人工智能通识导论（理工类）第9章 习题及参考答案

3-2-习题9及参考答案1．大模型智能体与普通聊天模型的本质区别是什么？智能体在哪些方面把模型能力延伸到了真实世界？参考答案：普通聊天模型只会根据输入生成一段文本，每次问答相互独立，既不知道外部环境的状态，也不能对外部世界产生任何实际影响。大模型智能体则以大模型作为决策核心，能够围绕一个目标自主地规划步骤、调用工具、读取反馈并继续行动，形成"感知—决策—行动—再感知"的任务闭环，直到任务完成。智能体把模型能力延伸到真实世界主要体现在三个方面。一是通过工具调用操作真实系统，例如搜索引擎、数据库、计算器和各类应用接口，让模型从"会说"变成"会做"；二是通过记忆机制保存任务状态和历史经验，使跨步骤、跨会话的工作成为可能；三是通过观察行动结果并据此调整后续行为，使模型能在动态变化的真实环境中持续纠错，而不是一次性给出答案就结束。2．列举智能体系统的核心组件，并说明每个组件在任务闭环中所承担的角色。以一次"帮用户查询心仪小说在学校图书馆的可借阅副本"任务为例，描述这些组件如何协同工作。参考答案：智能体系统的核心组件包括模型、工具、记忆和规划编排四个部分。模型是决策中枢，负责理解任务、推理下一步该做什么；工具是行动手段，负责真正与外部系统交互并返回结果；记忆负责保存任务状态与历史信息，让多步行动前后连贯；规划编排负责把大任务拆解成小步骤，并控制各步骤的执行顺序与循环。以查询图书馆可借阅副本为例。模型先理解用户想找哪本小说，规划编排把任务拆成"检索馆藏、确认馆藏地点、核查可借状态"几个步骤；模型调用图书馆检索工具，输入书名得到该书的馆藏记录，这是行动；检索结果被写入记忆，模型据此判断还需要进一步查询各校区图书馆的在架状态，再次调用状态查询工具；最后模型汇总记忆中的信息，告诉用户哪个馆还有可借副本、索书号是多少。整个过程中每个组件各司其职，共同完成从理解需求到给出可用答案的闭环。3．画出ReAct框架的"思考—行动—观察"循环示意图，并以"根据快递单号查询包裹当前位置并估算何时送达"为例，标注每一步的具体内容。参考答案：ReAct循环可画成一个环形流程：由"思考"节点出发，指向"行动"节点，再指向"观察"节点，观察结果又回到"思考"节点，如此循环，直到思考认为任务已完成，输出最终答案后结束。以快递查询为例标注各步内容。第一轮思考：我只有一个快递单号，需要先查物流信息，行动为调用快递查询工具并传入单号，观察到的结果是"包裹已到达杭州转运中心，今日上午发往本市网点"。第二轮思考：包裹已在途中，还需知道当前城市到收件地的常规时效才能估算送达时间，行动为调用时效查询工具，观察到"同城转运通常半天内派送"。第三轮思考：信息已经足够，可以给出结论，行动为生成最终回答"包裹目前在杭州转运中心发往本地网点途中，预计今天下午到明天上午送达"，循环结束。4．工具调用与模型的普通文本生成有什么差别？为什么工具调用通常需要结构化输出？用JSON写出一次"查询某部电影本周六晚在我家附近影院的放映场次"的工具调用示例。参考答案：普通文本生成的读者是人，产出的是自然语言，允许含糊和多样表达；工具调用的"读者"是程序，产出的是要被执行的函数名和参数，模型本身并不真正执行，而是由外部系统解析并执行后把结果返回给模型。工具调用需要结构化输出，是因为程序只能处理格式确定的数据。结构化的输出让系统能无歧义地解析出要调用哪个工具、每个参数的值是什么，便于做合法性校验、错误提示和安全控制，也保证同样的调用可以被稳定地重复执行。若输出是一段自由文本，程序将无法可靠地提取参数。