天珊雪1. AI Agent面试核心概念解析
1.1 AI Agent的本质定义与特征
AI Agent本质上是一个具备自主决策能力的智能系统，它区别于传统LLM应用的关键在于其闭环特性。一个真正的AI Agent必须具备三个核心特征：状态持续性、目标导向性和环境交互能力。
状态持续性体现在Agent能够记住并利用历史交互信息。比如在金融风控场景中，一个优秀的Agent需要记录用户的历史交易行为模式，而不仅仅是处理单次查询。这种状态管理通常通过向量数据库或图数据库实现，蚂蚁内部常用自研的OceanBase来存储Agent状态。
目标导向性则表现为Agent能够拆解复杂任务并制定执行计划。例如处理用户"我想理财"这样的模糊需求时，Agent需要先通过对话明确风险偏好和金额，再调用相应的理财产品接口。这与传统LLM的"一问一答"模式有本质区别。
环境交互能力是Agent最核心的差异化特征。在蚂蚁的实际业务中，Agent可能需要调用支付接口、风控模型、客户管理系统等多个工具。我们通过严格的API网关管理这些工具调用，每个调用都需要经过业务权限校验和风险审核。
1.2 Agent与LLM应用的关键差异点
从工程实现角度看，Agent与普通LLM应用在架构上存在显著差异：
-
状态管理机制：
- LLM应用：通常无状态，每个请求独立处理
- Agent：需要维护会话状态、任务上下文、执行历史
- 蚂蚁实践：采用分层状态存储，热数据在Redis，冷数据在OceanBase
-
执行流程控制：
- LLM应用：简单的前向推理
- Agent：复杂的控制流（循环、条件分支、并行等）
- 技术实现：蚂蚁内部基于LangGraph改进的工作流引擎
-
工具调用能力：
- LLM应用：通常仅文本生成
- Agent：需要集成业务系统API
- 安全措施：所有工具调用经过四层校验（权限、参数、风控、额度）
在金融场景下，Agent还需要特别关注可解释性。我们要求每个决策都能追溯到具体依据，这通过结构化日志和决策树来实现。例如当Agent拒绝一个贷款申请时，必须明确给出是基于信用分不足还是负债率过高。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。