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题干LLM型Agent迈向AGI不属于局限的是模型参数量过大考点拆解LLMAgent现存短板导图1.2 AGI板块幻觉、上下文窗口限制、长规划能力弱、可解释差、安全风险核心逻辑参数量越大推理、泛化能力越强参数量大是优势而非瓶颈AGI核心门槛跨领域自主迁移、无监督终身学习当前Agent均无法实现题8题干Toolformer核心机制自监督学习实现模型自主选择调用工具API题9题干Agentic对比Workflow核心优势依靠自主推理学习完成任务考点拆解对比维度Workflow AgentAgentic 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题干LangGraph相比传统DAG线性图核心优势支持非线性、迭代自适应流程考点拆解DAG有向无环图单向、无循环、流程固定仅适合简单WorkflowLangGraph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题25CoT 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17Agentic AI特征题17题23题16题26Al 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题干Agent长期记忆不包含当前会话全部对话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10A 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。完整工具调用链路用户自然文本 → LLM意图识别实体抽取 → 匹配工具Schema → 生成结构化函数入参 → 调用API题15完整工具选择流程总结解析用户意图 → 计算意图与工具的语义相似度初筛候选集 → 依托工具注册的结构化描述确认适配性 → 结合上下文综合排序 → 选定最优工具实例。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考点拆解完整个人Agent架构记忆模块规划模块工具模块导图2.1四大要素题18对应导图2.1.1四大要素推理能力、工具交互、环境感知、自主执行题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题干业务流设计中对用户不可见工具调用协议、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题干数据分析Agent第一步文件I/O读取数据对应华为Dify实验5综合办公助手流程数据类工作流固定顺序读取文件→清洗计算→可视化→生成报表题3题干大模型Agent根本性范式转变硬编码业务逻辑→模型动态生成流程传统DevOps流程全写死修改需发布LLMOps仅定义目标模型实时生成执行步骤题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。匹配导图2.3.2六大适配场景第一条高重复性业务优先采用Agent自动化题20考点区分DevOps以代码开发、CI/CD 部署、服务器运维为核心LLMOps围绕大模型全生命周期开展重点是模型对齐、提示工程、评测体系、模型版本管理等。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