FDE W4D1 学习手册 · Agent 核心与 Loop

W4 Week1 Day1 · A 级（必须掌握，面试核心）· 4h · 学完能讲清"Agent / Workflow / Agentic Workflow 的区别"并手写一个 Agent Loop

一、概念区分：Agent / Workflow / Agentic Workflow

1.1 三者定义

• Workflow（工作流）：流程是预先写死的，由代码/配置固定每一步的先后顺序，模型只在某几个确定节点被调用（或完全不用模型）。本质是"确定性管道"。例：固定 7 步的 ETL 批处理。
• Agent（智能体）：由模型自主决策下一步做什么——决定调哪个工具、是否继续、何时停止。控制权在模型手里，流程是动态生成的。本质是一个"循环 + 自主决策"的系统。
• Agentic Workflow（智能体化工作流 / 代理式工作流）：Workflow 与 Agent 的混合体——大框架是人工编排的图（有确定性骨架），但在某些节点把"该走哪条分支/怎么调工具"交给模型自主决定。兼具可预期性与灵活性。

1.2 对比表

1.3 关键判断：一个系统是不是 Agent？

核心看"下一步行动是否由模型在运行时动态决定"。如果下一步永远是 if/else 写死的，那只是 Workflow；如果模型根据中间结果自己选下一步，就是 Agent；如果"整体走哪几条预设路径"由模型选，就是 Agentic Workflow。

二、Agent 的四大核心特征

一个典型 LLM Agent 由四个要素构成，缺一不可：

1. 模型（Model）：做决策的"大脑"，通常是 LLM，负责理解、规划、选工具、生成结论。生产用低 Temperature（0~0.3）保证决策稳定。
2. 工具（Tools）：Agent 能调用的外部能力，如 OCR、数据库查询、规则引擎、HTTP 接口。工具要有明确的 schema（名称、参数、返回）。
3. 环境 / 记忆（Memory / State）：保存对话历史、工具返回、中间状态，供下一轮决策使用。
4. 控制循环（Control Loop）：把"模型决策→执行工具→回填结果→再决策"串成循环，并决定何时停。这是 Agent 区别于"一次性问答"的本质。

三、ReAct 范式（推理 + 行动）

3.1 原理

ReAct（Reason + Act）是 2022 年提出的经典 Agent 范式：让模型交替进行推理（Thought）和行动（Action），每轮先把"我为什么这么做"想清楚（Thought），再决定调什么工具（Action），看到工具结果（Observation）后继续下一轮推理。

3.2 为什么重要

• 把"思考链"显式化，模型不容易瞎走，便于 debug（你能看到它的 Thought）。
• 是 Tool Calling Loop 的"思维模板"。现代 Agent 不一定在输出里打印 Thought，但内部逻辑一致：模型根据历史和工具结果决定下一步。

四、Tool Calling Loop（工具调用循环）

4.1 循环骨架

一次 Agent 运行就是不断重复下面这条 Loop，直到模型不再请求工具、直接给最终答案：

4.2 一次迭代里发生了什么

1. 把完整 messages（含历史 + 之前工具结果）发给模型。
2. 模型返回：要么是普通文本（最终答案，循环结束），要么是 tool_calls（一组待执行工具）。
3. 对每个 tool_call：按名字找到本地工具函数，把参数喂进去，拿到返回值。
4. 把返回值封装成 role: "tool" 的消息，回填进 messages。
5. 带着更新后的 messages 再调模型——模型看到工具结果，决定下一步或结束。

4.3 消息结构（OpenAI 风格，业界通用）

# 模型请求调用工具（assistant 消息携带 tool_calls）
{ "role": "assistant", "tool_calls": [
    { "id": "call_1", "type": "function",
      "function": { "name": "ocr_scan", "arguments": "{\"file_url\":\"...\"}" } } ] }

# 工具结果回填（tool 消息，必须带对应 tool_call_id）
{ "role": "tool", "tool_call_id": "call_1", "content": "{\"fields\": {...}}" }

五、停止条件与循环终止

5.1 什么时候停

循环终止有三类信号，命中任一即停：

5.2 常见"停不下来"的隐患

• 工具反复返回"需要更多信息"，模型反复调同一个工具 → 必须靠 max_steps 兜底。
• 模型陷入"调工具 A → A 说调 B → B 说调 A"的环 → 需要去重 / 循环检测。
• 模型一直不返回最终答案（持续 tool_calls）→ 靠 max_steps 强制收敛到"转人工/降级"。

