参数。
C 模型推断意图：LLM 解析用户自然语言（非结构化文本），识别用户需求、抽取关键信息，转换成符合工具规范的结构化函数参数，正是题干描述的环节。
D 环境适配与优化：是后续针对运行环境做调优、容错处理的环节，和参数提取无关。
题15
题13
常见标准化接口形式（完整正确选项内容参考）
- 基于 JSON Schema 的 Function Call 接口：最主流的形式，用 JSON 规范定义工具名称、入参结构、数据类型、约束说明，LLM 可以直接按格式生成调用请求，适配 OpenAI、豆包等主流大模型体系。
- 模型上下文协议 MCP 标准接口：面向 Agent 体系的统一通信规范，包含资源接口、工具抽象层、上下文管理器，实现跨工具、跨会话的标准化交互。
- RESTful API 接口：通用互联网接口规范，通过 HTTP 方法定义增删查改，搭配 OpenAPI/Swagger 文档做标准化描述，适配绝大多数线上外部服务。
- gRPC 接口：基于 Protobuf 做强类型定义，传输效率高，适合 Agent 和后端微服务之间高性能的工具调用场景。
题22
考点拆解
MCP是统一标准化通信协议，MCP（模型上下文协议）是一套完整的交互规范，不只是简单的函数调用列表，还包含上下文管理、资源对接、工具抽象等多层体系，因此该选项错误。
题24
题18
题27、28（重复判断题）
考点区分
同步 调用是阻塞 式的：发起调用后主线程会一直等待任务完成返回结果，期间无法处理其他操作，并不适合高延迟、长时间运行的任务。
高延迟 / 长时间任务适配的是异步 调用，它采用非阻塞方式，发起调用后可以先处理其他事务，任务完成后再接收回调结果。
题21
考点
注册必填：工具名称、功能描述、入参类型、返回结构；配套工程工作：Prompt调优、模型对齐、自动化评估
四、2.3 Agent构建流程（共5题：1、2、3、11、20）
题1
在AI Agent业务流设计中,以下哪项交互细节通常被封装起来,对用户不可见?------Agent后台与各类工具之间的调用协议和异常处理机制
考点
分层解耦设计：前端仅展示输入输出，底层通信、报错重试、参数校验全部封装隐藏，降低用户使用门槛（Dify实验工作流设计思想）
题2
在数据分析场景中,智能体扮演"数据科学家"角色时,其标准化操作序列的第一步通常是------通过文件I/O工具读取数据文件
题3
与传统应用开发范式相比,基于大模型的AlAgent的应用的一个个根本性范式转移是以下哪个选项------业务逻辑从通过硬编码实现转变为由模型动态生成并执行
题20
题11
简单数值计算直接用基础代码 / 计算器就能完成，不需要动用 AI Agent 架构，架构冗余度太高。
B：高频重复的操作序列，AI Agent 可以依托自身规划、工具调用、记忆能力，自动化重复执行并适配小幅场景变化，是 AI Agent 非常典型的适配场景。
C：流程、决策完全固定的任务，用传统硬编码 Workflow（固定工作流）实现更可控、成本更低，不需要 Agent 的自主推理能力。
D：完全依赖人类创意直觉的任务，AI 无法替代核心创意环节，不适合用 Agent 实现。
核心选型逻辑
AI Agent 适合有一定重复性、又存在小幅动态变化的任务；纯固定走 DAG 流程选传统工作流，极简小任务选基础脚本，强主观创意任务只能由人完成。
B. 主要侧重于开放域的知识问答
这恰恰是传统 RAG的典型特点：传统 RAG原生适配开放域知识问答，不擅长复杂封闭业务多步骤任务 。大多针对知识库做单轮 / 简单多轮的知识问答；而 BI 自动报表是封闭业务场景，不是开放域问答 ，Agent 智能体：适配封闭企业业务域
C. 需具备多步操作与复杂决策能力 ✅
传统 RAG 流程相对线性：检索片段→拼接 prompt→生成答案，大多是单次检索 + 单次生成的简单链路。
而 BI 报表生成的智能体要完成完整复杂流程：理解业务指标需求→连接业务数仓取数→清洗校验数据→选择可视化形式→调整排版→异常数据排查→迭代优化，需要多轮工具调用、分步规划、动态决策纠错 ，这是智能体和传统 RAG 最核心的区别。
也可以做「RAG+Agent」混合方案，用 RAG 做知识库检索，由 Agent 统筹多步业务流程
-
A. 任务特异性 ✅ 正确
单体Agent一般是面向特定场景、特定类型任务设计的（比如专门做BI报表、专门做邮件处理），不会覆盖所有领域，具备任务特异性。
-
B. 专攻开放域的无限制任务 ❌ 错误
单体Agent大多聚焦封闭/特定业务域，不是专攻开放域无限制任务；开放域泛化、无限制任务是通用大模型的特点，不是单体Agent的特性，这个描述本身矛盾且不符合定义。
-
C. 自主性 ✅ 正确
自主性是Agent最核心的标志性特性：无需人类逐步骤干预，能自主拆解目标、规划执行、处理异常。
-
D. 反应性与适应性 ✅ 正确
反应性指能感知环境变化并做出响应；适应性指可以根据反馈动态调整策略，应对多变的任务环境，这是单体Agent的必备特性。
单体智能Agent是任务专一、有明确任务边界 的，不会承接开放域无限制的任务，"专攻开放域无限制任务"违背了单体Agent任务特异性的特点，因此B不成立。
- A选项（错误）：不需要把LLM内部所有推理机制完整暴露在业务流图中。业务流设计关注的是Agent对外的业务流程、交互逻辑，LLM内部的推理细节属于模型实现层面，过度暴露会增加复杂度，也没有业务设计的必要。
- B选项（正确）：Agent需要调用各类外部工具完成任务，规范调用协议、数据格式，能保障工具调用稳定、数据传输规范，是业务流设计的关键环节。
- C选项（正确）：分阶段定义用户和Agent的互动步骤，可以让交互流程清晰可控，避免对话混乱，是交互目标确定后要做的核心设计工作。
- D选项（正确）：明确用户、Agent、第三方系统/工具等对象的角色与职责，能厘清流程中各方的权责，防止流程出现推诿、逻辑断层，是业务流设计的必要步骤。
A的表述不合理：业务流程图聚焦业务与交互流程，LLM内部推理是模型内部细节，不需要全部暴露出来。
补充通用答题技巧汇总
- 框架区分
- ReAct：推理+工具循环；
- Toolformer：自监督学会调用工具；
- LangGraph：多Agent非线性循环流程
- LLM瓶颈：幻觉、上下文、可解释性；参数量大不属于缺陷
- 调用模式：短任务同步、长耗时异步
- 开发范式：硬编码=传统Dev；动态生成=LLMOps