AI Agent（人工智能体）
先用一句话说清楚
AI Agent（人工智能体）是一个由 LLM（大语言模型）驱动、围绕目标持续读取上下文、选择工具、观察结果、更新状态并完成任务的工程系统。
新手通俗解释
普通 Chatbot（聊天机器人）更像“你问一句，它答一句”。AI Agent（人工智能体）更像“有任务清单、有工具箱、有工作记录的人”。它不仅要回答，还要判断下一步做什么：要不要查资料、要不要调用 Tool Calling（工具调用）、要不要转人工、要不要拒答、要不要记录日志。
如果把客服场景作为例子，用户问“我的订单为什么没发货”，普通 Chatbot（聊天机器人）可能只能给通用解释；AI Agent（人工智能体）应该识别这是订单问题，检查用户身份，调用订单查询工具，读取物流结果，再给出有依据的回答。中间任何一步失败，都要有兜底，而不是继续编。
为什么智能体工程师岗位会问它
招聘里的“智能体工程师”不是只招会写 Prompt（提示词）的人。面试官问 AI Agent（人工智能体），其实想确认你是否理解：模型只是能力核心，真正可交付的是模型、数据、工具、状态、权限、日志、评估和人工确认组成的系统。
岗位常见考察点有 5 个：
| 考察点 | 面试官想听什么 |
|---|---|
| 系统边界 | AI Agent（人工智能体）不是万能自动化，哪些动作能自动做，哪些必须人工确认 |
| 工具治理 | Tool Calling（工具调用）如何做参数校验、权限、幂等、审计和失败兜底 |
| 状态管理 | 多轮任务里如何记录步骤、上下文、工具结果和待确认事项 |
| 质量评估 | 如何判断回答是否有依据、工具是否正确执行、任务是否完成 |
| 商业交付 | 如何把 Demo（演示）变成企业能验收、能上线、能维护的系统 |
它在项目里到底怎么用
在作品集里，不要把 AI Agent（人工智能体）做成一个“聊天框”。更好的做法是把它放进一个真实业务闭环。
以“企业知识库 RAG（检索增强生成）问答系统”为例，AI Agent（人工智能体）可以这样工作：
| 环节 | AI Agent（人工智能体）要做的事 | 工程重点 |
|---|---|---|
| 理解任务 | 判断用户是在问制度、产品、订单还是投诉 | 意图识别不能决定高风险动作 |
| 获取依据 | 通过 RAG（检索增强生成）检索资料，必要时调用业务工具 | 检索结果要带 Citation（引用来源） |
| 生成结果 | 根据证据组织回答，缺证据时拒答 | 不把猜测包装成确定结论 |
| 更新状态 | 记录当前步骤、失败原因、人工确认点 | 方便多轮继续处理 |
| 输出结果 | 给用户答案、依据、下一步动作和 Trace ID（追踪编号） | 能复盘、能验收 |
和普通自动化的区别
传统自动化通常是规则驱动：条件明确，流程固定，输入输出稳定。AI Agent（人工智能体）适合处理自然语言、不完整信息和多步骤判断，但它不能替代业务规则。可靠做法是：让模型负责理解、生成和候选决策，让后端服务负责权限、数据写入、状态保存和最终执行。
面试时可以这样表达：我不会让 AI Agent（人工智能体）直接绕过系统做操作，而是把它放在受控流程里，让它提出意图，由系统校验和执行。
常见误解
| 误解 | 为什么不对 | 正确理解 |
|---|---|---|
| 会聊天就是 AI Agent（人工智能体） | 只回答不等于能办事 | AI Agent（人工智能体）要能围绕目标使用上下文、工具和状态 |
| 自主性越强越好 | 企业系统最怕不可控 | 高风险动作必须有权限、确认和审计 |
| 接入模型就完成了 | 模型只是其中一层 | 还需要资料、工具、日志、评估、部署和运维 |
| 多加几个工具就智能 | 工具越多风险越高 | 工具要按场景、权限和失败策略设计 |
面试官可能怎么追问
1. AI Agent（人工智能体）和 Chatbot（聊天机器人）有什么区别？
考察点： 你是否能讲清“回答”和“执行任务”的差别。
参考回答： Chatbot（聊天机器人）主要面向对话回答，AI Agent（人工智能体）面向目标任务。它需要理解任务、读取上下文、选择工具、观察结果、更新状态，并在失败时兜底。比如客服场景里，Chatbot（聊天机器人）可以解释退货政策，但 AI Agent（人工智能体）还要能查订单、判断是否需要工单、记录处理状态，并且保证权限和日志可追踪。
容易扣分： 只说“AI Agent（人工智能体）更智能”“可以自动干活”，没有讲工具、状态、权限和失败处理。
2. 一个可上线的 AI Agent（人工智能体）至少要包含哪些模块？
考察点： 是否具备工程完整性。
参考回答： 我会至少拆成用户入口、任务理解、Prompt（提示词）与策略、RAG（检索增强生成）或知识来源、Tool Calling（工具调用）、状态与会话、权限与审批、结构化输出、日志与 Trace ID（追踪编号）、评估样例和人工兜底。不同项目可以简化，但这些边界要想清楚。
容易扣分： 只说模型、前端页面、数据库，没有提质量和安全边界。
3. AI Agent（人工智能体）失败时你怎么处理？
考察点： 是否能接受模型不稳定，并设计恢复机制。
参考回答： 我会先按失败类型分层：资料找不到、工具失败、结构化输出不合法、权限不足、模型回答无依据、用户意图不明确。每类失败都有不同兜底：拒答、追问补充信息、重试、降级、转人工或终止任务。关键是记录 Trace ID（追踪编号）和失败原因，方便复盘。
容易扣分： 说“换更强模型”或“多试几次”。
作品集里怎么展示它
作品集不要只写“使用 AI Agent（人工智能体）完成问答”。你应该展示一张任务闭环图或流程表，说明：
- 输入是什么：用户问题、资料范围、身份权限、业务对象。
- Agent（智能体）做什么：理解任务、检索证据、调用工具、更新状态。
- 系统管什么：权限、参数校验、工具执行、日志、人工确认。
- 输出是什么：答案、引用、下一步动作、风险提示、Trace ID（追踪编号）。
- 验收怎么看：正确率、引用支持率、工具成功率、拒答准确率、人工接管率。
这样面试官会感觉你不是背概念，而是在做一个可交付系统。