工具调用示例如下：{"tool":"search_movie_showtimes","arguments":{"movie":"《流浪地球3》","date":"2025-06-14","time_period":"evening","location":"家附近","radius_km":3}}。其中tool指明要调用的工具，arguments以键值对给出影片名、日期、时段、位置和搜索半径等参数。5．解释MCP（模型上下文协议）的设计动机。在N个模型对接M个工具的场景下，MCP把适配复杂度从O(N×M)降到O(N+M)的原理是什么？参考答案：MCP的设计动机是为模型与工具之间的连接建立一个统一、开放的标准协议。在没有统一标准时，每个模型想接入某个工具都要单独开发一套适配代码，接口各不相同，开发和维护成本随组合数量爆炸式增长。MCP就像给工具和模型之间规定了统一的"插座标准"，让任何符合协议的模型都能即插即用地使用任何符合协议的工具。复杂度降低的原理在于适配工作被分摊到了协议两侧。没有MCP时，N个模型中的每一个都要为M个工具中的每一个单独写适配器，共需N×M个适配器。有了MCP之后，每个模型只需实现一次MCP客户端，共N个；每个工具只需实现一次MCP服务器，共M个；客户端与服务器之间按统一协议通信，总适配量变为N+M。当模型和工具数量较多时，两者的差距会非常显著。6．什么是智能体技能（AgentSkills）？它与MCP工具在解决问题的侧重点上有何不同？为什么渐进式披露能显著降低上下文负担？参考答案：智能体技能是把完成某类任务所需的知识、流程、模板和脚本打包在一起的资源包，通常以文件夹形式组织，告诉智能体"怎样把某类事做好"。例如一个"制作数据图表"的技能里可以包含作图规范、配色建议和绘图脚本。两者的侧重点不同。MCP工具解决的是"能连接什么"，为智能体打通外部系统和数据源，提供的是能力入口；技能解决的是"如何用好这些能力"，把领域知识和做事方法教给智能体，提供的是经验与规范。一个偏重于连接，一个偏重于指导。渐进式披露是指技能先只把名称和一句话简介放进上下文，智能体判断某个技能与当前任务相关时，才去读取它的详细说明，真正需要时再加载其中的脚本和参考资料。这样上下文里平时只保留极少量的索引信息，大量内容按需加载，避免了把所有技能的全部细节一次性塞入上下文，从而显著减轻上下文负担，也让智能体能同时挂载成百上千个技能。7．智能体的短期记忆和长期记忆分别是指什么？各举一个实际任务，说明在哪一步要用到短期记忆、在哪一步要用到长期记忆。参考答案：短期记忆是当前任务或会话范围内的临时信息，通常直接保存在上下文中，任务结束后即可丢弃；长期记忆是跨会话持久保存的信息，一般存储在外部数据库中，需要时再被检索出来，例如用户偏好、历史交互记录和已确认的事实。以旅行规划任务为例说明短期记忆的作用。智能体先查到机票价格，再比较酒店，比较酒店时必须记得刚才查到的出行日期和预算，这些当前会话内的中间结果就依靠短期记忆。以智能客服任务为例说明长期记忆的作用。用户再次咨询时，系统从长期记忆中调出该用户上次报修过的设备型号和历史工单，无需用户重复说明，就能接着上次的进度继续处理。8．解释RAG（检索增强生成）的基本原理，画出离线建库与在线检索生成两个阶段的流程图，并说明RAG主要缓解了大语言模型的哪两个局限。参考答案：RAG的基本原理是在生成答案之前，先根据用户问题从外部知识库中检索出相关内容，把这些内容连同问题一起交给大模型，让模型基于检索到的真实资料组织回答。流程图分两个阶段绘制。离线建库阶段依次为：收集文档，将文档切分成若干片段，用嵌入模型把每个片段转成向量，存入向量数据库。在线检索生成阶段依次为：接收用户问题，用同一个嵌入模型把问题转成向量，在向量数据库中检索最相似的若干片段，把检索结果与问题拼接成提示词，交给大语言模型生成最终答案。RAG主要缓解了大模型的两个局限。