30 题，测测你的 Agent 功底

Agent 的核心是「决策—行动—观察」的闭环：它能通过工具改变外部状态，并根据结果调整下一步。多轮对话、长回答都只是交互形式。

ReAct = Reason + Act。模型交替输出推理和工具动作，工具结果作为观察再喂回模型，形成循环。

步骤固定、输入输出明确的任务用确定性工作流更便宜、更稳、更好审计。Agent 应留给「路径无法预先枚举」的问题。

窗口变大不代表有效注意力变强。长上下文里模型容易忽略中段信息、被无关内容干扰。所以要主动筛选、压缩和隔离，而不是无脑塞满。

上下文是稀缺资源。上下文工程研究的是「放什么、放多少、何时移除、如何按需取用」，同时兼顾质量、延迟与成本。

模型靠描述做工具选择。写清适用/不适用场景、参数含义、返回结构和副作用，比堆砌同义词有效得多。

错误信息也是上下文。结构化、可操作的错误（参数越界、权限不足、暂时性超时）能让模型修正参数或换路径；静默失败只会导致幻觉。

严格 Schema 能减少模型自创字段、拼错键名的情况。配合服务端校验和一次修复重试，能显著降低解析失败率。

并行调用适合无依赖的只读查询，例如同时查三家公司财报。有依赖时必须串行；写操作并行则可能引入竞态和重复副作用。

没有终止条件和预算，Agent 可能无限循环、烧穿额度。可靠系统还会加超时、无进展检测和降级路径。

显式计划让 Agent 先看全局再执行，适合步骤较多的任务。代价是计划可能过时，需要重规划，且规划本身也会消耗 token。

让同一个模型「检查自己」很容易得到「看起来没问题」。有效反思需要测试、检索、规则校验或另一个独立评审者提供新信息。

多 Agent 的收益来自分工与上下文隔离，但消息传递会丢信息，一个子 Agent 的错误会被下游放大，协调本身也消耗时间和 token。

主管持有全局目标，把局部任务分给子 Agent，再汇总结果。它适合可分解、子任务边界清晰的工作；开放式辩论是另一种拓扑。

向量召回追求「不漏」，重排追求「排得准」。cross-encoder 或 LLM 打分能看到查询与文档的交互，但延迟更高，所以通常只对少量候选做。

BM25 擅长精确匹配（编号、专有名词、代码），向量擅长语义相似。两者融合能覆盖更多查询类型，再加重排效果更稳。

切分要在语义完整与检索精度之间平衡。固定长度会切断论证；块太大引入噪声。标题、页码、来源等元数据决定能否引用和过滤。

普通 RAG 是「一次检索 → 生成」的固定管线；Agentic RAG 把检索变成可决策、可迭代的动作，适合多跳问题，但更难评估与控制成本。

Host 是用户使用的应用，内部为每个 Server 建立 Client 连接，Server 暴露工具、资源和提示。三者通过统一协议解耦集成。

Tools 是可执行动作，Resources 是可读取的数据，Prompts 是可复用提示模板。理解三者区别有助于设计清晰的权限边界。

间接注入把恶意指令藏在 Agent 会读取的外部内容里，例如网页隐藏文字。Agent 越能自主浏览和行动，越需要把外部内容视为不可信输入。

提示词层面的防御可以被绕过，架构层面的约束更可靠：Agent 即使被诱导，也没有权限做危险操作；不可逆动作必须有人确认。

评审模型会偏爱某些位置、更长或更「像样」的回答。需要成对比较、随机顺序、明确评分标准和人工抽检校准。

多步任务里，最终答案对可能是蒙对的。轨迹评估检查过程是否高效、是否越权、是否重复调用，能定位真正的薄弱环节。

如果评测题出现在训练数据或长期记忆里，分数就不能代表泛化能力。应保留未公开的留出集，并定期更换样本。

流式输出改善感知等待；并行工具减少串行叠加；模型路由让小任务走小模型。缓存也能显著降低重复前缀与检索的延迟。

Agent 会因超时、网络错误而重试。如果「创建订单」不幂等，一次任务可能下两单。用幂等键、去重表或状态检查来保证安全重试。

典型表现是同样的工具调用和错误不断重复。修复要加最大步数、状态指纹去重、错误升级，并让工具给出可操作的修正建议。

辩论让不同角色提出并质疑观点，适合高风险判断。但它成本高，也可能出现群体同质化，不应作为默认架构。

生产系统必须假设模型会失败：能转人工、能降级到规则流程、能停止花费、能限制权限。没有兜底的自主性只是风险。