Agent 与工具使用（Agent）· 面试高频考点

聚焦：Toolformer / ReAct / HuggingGPT / AutoGPT 的面试高频考点

适用：AI算法岗、大模型应用岗、研究实习面试 | 阅读：10-15分钟

一、高频考点总览

Q1: 什么是Agent？与传统LLM调用有什么区别？

答：Agent = LLM + 工具 + 记忆 + 规划能力。传统LLM是单轮输入→输出，Agent能自主决策、使用工具、与环境交互、多步推理。核心区别：LLM被动回答，Agent主动行动。

想听：不只是"调用API"，而是自主决策+规划

Q2: Toolformer的核心创新是什么？它怎么学使用工具？

答：模型自主学习何时调用什么工具、如何利用返回结果。流程：1）用少量示例生成工具调用候选；2）过滤无用调用（对loss无帮助的删除）；3）微调模型学习工具使用。创新：无需人工标注，模型自己学会工具使用。

想听：自主学习 + 过滤无用调用

Q3: ReAct的T-A-O循环是什么？有什么优势？

答：Thought（推理）→ Action（行动）→ Observation（观察）。每一步LLM先推理（思考下一步该做什么），再行动（调用工具），再观察（获取结果），循环直到完成。优势：推理过程透明可解释，减少幻觉（有事实依据），比纯推理更可靠。

想听：T-A-O三步循环 + 可解释性

Q4: HuggingGPT的架构是什么？解决了什么问题？

答：LLM作为控制器，将用户任务分发给HuggingFace上的专家模型执行。流程：1）解析用户意图；2）选择合适的专家模型；3）分发任务；4）汇总结果。解决：单个LLM无法处理所有任务（如图像生成、语音识别），通过调度专用模型弥补能力短板。

想听：LLM控制器 + 专家模型调度

Q5: AutoGPT有什么特点和局限？

答：特点：完全自主的Agent，能自主规划、执行、反思，支持长程任务。局限：循环容易发散、成本高、错误会累积、缺乏人类反馈。实际上很多任务效果不如人工设计的Pipeline，但展示了Agent的可能性。

想听：完全自主 + 循环发散的局限

追问	应对要点
"Agent和Workflow有什么区别？"	Workflow是预定义的流程图，步骤固定；Agent是LLM自主决策下一步，步骤不固定。Workflow更可控，Agent更灵活。
"Toolformer怎么判断调用有没有用？"	通过loss变化判断：如果工具调用后loss下降，说明有用；如果loss不变或上升，说明无用，应该过滤掉。
"ReAct的Thought必须写出来吗？"	是的，Thought是显式的推理步骤，让模型"想清楚再做"。比直接Action更可靠，但增加了token消耗。
"Agent的错误累积怎么解决？"	1）加入人类反馈（Human-in-the-loop）；2）设置最大步数限制；3）自我反思（如Self-Refine）；4）验证中间结果。
"Function Calling和Toolformer有什么区别？"	Function Calling是模型输出结构化的函数调用，需要人工定义工具描述；Toolformer是模型自主学习工具使用，无需人工定义。