前沿方向：AI Agent

基本信息

属性	内容
方向	AI Agent / Autonomous Agent
热度	★★★★★
就业前景	极佳
学习难度	★★★☆☆

---

核心技术

AI Agent = LLM + Planning + Memory + Tools

├── Planning（规划能力）
│   ├── ReAct（推理+行动）
│   ├── CoT（思维链）
│   ├── ToT（思维树）
│   └── LangGraph（状态机编排）
│
├── Memory（记忆能力）
│   ├── 短期记忆（上下文）
│   ├── 长期记忆（向量存储）
│   └── 混合记忆
│
└── Tools（工具能力）
    ├── MCP（Model Context Protocol）
    ├── Function Calling
    └── Tool Learning

---

技术对比

Agent框架对比

框架	开发公司	特点	适用场景
LangChain	LangChain Inc	生态最全	RAG+Agent
LangGraph	LangChain Inc	状态机设计	复杂工作流
AutoGen	Microsoft	多Agent协作	对话系统
CrewAI	CrewAI	多Agent角色	团队协作
Claude MCP	Anthropic	原生MCP支持	Claude集成

Agent架构对比

简单Agent（单轮）：
  Input → LLM → Output

RAG Agent（检索增强）：
  Input → 检索 → LLM → Output

ReAct Agent（推理+行动）：
  Input → Think → Act → Observe → ... → Output

Multi-Agent（多Agent协作）：
  Agent1 ↔ Agent2 ↔ Agent3
       ↓
     共享Memory/Tools

---

代码示例

ReAct Agent实现

from langchain.agents import AgentExecutor, Tool
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

# 定义工具
def search_wikipedia(query: str) -> str:
    """搜索维基百科"""
    # 实际调用Wikipedia API
    return f"ikipedia result for: {query}"

def calculate(expression: str) -> str:
    """计算数学表达式"""
    return str(eval(expression))

tools = [
    Tool(name="Search", func=search_wikipedia, description="搜索维基百科"),
    Tool(name="Calculate", func=calculate, description="计算数学表达式")
]

# ReAct提示词
react_prompt = PromptTemplate.from_template("""你是一个AI Agent，使用ReAct模式。

工具：
{tools}

使用以下格式：
Thought: 你需要思考下一步
Action: 工具名称
Action Input: 工具输入
Observation: 工具输出
...（重复直到得到答案）
Final Answer: 最终答案

用户问题：{input}

开始！""")

# 创建Agent
llm = ChatOpenAI(model="gpt-4")
agent = (
    {"input": lambda x: x["input"], "tools": lambda x: tools}
    | react_prompt
    | llm
    | StrOutputParser()
)

LangGraph Agent实现

from langgraph.graph import StateGraph, END
from typing import TypedDict, List

class AgentState(TypedDict):
    messages: List[str]
    current_step: str
    actions: List[str]

def should_continue(state: AgentState) -> str:
    """决定是否继续"""
    if len(state["actions"]) > 5:  # 限制步数
        return "end"
    return "continue"

def call_model(state: AgentState) -> AgentState:
    """调用模型"""
    response = llm.invoke(state["messages"])
    return {"messages": state["messages"] + [response]}

def take_action(state: AgentState) -> AgentState:
    """执行动作"""
    last_msg = state["messages"][-1]
    actions = state["actions"] + [last_msg]
    return {"actions": actions}

# 构建图
graph = StateGraph(AgentState)
graph.add_node("model", call_model)
graph.add_node("action", take_action)
graph.set_entry_point("model")
graph.add_conditional_edges("model", should_continue, {"continue": "action", "end": END})
graph.add_edge("action", "model")

app = graph.compile()

---

MCP (Model Context Protocol)

什么是MCP？

MCP是Anthropic提出的标准化协议，用于连接AI模型和外部工具/数据源。

MCP架构

┌─────────────────────────────────────────────────────────────┐
│                        MCP 架构                             │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│   Host App（Claude Desktop / Cursor / etc）                  │
│       │                                                     │
│       │ MCP Protocol（JSON-RPC）                           │
│       ↓                                                     │
│   MCP Server                                                │
│       ├── File System Server                               │
│       ├── Git Server                                        │
│       ├── Database Server                                   │
│       └── Custom Server                                     │
│                                                             │
└─────────────────────────────────────────────────────────────┘

MCP工具定义

{
  "name": "filesystem",
  "description": "与本地文件系统交互",
  "tools": [
    {
      "name": "read_file",
      "description": "读取文件内容",
      "input_schema": {
        "type": "object",
        "properties": {
          "path": {"type": "string", "description": "文件路径"}
        }
      }
    },
    {
      "name": "write_file",
      "description": "写入文件",
      "input_schema": {
        "type": "object",
        "properties": {
          "path": {"type": "string"},
          "content": {"type": "string"}
        }
      }
    }
  ]
}

---

面试高频问题

Q1: 什么是Agent？和LLM有什么区别？

答：

• LLM：被动响应输入，生成文本
• Agent：主动规划、使用工具、完成复杂任务

Agent = LLM + 规划 + 记忆 + 工具

---

Q2: ReAct vs CoT vs ToT？

答：

• CoT (Chain of Thought)：只思考不行动，适合简单推理
• ReAct (Reasoning + Acting)：思考→行动→观察，适合需要交互的任务
• ToT (Tree of Thought)：探索多条推理路径，适合复杂问题

# CoT: Think step by step
"I think the answer is..."

# ReAct: Think + Act + Observe
"Thought: I need to search
 Action: search[query]
 Observation: Found result
 ..."

# ToT: Explore multiple paths
"Branch 1: path1...
 Branch 2: path2...
 Branch 3: path3...
"

---

Q3: 如何解决Agent的幻觉问题？

答：

1. Tool的可靠输出：使用确定性工具而非LLM
2. 验证机制：让Agent验证自己的输出
3. 约束输出：通过Prompt限制Agent行为
4. 人机协作：关键决策需要人类确认
5. 检索增强：基于真实文档而非记忆

---

学习资源

开源项目

• LangChain/LangGraph
• AutoGen
• CrewAI
• AgentVerse

必读论文

1. ReAct (2023) ⭐⭐⭐⭐ - 推理+行动范式
2. Tool Learning (2023) ⭐⭐⭐⭐ - 工具学习
3. AutoGen (2023) ⭐⭐⭐⭐ - 多Agent框架

---

就业方向

岗位	技能要求	薪资范围
Agent开发工程师	LangChain/MCP/Function Calling	30-50K
AI应用工程师	RAG/Prompt/Agent	25-45K
AI架构师	系统设计/Agent/Infra	50-80K

---

AI Agent是2024-2026年最热方向，就业机会极多