前端必备的知识宝典

外观

AI Agent（智能体） ​

概念 ​

AI Agent（智能体）是能够自主规划、使用工具、执行多步任务的 AI 系统。与传统 LLM 应用的区别在于：Agent 不只是"回答"，而是能采取行动——调用 API、搜索信息、读写文件、执行代码等。

简单类比：LLM 是大脑，Agent 是有了手和工具的大脑。

Agent 的核心能力 ​

规划（Planning） ​

将复杂任务拆解为可执行的子步骤：

  • 任务分解：把"帮我分析这份数据并生成报告"分解为：读取数据 → 清洗 → 分析 → 生成图表 → 写报告
  • 动态调整：根据执行结果实时调整计划

工具使用（Tool Use / Function Calling） ​

Agent 可以调用外部工具来扩展能力：

  • 搜索引擎（获取最新信息）
  • 计算器（精确计算）
  • 代码执行器（运行代码）
  • API 调用（操作外部系统）

详见 Function Calling 章节。

记忆（Memory） ​

  • 短期记忆：当前对话的上下文
  • 长期记忆：跨会话的知识积累（向量库 + RAG）
  • 工作记忆：当前任务中间结果

ReAct 模式 ​

最经典的 Agent 推理-行动框架：

循环：
  Thought（思考）：我当前需要做什么？
  Action（行动）：调用工具 / 执行操作
  Observation（观察）：工具返回了什么结果？
  (重复直到任务完成)

示例：

用户：今天北京天气如何？适合户外跑步吗？

Thought：我需要查询北京今天的天气
Action：调用 weather_api(city="北京")
Observation：晴，15°C，PM2.5=35

Thought：天气晴好，温度适宜，空气质量良好
Answer：今天北京天气晴好，气温15°C，空气质量优，非常适合户外跑步！

Agent 类型 ​

类型描述应用
单 Agent一个模型完成所有操作个人助手
Multi-Agent多个 Agent 分工协作复杂系统（详见 Multi-Agent 章节）
RAG Agent主要依赖检索增强生成知识问答
Code Agent专注于代码执行和生成编程助手

前端 Agent 场景 ​

  • 客服 Agent：查询订单 + 知识库回答 + 操作工单系统
  • 数据分析 Agent：用户问 → Agent 写 SQL → 执行 → 可视化结果
  • 开发助手 Agent：从需求描述到生成代码文件
  • 办公 Agent：读取邮件 → 提取信息 → 更新日程 → 回复确认

Agent 的核心挑战 ​

  • 可靠性：多步任务中任何一步出错都可能失败
  • 成本：一次 Agent 调用可能涉及 10+ 次 LLM API 调用
  • 安全：Agent 执行不可控操作的风险（如意外删除文件）
  • 循环：Agent 可能陷入无效循环

面试常问 ​

  • AI Agent 和传统 LLM 应用的核心区别是什么？
  • 描述 ReAct 模式的工作循环。
  • 你在前端实现过 Agent 吗？遇到了什么挑战？

参考 ​