模式1: 单Agent + 多工具(最简单)
一个Agent + 多个Function Calling工具
适用: 任务简单、工具少于10个
模式2: ReAct模式(面试必问)
Thought→Action→Observation循环推理
适用: 需要多步推理的复杂任务
模式3: Planning模式
先规划任务步骤,再逐步执行
适用: 任务可预先分解的场景
模式4: Multi-Agent模式
多个专业Agent协作完成复杂任务
适用: 不同领域专业知识交叉的任务
ReAct = Reasoning + Acting
循环流程:
Thought: 我需要查询用户的订单信息
Action: 调用orderService.getOrders(userId="123")
Observation: [订单A, 订单B, 订单C]
Thought: 用户有3个订单,我需要检查是否有超时未支付
Action: 调用orderService.checkTimeout(orders)
Observation: 订单A已超时
Thought: 我应该告诉用户订单A已超时,并建议操作
Answer: "您的订单A已超时未支付,建议重新下单或联系客服..."
对比:
普通LLM: 只能基于已有知识回答
ReAct Agent: 能调用外部工具获取实时数据后再回答
Agent核心组件:
1. LLM(大脑): 推理和决策
2. Memory(记忆): 短期(对话历史) + 长期(向量存储)
3. Tools(工具): 搜索/数据库/API/代码执行
4. Planning(规划): 任务拆解和执行策略
普通Agent: 执行 → 输出 → 结束(结果不好也没辙)
反思Agent: 执行 → 自我评估 → 发现问题 → 修正 → 重新执行
三步循环:
Action: Agent执行任务,生成初始结果
Evaluation: Agent自我评估(或用评估器打分)
Reflection: 如果不满意,反思原因,生成改进策略
Java/Spring AI实现思路:
String result = chatClient.prompt().user(task).call().content();
String evaluation = chatClient.prompt()
.system("评估结果质量0-10分")
.user(result).call().content();
if (score < 8) {
// 反思 + 重新执行
}
注意: 最大反思次数限制(2-3次),反思也消耗Token
全称: Model Context Protocol
提出: Anthropic(Claude团队), 2024年11月
定位: AI模型与外部工具/数据源的标准化通信协议
类比:
USB = 硬件设备的统一接口
MCP = AI应用的统一接口
架构:
Host(宿主) → Client(客户端) → Server(服务端)
一个Host可有多个Client,一个Client连接一个Server
三大原语(Primitives):
1. Tools(工具):
可被AI调用的函数
如: 文件读写、数据库查询、API调用
2. Resources(资源):
可被AI读取的数据
如: 文件内容、数据库记录、API响应
3. Prompts(提示):
预定义的提示模板
如: 代码审查模板、翻译模板
┌──────────────┬────────────────────┬─────────────────────┐
│ 维度 │ Function Calling │ MCP │
├──────────────┼────────────────────┼─────────────────────┤
│ 定义者 │ OpenAI │ Anthropic │
│ 定位 │ 模型调工具的协议 │ 工具接入的标准协议 │
│ 范围 │ 单次调用 │ 标准化工具生态 │
│ 执行方 │ 开发者代码 │ MCP Server独立进程 │
│ 可复用性 │ 每个应用单独实现 │ 一次开发,所有AI通用 │
│ 关系 │ MCP是更上层的标准 │ 可基于MCP的工具执行 │
└──────────────┴────────────────────┴─────────────────────┘
面试话术:
"Function Calling是模型调工具的协议(OpenAI定义),
MCP是工具提供方与AI应用的标准通信协议(Anthropic定义)。
MCP是更上层的标准,定义了工具如何暴露给AI,
Function Calling可以基于MCP提供的工具来执行。
类似USB接口(Function Calling)和USB设备标准(MCP)的关系。"
全称: Agent-to-Agent Protocol
提出: Google, 2025年4月
定位: 多Agent之间的标准化通信协议
MCP vs A2A:
MCP: AI应用 ←→ 单个工具/数据源 (一对一)
A2A: Agent ←→ Agent (多对多协作)
类比:
MCP = 员工与工具的关系(你用锤子、用电脑)
A2A = 员工与员工的协作(前端找后端、设计师找开发)
A2A核心概念:
Agent Card: Agent的能力描述(名片)
Task: Agent间传递的任务单元
Message: 任务执行中的消息传递
Artifact: 任务产生的成果物
四层协议栈(面试热点):
MCP → Agent连接工具和数据(接口层)
A2A → Agent之间发现和协作(发现层)
ACP → Agent之间消息传递(通信层)
AG-UI → Agent与用户交互(表现层)
面试话术:
"2026年AI协议栈分四层: MCP连接工具,A2A发现Agent,
ACP标准化消息传递,AG-UI对接用户界面。
我们项目主要用MCP(工具接入),A2A/ACP作为协议标准了解。"
你的AI定价系统用了双管道设计:
管道1: Boss管道(SSE流式输出)
用户在后台发起提问 → ChatClient流式调用GLM
→ SSE实时推送给前端
→ 适用于需要实时反馈的场景
管道2: MQ管道(自动定价)
RabbitMQ消费定价消息 → ChatClient同步调用
→ 执行5步定价算法
→ 结果写入数据库
→ 适用于批量/异步定价场景
设计优势:
两个管道隔离——Boss管道的延迟不影响MQ管道的吞吐量
共享同一套@TdTool工具定义
共享同一个ChatMemory实现
面试讲法:
"我们的Agent系统是双管道架构:
Boss管道(SSE)处理实时交互,MQ管道处理批量自动定价。
两个管道共享工具定义和对话记忆,但执行隔离互不影响。"
1. 用ReAct框架的格式,模拟一个"用户问机票价格"的完整推理过程(至少3轮Thought→Action→Observation)
2. MCP的三大原语分别是什么?举出你项目中对应的例子
3. 如果面试官问"MCP和Function Calling什么关系",你怎么回答?
4. Agent生产环境有哪些坑?至少列出3个及对应解决方案
5. 你项目中的双管道设计解决了什么问题?如果只有一个管道会有什么问题?