12 AI面经 AI Agent四种范式对比

大家好 欢迎来到本期技术面试深度解析 聊一道面试题对比AI agent四种饭时react, plan, and execute multi agent以及to use agent各自是用什么场景 如何做技术选行 这道题大多数人的回答会查在列定意义上 把四种饭时逐个解释一遍就结束 但面试官要的是从工程维度理解本质差异和区设逻辑 关注我五分钟吃头一道高平面试题 深入拆解技术原理和面试官意图 首先来看知道题的考察意图 面试观问 这道题背后考察两个关键能力 第一是 agent 架构的工程感之力 能不能从延迟可靠性 可观测性等维度评价一个饭时 第二是技术选行探断力 面向具体场景能不能准确选出 该用哪种饭时 为什么 那怎么拆解呢 我们先从最常见的误区说起 很多人默认以为这四种是现性进化关系 to use 最简单 react 高级一点 plan and execute 更高级 multi agent 最牛 这是面试中最大的坑 实际上他们根本不是同意维度的比较对象 to use 是基础能力层决定模型能不能调用外部工具 react 是推理 框架层 定义推理和行动怎么交替plan and execute 控制流程 规定先规划还是边想边做 multi agent 是组织架构层 关心多个 agent agent 怎么协作四层 可以跌加而不是护持 outline 里的一个 agent 就可以同时用react 的 function calling 整体又是multi agent 架构 清楚了层次关系 回答才不会跑偏 这就引出了关键认知 选行不是四选一 而是根据场景在每一层做组合决策 那每一层怎么选呢 先说 to use 这层 模型根据上下文自主决定 要不要掉工具掉哪个传什么参数 拿到结果后继续回复 优势是延迟低 架构 简单 但面对多不推理是每一步独立决策 缺少全局规划 容易偏离目标 所以它最适合单一或简单调有 比如查天气 发有见这类确定行操作 当问题来了 如果任务不只是调一两个工具 这就引出了react 饭式 核心是推理和行动交支进行 格式是thought action observation 3段循环 先思考下一步做什么 执行动作拿到观察结果再继续思考 最大价值是可解释性 打开日质能看到每一步的决策链入 代价是延迟每多一轮循环就多一次LLM要用 适合中等复杂度 且对可观测性要求高的人物 比如客服工单数去分析 但react 解决不了一个更深层的问题 任务如果需要十几步 光靠边向边做 不仅慢 而且容易迷失 方向怎么办 这就引出了plan and execute 饭式 理念是先规划再执行 模型在动手前深层完整计划 然后逐步执行 这解决了react缺乏全局视野的弱点 代价是规划 消耗推理资源 计划可能不准确 好的时间是在执行中引入重新规划机制 适合步驟多弹结构清晰的任务 比如大型代码重够复杂数据处理流水线 但还有一个更几手的问题 如果任务复杂度已经超过单个agent的能力边界了 这就引出了multi agent 多智能体饭式 思路是把复杂任务拆给多个专门 agent 每个有自己的角色 工具和知识范围 通过消息或共享状态协作 最大好处是职责分离 每个agent的上下文窗口只需关注自己的范围 主流框架如Alton Gen和Cru A 通过编排着 agent 解决鞋桃问题 适合角色编解清晰的鞋作场景 比如软件工程的多角色配合内容编审发流程 好 自种饭式讲完了 面试官很可能会追问一个深华问题 技术选行的优先极怎么盘 这里给一个使用框架 低看任务复杂度 单步或少量调用 直接用towels多不推理家可解释新上react 步骤多且结构画高 用pland and execute 只有角色天然分离或单agent 上下文窗不下时才上multiagent 第二看延迟敏感度 实时交互 优先towels或最简react 后台批处理充分发挥后两者优势 第三 看可观测性需求 react的循环是天然审计追踪