第23章 · AI Agent 与工具使用 · 闪卡¶
一 · Agent 基础 (8 张)¶
Q1: 什么是 AI Agent? A1: 能感知环境 + 决策 + 行动的自主系统。LLM Agent = LLM 作为推理引擎 + 工具调用 + 规划。
Q2: Agent 核心循环 (Perception-Action Loop)? A2: ① 观察 → ② 思考 → ③ 决策 → ④ 行动 → ⑤ 观察新状态 → 循环。
Q3: Agent vs LLM 的核心区别? A3: LLM 只能"说", Agent 能"做"。Agent = LLM + 工具 + 规划 + 记忆 + 反思。
Q4: ReAct 是什么? A4: Reason + Act。推理步骤与行动步骤交替, 让 Agent 既思考又行动。Yao et al. 2022。
Q5: Tree of Thoughts (ToT) 是什么? A5: 把推理组织为树, 每个节点是中间思考, BFS/DFS 探索, 投票选最优分支。
Q6: Reflexion 的核心思想? A6: Agent 失败后生成反思文本, 存入长期记忆, 下次尝试时调用反思。Shinn 2023。
Q7: Plan-and-Execute 模式? A7: ① Planner 把任务拆成子任务 → ② Executor 依次执行。节省 LLM 调用, 但规划错误时难纠错。
Q8: LATS (Language Agent Tree Search) 是什么? A8: 把 MCTS + LLM 结合, 搜索最优行动序列, 用环境反馈当 reward。
二 · 工具与协议 (10 张)¶
Q9: OpenAI Function Calling 是什么? A9: 让 LLM 输出结构化 JSON, 调用外部函数。GPT-4 2023-06 首发。
Q10: Toolformer 是什么? A10: 让 LLM 自己决定何时调用 API (在预训练时通过 self-supervision 学习), 2023 Meta。
Q11: Gorilla 是什么? A11: UC Berkeley 微调的 Tool LLM, 在 1600+ API 上训练, 超越 GPT-4 在工具选择上。
Q12: MCP (Model Context Protocol) 是什么? A12: Anthropic 2024-11 发布的标准协议, 让 LLM 接入任何工具/数据源, "USB-C for AI"。
Q13: MCP 三大组件? A13: Resources (文件/数据) + Tools (函数调用) + Prompts (模板)。MCP Server 暴露这些。
Q14: A2A (Agent-to-Agent) 协议? A14: Google 2025 发布的Agent 间通信协议, 让不同框架的 Agent 互联。
Q15: ANP (Agent Network Protocol) 是什么? A15: 开源 Agent 网络协议, 基于 DID (Decentralized Identifier), 让 Agent 在去中心化网络发现彼此。
Q16: ACP (Agent Communication Protocol) 是什么? A16: IBM 主导的 Agent 通信协议, 强调语义互操作, 类似 FIPA ACL。
Q17: MCP 与 OpenAI Function Calling 区别? A17: MCP 是标准协议 (跨厂商), Function Calling 是 OpenAI 专有 API。MCP 可被 Claude/Gemini 等支持。
Q18: JSON Mode vs Function Calling? A18: JSON Mode 强制输出 JSON; Function Calling 输出特定 schema 的参数。Function Calling 更结构化。
三 · 记忆 (8 张)¶
Q19: Agent 5 大记忆类型? A19: ① 短期 (Stack/Redis) ② 长期 (Vector DB) ③ 情节 (时序) ④ 语义 (KG/RAG) ⑤ 程序 (技能库)。
Q20: Mem0 是什么? A20: 通用 LLM 记忆中间件, Extract + Dedupe + Update + Forget 4 步, 2024 行业标准。
Q21: MemGPT 核心思想? A21: 借鉴 OS 虚拟内存, Agent 内存分主存 (context) + 虚存 (无限外部存储), 通过 Recall/Archival 管理。UC Berkeley 2023。
Q22: Letta 与 MemGPT 关系? A22: Letta 是 MemGPT 团队 2024 创立的商业公司, 开源 Letta 框架 = MemGPT v2。
Q23: HippoRAG 是什么? A23: 模仿人脑海马体索引的 RAG, RAG + KG + PageRank, 比传统 RAG 准确率 +20%。OSU NeurIPS 2024。
Q24: LangMem 是什么? A24: LangChain 2025 的长期记忆 SDK, 支持用户偏好 / 情节 / 程序三类记忆。
Q25: Episodic Memory 如何实现? A25: 时序 DB (TimescaleDB) + 事件 schema, 或带时间戳的向量记录。
Q26: 程序记忆 (Procedural Memory) 是什么? A26: Agent 的技能库, Voyager 风格。技能 = (代码 + 描述 + 测试用例), 成功时自动添加。
四 · 自进化 (8 张)¶
Q27: Self-RAG 核心创新? A27: LLM 生成 Retrieve / IsRel / IsSup / IsUse 4 个特殊 token, 决定是否检索 + 答案是否基于检索 + 答案是否有用。ICLR 2024。
Q28: Voyager 3 大创新? A28: ① 技能库 (描述+代码); ② 迭代提示 (成功经验写入); ③ 自动课程 (难度递进)。NeurIPS 2023。
Q29: Constitutional AI 的核心? A29: Anthropic 2022, 用 20 条宪法让 LLM 自评 + 修正 + RLAIF 微调。
Q30: AlphaEvolve 是什么? A30: DeepMind 2025, AI 自动改进算法的框架, 已改进 Gemini 训练速度 +1%, 发现矩阵乘法新算法。
Q31: Darwin Godel Machine 是什么? A31: 2025 提出的 AGI 自进化架构, 模型可以修改自己的代码, 通过安全测试验证。
Q32: AI Scientist (Sakana AI) 5 阶段? A32: 想法生成 → 文献调研 → 实验设计 → 论文撰写 → 自动反思。首篇自动写 ICLR 论文。
Q33: Loop Engineering 是什么? A33: 把 5 大循环 (OS / RL / Agent / DevOps / Control) 工程化, 让 LLM 持续自我改进。
Q34: Self-Improvement vs Self-Training? A34: Self-Improvement 部署中持续学习 (Reflexion); Self-Training 离线自己生成数据再训练 (Self-Instruct)。
五 · Computer Use / Operator (6 张)¶
Q35: Anthropic Computer Use 发布? A35: 2024-10, Claude 直接控制 macOS/Linux 桌面, OSWorld 14.9% (人类 76%)。
Q36: OpenAI Operator v1? A36: 2025-01, 浏览器自主操作, GPT-4o 驱动, Operator SDK。
Q37: Operator v2 升级? A37: 2025-09, 全 OS (桌面+浏览器+移动), 1M context, 沙盒 + 权限控制。
Q38: OSWorld 基准? A38: CMU 2024, 724 真实 OS 任务, 跨 Win/macOS/Linux。当前 SOTA Claude 4.5 ~38%, 人类 76%。
Q39: WebArena 基准? A39: CMU 2024, 812 真实网页任务 (GitLab/Reddit/购物), 当前 SOTA Operator v2 ~58%, 人类 78%。
Q40: Browser-Use 是什么? A40: 开源 Computer Use Agent, GitHub 8 万星, 支持 GPT-4 / Claude / Gemini。