一是知识局限，模型的知识截止于训练时间，且不掌握企业内部资料等私有知识，RAG通过外挂知识库让模型能回答最新、最专有的问题；二是幻觉问题，模型在缺乏依据时容易编造内容，RAG让回答建立在检索到的真实文本之上，并可注明出处，从而提高可信度。9．编程题。在工具调用智能体基础上，为ReAct智能体添加一个Calculator工具，使其能完成"把125乘以37的结果加上890"这类数学任务。写出工具的函数签名、注册方式，并贴出一次完整对话的"思考—行动—观察"轨迹。参考答案：工具函数签名可定义为defcalculator(expression:str)->str，接收一个数学表达式字符串，利用安全的表达式求值方法计算后以字符串返回结果，异常时返回错误提示。注册方式是把该函数加入智能体的工具列表，并附上一段工具描述供模型选择时参考，例如{"name":"calculator","description":"计算数学表达式的值","parameters":{"expression":{"type":"string","description":"要求值的算式"}}}，智能体在每次循环中把可用工具的清单一并提供给模型。一次完整对话的轨迹如下。思考：需要先算125乘以37；行动：调用calculator("125*37")；观察：返回4625。思考：再把结果加上890；行动：调用calculator("4625+890")；观察：返回5515。思考：计算已完成，可以给出答案；行动：输出最终回答"125乘以37加上890等于5515"。10．分析题。对下面的任务场景，请选择最合适的智能体范式（ReAct、规划—执行分离、多智能体协作）并说明理由。场景一：制定一份五天的云南环线自驾行程，需要综合查询路况、住宿、景点开放时间和高原天气。场景二：写一篇产品推广文案，要求生成草稿后检查错别字并优化措辞。场景三：排查一次线上服务的故障，需要逐步测试、分析日志并定位根因。参考答案：场景一适合规划—执行分离。五天行程涉及日期、路线、住宿、天气等多维约束，且各环节相互依赖，需要先由规划器一次性生成全局行程框架，再按框架逐步调用路况、住宿、天气等工具填充细节。若用ReAct边想边做，很容易在局部最优上越走越远，导致后面几天的安排前后矛盾。场景二适合多智能体协作。任务天然分成"写"和"改"两种角色，可以让一个智能体负责生成草稿，另一个扮演校对编辑检查错别字并优化措辞，两者分工明确、相互评审，产出质量比单个智能体自问自答更可靠。场景三适合ReAct。故障排查的本质是试探性的，下一步要测什么完全取决于上一步测试和日志分析的结果，事前无法做出完整规划，正适合"思考—行动—观察"的循环，根据每次观察到的现象逐步缩小范围，直到定位根因。11．综合题。某公司希望为内部HR系统部署一个智能体，能够回答员工关于考勤、请假、报销政策的问题。公司同时维护了员工手册、历史工单库和实时通知公告三类资料。请基于本章学过的内容，给出一份系统设计方案，说明会用到哪些架构模式、工具、记忆机制和检索策略，并指出哪些操作应当转人工处理。参考答案：整体架构采用带工具调用能力的RAG智能体，以ReAct循环处理一般问答，必要时由模型自主决定检索资料还是查询业务系统。工具方面，接入三类接口。一是考勤与假期系统的查询接口，供智能体查询员工个人的剩余年假、出勤记录等实时数据；二是工单系统的接口，用于创建和查询工单；三是公告推送接口，用于获取最新通知。三类资料统一走RAG检索，其中员工手册作为政策依据离线建库，历史工单库用于检索相似问题的处理先例，通知公告因时效性强，需实时入库并优先检索。记忆机制方面，短期记忆保存当前对话的上下文，例如员工前面提到过的部门和假期类型；长期