主题
两边都答的高频送分题。对比 JavaGuide《AI Agent 核心概念》、二哥与小林《什么是 Agent》《基本架构》《什么是 AI Agent？》《Agent 和 ChatBot 有什么区别？》《AI Agent 是如何工作的？》《一个 AI Agent 有哪些核心组件？》四篇讲稿，结论融合成可口述的最优版。
多版对比
JavaGuide：给标准分解 Agent = LLM + Planning + Memory + Tools 四件套，配演进时间线（分水岭是 2023 年的 Function Calling），Agent Loop 每轮「模型选动作 → 执行工具 → 结果写回上下文」，上限 10-20 轮或按 Token 预算终止。系统、可核对，但四件套没把 Harness 的地位立起来，背完容易答成组件清单。
二哥：开场先打错误答案「Agent 就是加了 system prompt 的大模型」，给出「本质区别是有没有 ReAct 决策循环」的判断句，三条对比（一问一答 vs 循环决策、只会说 vs 能动手、失忆 vs 有状态）结构清晰好背；五组件把 Harness 抬到与模型同等（模型是引擎、Harness 是底盘刹车方向盘），执行过程落到 stop_reason 信号上。短板：「RAG 不算 Agent」说得太绝对。
小林：开场是面试官对话体，故意让「Agent 就是加插件/能调工具的大模型」两个错误答案出场再逐层拆掉，核心词「自主闭环」（感知→规划→行动→再感知）。两条增量：①决策与执行分离——模型只是大脑、只输出 JSON 决策，真正执行的是宿主代码；②四组件的公司类比（LLM 是老板、工具是外包团队、记忆是档案室、规划是项目经理），并主动标注记忆的语义/情景/程序三分类「类比非学术标准」，还给了记忆衰减公式（相关度 = 语义相似度 × 时间衰减，客服衰减快、法律衰减慢）。
结论：定义用二哥、组件补 Harness、再带一句小林的「决策与执行分离」——它是后面工具安全、任务幻觉两个话题的总开关。
最优题解
Agent 不是加了 system prompt 的大模型调用，而是有决策循环的系统：LLM 自己判断下一步做什么，调用工具拿到真实反馈，把结果写回上下文继续推理，直到任务完成。直接调 API 是一问一答、流程写死在业务代码里；Agent 是循环决策、能动手、有状态。
组件我用「Model + Harness」来讲：Model 负责理解目标、规划下一步、选工具；Harness 负责工具执行、状态维护、权限控制和失败处理——模型是引擎，Harness 是底盘。常见的 LLM + Planning + Memory + Tools 四件套是功能分解，Harness 是把这四件撑起来的运行时，两者不矛盾。底层再补一条铁律：决策与执行分离——模型只产出决策，真正动手、担责的是我们的代码。
边界要主动说清：RAG 是不是 Agent？固定管线的 RAG——检索、拼接、生成每一步都代码写死——不是 Agent；但当 LLM 自己决定要不要检索、用什么 query、结果够不够、要不要换词再搜一轮，有了这个决策循环才算。分界是「循环」，不是工具数量。
追问链
追问：一轮循环里 Agent 怎么知道该停？ 参考答：看模型返回的停止原因——要求调工具就继续，明确收工就结束；工程上再叠三层保险：最大轮次、Token 预算、连续无进展检测。展开见 ReAct 终止与 Loop Engineering。
追问：Agent 和 Workflow 怎么选？ 参考答：动手前能画出完整流程图就是 Workflow，画不出来才上 Agent；生产上大部分系统其实跑的是 Workflow，Agent 用在路径真不确定的地方。展开见 Workflow 与 Agent 范式。
我的理解
这道题的送命回答是背四件套清单。面试官想听的是「循环」这个分界：API 调用是函数，Agent 是带反馈的循环体。我记二哥的三条对比做骨架，用 Model + Harness 口径答组件，再主动补 RAG 边界——这能证明我不是背的，是真理解「循环才算 Agent」。