六、最大步骤（max_steps）与 Token 预算

6.1 参数设计

6.2 预算为什么重要（成本 & 延迟）

每轮都要把完整 messages（含之前所有工具结果）重发给模型，所以 Token 消耗随轮数线性增长。10 轮、每轮历史 2000 token，输入就已 2 万 token。不控制预算，单次理赔可能花掉几毛到几块钱，量大了成本爆炸。

七、错误处理与工具结果回填

7.1 回填的两条铁律

1. 回填消息必须带 tool_call_id，框架靠它把结果对应回那次调用。漏了会报错或直接忽略。
2. 工具出错也要回填（把错误信息文本作为 tool 消息返回），而不是让程序抛异常中断整个 Loop——让模型看到错误后自行决定重试 / 换工具 / 转人工。

7.2 错误处理矩阵

7.3 代码示例（回填错误而非抛异常）

for tool_call in assistant.tool_calls:
    try:
        result = dispatch(tool_call.function.name, **json.loads(tool_call.function.arguments))
    except Exception as e:
        result = f"[tool_error] {e}"   # 错误也回填，让模型看见
    messages.append({"role": "tool", "tool_call_id": tool_call.id, "content": str(result)})

八、Agent Loop 的工程含义（面试常问）

九、实战：手写一个 Agent Loop（Python）

下面是不依赖任何框架的极简 Agent Loop，逻辑与 LangGraph 底层一致。以特药理赔场景为例：模型可调用 ocr_scan（识别材料）、query_policy（查保单）。

import json, openai

client = openai.OpenAI()
TOOLS = [
  {"type":"function","function":{"name":"ocr_scan",
     "description":"识别理赔材料图片，返回结构化字段","parameters":{
       "type":"object","properties":{"file_url":{"type":"string"}},"required":["file_url"]}}}},
  {"type":"function","function":{"name":"query_policy",
     "description":"按保单号查保单与特药目录","parameters":{
       "type":"object","properties":{"policy_no":{"type":"string"}},"required":["policy_no"]}}}},
]

def dispatch(name, args):
    # 真实场景这里调你的 Java 微服务 / 规则引擎
    if name == "ocr_scan":   return {"patient":"张三","drug":"奥希替尼","amount":38000}
    if name == "query_policy": return {"covered":True,"copay":0.3,"quota":50000}
    raise ValueError("unknown_tool")

def run_agent(user_req, max_steps=10):
    messages = [{"role":"system","content":"你是特药理赔审核助手，按需调用工具。"},
                {"role":"user","content":user_req}]
    for step in range(max_steps):
        resp = client.chat.completions.create(
            model="your-model", messages=messages, tools=TOOLS, temperature=0.1)
        msg = resp.choices[0].message
        if not msg.tool_calls:                 # 模型给出最终答案 → 停止
            return msg.content
        messages.append(msg)                   # 把 assistant(tool_calls) 加入历史
        for tc in msg.tool_calls:
            try:
                args = json.loads(tc.function.arguments)
                result = dispatch(tc.function.name, args)
            except Exception as e:
                result = f"[tool_error] {e}"
            messages.append({"role":"tool","tool_call_id":tc.id,"content":json.dumps(result, ensure_ascii=False)})
    return "已达最大步骤，转人工审核"            # 降级兜底

print(run_agent("帮我审核这张特药理赔单，文件在 /tmp/claim1.png，保单号 P123"))

十、实战：从 Java 工程师视角看 Agent Loop

你熟悉 Spring / 微服务，可以把 Agent Loop 映射成你会的模式：

十一、Agent Loop 高频易错点（综合）

十二、学习资源（中文 / 非 OpenAI）

十三、面试达标线①：Agent / Workflow / Agentic Workflow 区别

十四、面试达标线②：写/讲清一个简单 Agent Loop

1. 循环：重复"模型决策→执行工具→回填"直到模型给最终答案。
2. 工具调用：解析 tool_calls，按 name 路由到本地函数，参数 JSON 解析。
3. 结果回填：构造 role:tool 消息，带 tool_call_id，错误也回填（脱敏）。
4. 停止判断：模型无 tool_calls → 结束；达到 max_steps → 降级转人工。
5. 工程保障：max_steps、Token 预算、幂等工具、熔断、Trace、降级兜底。

十五、W4D1 自测清单

十六、高频面试题速记卡