1. 第一个 AI Agent 系统是多 Agent 系统还是单 Agent 系统？

我最开始实现的是 单 Agent 系统，主要采用 Think–Execute 的 Agent 架构。

这个 Agent 负责：

• 接收用户问题

• 进行推理（Think）

• 判断是否需要调用工具

• 执行工具（Execute）

• 返回最终结果

后续为了提升能力，我也尝试过 多 Agent 协作架构，例如：

• Planner Agent（任务规划）

• Executor Agent（工具执行）

• Critic Agent（结果评估）

但在实际工程中，如果任务复杂度不高，单 Agent + 工具调用通常已经可以满足需求，并且系统复杂度更低。

2. Think–Execute 循环机制的 Prompt 是你自己写的吗？

是的，Prompt 主要是我自己设计的。

整体设计思路是参考：

• ReAct (Reason + Act)

• Chain-of-Thought

• Tool Calling

我通过 Prompt 明确规定模型的输出结构，例如：

Thought: ...
Action: ...
Action Input: ...

这样系统就可以解析模型输出，然后调用对应工具。

3. Think–Execute 的 Prompt 是怎么设计的？

核心思想是 约束模型输出格式，让模型既能推理又能调用工具。

例如：

You are an AI agent that can think and use tools.

When solving a task you should follow this format:

Thought: analyze the problem
Action: choose a tool
Action Input: parameters

If you already know the answer:

Final Answer: ...

Agent 执行流程：

1️⃣ 用户问题输入
2️⃣ LLM 产生 Thought
3️⃣ 判断是否需要 Action
4️⃣ 调用工具
5️⃣ 返回 Observation
6️⃣ 再次 Think
7️⃣ 直到 Final Answer

这就是典型的 Think → Execute → Observe → Think 循环。

4. 系统用的基座模型是什么？

我使用过几种模型，例如：

• Qwen 系列

• DeepSeek 系列

• GPT 系列

• LLaMA 系列

在本地部署场景下，我通常会选择：

• DeepSeek

• Qwen

因为它们 中文能力强、开源、推理效果好。

5. 基座模型是通过 API 调用的吗？

有两种方式：

1️⃣ API 调用

例如：

• OpenAI API

• DeepSeek API

优点：

• 部署简单

• 推理质量高

缺点：

• 成本高

• 网络依赖

2️⃣ 本地部署

例如：

• vLLM

• Ollama

• HuggingFace Transformers

优点：

• 数据安全

• 成本可控

缺点：

• GPU资源要求高

在企业项目里，本地部署 + API封装是比较常见的方案。

6. RAG 系统包含哪些模块？

一个完整的 RAG 系统通常包含 5 个模块：

1️⃣ 数据处理

• 文档解析

• Chunk 切分

• 文本清洗

2️⃣ 向量化

使用 Embedding 模型，例如：

• BGE

• E5

• OpenAI embedding

3️⃣ 向量数据库

存储向量，例如：

• FAISS

• Milvus

• Chroma

• Elasticsearch

4️⃣ 检索模块

根据用户问题进行：

• 向量检索

• rerank

5️⃣ LLM生成模块

把检索到的内容 + 用户问题一起输入模型生成答案。

流程：

User Query
↓
Embedding
↓
Vector Search
↓
Retrieve Documents
↓
LLM Generate Answer

7. 系统支持多轮对话吗？上下文爆炸如何解决？

系统是 支持多轮对话的。

常见问题是 上下文长度爆炸，解决方案包括：

方法1：Sliding Window

只保留最近几轮对话，例如：

最近5轮对话

方法2：Conversation Summary

定期把历史对话总结成摘要：

summary + recent chat

方法3：Memory Retrieval

把对话存储到向量数据库：

需要时再检索。

方法4：限制工具调用次数

防止 Agent 进入循环。

例如：

max_iterations = 5

8. 如果要解决上下文爆炸，还有什么方案？

除了前面的方法，还可以：

1️⃣ Long Context 模型

例如：

• Claude

• Gemini

• Longformer

2️⃣ RAG + Memory

把历史对话存储成知识库。

3️⃣ Hierarchical Memory

分层记忆：

短期记忆
长期记忆
摘要记忆

9. DeepSeek 了解吗？

了解。

DeepSeek 是一家中国的 AI 公司，推出了多种模型，例如：

• DeepSeek LLM

• DeepSeek Coder

• DeepSeek-V3

• DeepSeek-R1（推理模型）

特点：

• 推理能力强

• 开源

• 成本较低

DeepSeek-R1 还采用了 强化学习训练推理能力。

10. BERT 和 Transformer 了解吗？

了解。

Transformer

Transformer 是一种 基于注意力机制的深度学习模型架构。

核心结构：

Self Attention
Feed Forward
Residual
LayerNorm

特点：

• 并行计算

• 长距离依赖建模

BERT

BERT 是 基于 Transformer Encoder 的预训练模型。

训练任务：

• Masked Language Model

• Next Sentence Prediction

应用：

• 文本分类

• 情感分析

• 问答系统

11. Python 用的多吗？

用得非常多。

我主要用 Python 做：

• AI模型开发

• Agent系统

• RAG系统

• 数据处理

• Web接口开发（FastAPI / Flask）

常用库包括：

transformers
langchain
pytorch
numpy
pandas
faiss

12. Skil 了解吗？

如果指的是 SKIL 框架，它是一个用于 AI Agent orchestration 的工具。

不过在实际项目中，我更多使用：

• LangChain

• LlamaIndex

• AutoGen

来实现 Agent 系统。

13. 可以分享 Think–Execute 的伪代码吗？

可以，例如：

class Agent:

def run(self, query):
context = query

for step in range(5):

thought = self.think(context)

if thought["type"] == "final":
return thought["answer"]

result = self.execute(thought["tool"], thought["input"])

context += result

14. Think 和 Execute 是框架自带的吗？

不是。

通常是 我自己实现的逻辑。

例如：

think() → 调用 LLM
execute() → 调用工具

框架（例如 LangChain）只是提供工具接口。

15. 简单说一下快速排序的思想

快速排序是一种 分治算法。

核心思想：

1️⃣ 选择一个 pivot（基准值）

2️⃣ 将数组分成两部分：

左边：小于 pivot
右边：大于 pivot

3️⃣ 对左右子数组递归排序

时间复杂度：

平均：O(n log n)
最坏：O(n²)

示例代码：

def quick_sort(arr):
if len(arr) <= 1:
return arr

pivot = arr[0]

left = [x for x in arr[1:] if x <= pivot]
right = [x for x in arr[1:] if x > pivot]

return quick_sort(left) + [pivot] + quick_sort(right)