什么是大模型 Agent？它与传统的 AI 系统有什么不同？

大模型 Agent 是基于大型语言模型并结合模块化规划、记忆和工具调用的自主决策系统，它能够根据最终目标把复杂任务拆分成子任务，调用 API、检索数据库或使用插件，再通过内部循环不断优化执行流程，基本不需要人在每一步都监督。

传统 AI 是你问一个问题它回答一个问题，每次都是独立的，被动响应；而 Agent 有自己的规划能力，你给它一个复杂目标，它会自己把任务拆成多步，通过调工具、访问记忆、感知环境来一步步执行，直到完成。它不只是输出文字，而是真的能做事。

主要区别如下:

LangChain

什么是 LangChain？

LangChain 是一个开源框架，专为快速构建复杂的大语言模型应用而设计。它通过模块化组件(Agents、Memor、Tools 等)和预制工具链，解决了传统LLM开发中的三大痛点

1. 上下文管理：通过 Memory 组件(如对话历史缓存、实体关系跟踪)实现长对话连贯性,
2. 多工具协同：支持动态调用外部API、数据库、搜索引擎等工具(如 GooglesearchTool)，例如在回答“2025年全球GDP排名”时自动触发实时数据查询。
3. 复杂任务编排：通过 chains(链)和 Agents(代理)将多个LLM调用和工具操作组合成工作流，例如“分析财报一提取关键指标一生成可视化建议”的端到端流程。

微调/预训练

什么是大模型微调？与预训练的核心区别是什么？

大模型微调(Fine-tuning of Large Models)是指在预训练模型的基础上，使用特定任务的数据对模型进行再训练，以适应特定应用场景的需求。与预训练(Pre-training)相比，微调的核心区别在于目标、数据来源和训练方式

目标不同：

• 预训练：旨在让模型学习通用的语言或知识表示，通常在大规模通用数据集上进行训练。
• 微调：旨在让模型适应特定任务，如情感分析、问答系统等，通常在特定任务的数据集上进行训练

为什么有RAG？

RAG 主要解决三个问题。

第一是知识时效性，LLM 训练完知识就固定了，训练截止日期之后发生的事它一无所知；

第二是私有知识覆盖，公司内部文档、行业专有数据根本没有机会进训练集，LLM 对这些内容是空白的；

第三是幻觉问题，没有知识依据时 LLM 容易「自己发挥」编出一个听起来合理但实际错误的答案，给了它参考资料之后幻觉就少很多。

这三个问题的根源都是同一件事，知识被固化在了模型参数里。RAG 的解法是把知识存到外部，用的时候实时检索注入，彻底绕开了参数里的知识限制。

什么是 RAG？RAG 的主要流程是什么？

工具

LLM 是如何学会调用外部工具的？

模型怎么被训练出工具调用能力，以及训练好之后运行时是怎么工作的。

训练层面靠两个阶段：

• SFT（监督微调，Supervised Fine-Tuning）：给模型喂大量「工具调用示范对话」，让它通过模仿学会「看到工具描述 -> 判断要不要调 -> 输出结构化 JSON 请求」这整套流程；
• RLHF（基于人类反馈的强化学习，Reinforcement Learning from Human Feedback）：收集人类对「哪种回答更好」的判断，训练一个打分器，再用这个分数反复调整模型，让它学会什么时候不应该调工具。