AI Agent面试题:Agent 的自主性分级 怎么理解？

从固定链路到自定目标的逐级放权 · 一张表看懂自主性与可控性的权衡

面试里一句"你这个系统算不算 Agent"，常常把人问住。有人把只会调一次 API 的脚本叫 Agent，也有人非要"能自己定目标"才承认。其实这两端之间不是有无之分，而是一条连续的放权光谱。理解 Agent 的关键，就是理解你到底把多少决策权交给了模型——从"每一步都写死"到"连目标都让它自己定"，逐级递进。这篇用一张分级表把这条光谱讲透。

核心视角：Agent 是"把决策权交给模型"的程度

传统程序里，控制流由开发者用if/else、循环、状态机写死；模型（如果有）只是流水线上一个被调用的函数。而所谓 Agent，本质是让大模型来接管一部分原本由代码把控的决策。交出去的决策越多、越关键，系统就越"自主"。

把这条光谱拆开，可以按"模型能决定什么"分成四级放权：

• 固定链路：模型只填内容，流程一步都不能改；
• 模型选分支：让模型决定"下一步走哪条路"；
• 模型定工具：让模型决定"调哪个工具、传什么参数、要不要循环";
• 模型自定目标：连"要做什么、拆成哪些子任务"都交给模型。

每往上一级，你收获的是灵活性和处理开放问题的能力，付出的是可预测性、可测试性和安全边界。这就是贯穿全文的主线——自主性 ↔ 可控性的权衡。

逐级拆解：四级放权分别放的是什么

L1 固定链路（Fixed Chain）。 流程完全由代码编排，模型只在预定的空位里生成内容。典型如"检索 → 塞进模板 → 生成回答"的经典 RAG，或"翻译 → 润色 → 输出"的定长流水线。走哪几步、什么顺序全部写死，模型无权更改路线。

L2 模型选分支（Routing）。 开发者仍然预定义好所有可能的路径，但把"走哪条"这个选择权交给模型。比如客服系统让模型先分类意图，再路由到"退款流程 / 查询流程 / 转人工"。分支集合是封闭的、可穷举的，模型只是在有限选项里做选择题。

L3 模型定工具（Tool-Calling Loop）。 这是当下最主流的 Agent 形态。给模型一组工具，它在一个循环里自己决定：这一步调不调工具、调哪个、传什么参数、拿到结果后要不要接着调、什么时候停。控制流不再由代码写死，而是由模型在运行时动态生成。ReAct、函数调用（function calling）、大多数"能查库能算数能搜网"的助手都属于这一级。

L4 模型自定目标（Autonomous / Planner）。 放权到顶：给一个高层目标甚至只给一个方向，模型自己拆解子目标、规划步骤、自我评估、必要时调整计划乃至衍生新任务。AutoGPT 式的自主智能体、能自主拆解并派活的多智能体系统属于此列。灵活性最强，但也最难预测和约束——它可能跑偏、绕圈、烧掉一大笔 token 还没收敛。

# 同一个"查天气并提醒"任务，在不同级别下谁做主L1 固定链路:get_weather(city) -> format(template) -> reply# 步骤写死L2 选分支:if model.route()=="天气": weather_flow() else ...# 模型选路L3 定工具:while not done: tool = model.decide(tools, history) # 模型定工具与循环L4 自定目标:goal="照顾好我的出行"; model.plan_and_execute(goal)# 模型自定子目标

一张表看懂：自主性越高，可控性越低

把四级并排对比，那条"自主性 ↔ 可控性"的权衡就一目了然：

规律很清晰：级别越往上，能处理的问题越开放、越灵活，但可预测性、可测试性和安全边界越弱。L1 你能写单元测试断言每一步；到了 L4，同一个输入两次运行都可能走出完全不同的轨迹。

面试与实战怎么用这个框架

这套分级不是学术分类，而是工程选型的标尺。核心原则是：用能解决问题的最低自主级别。能用 L1/L2 固定编排搞定的，就别上 L3；能用 L3 工具循环搞定的，绝大多数场景都不该跳到 L4。

• 先问需求开放度：任务路径可枚举 → L1/L2；需要动态调工具但目标明确 → L3；目标本身模糊、需要探索式拆解 → 才考虑 L4。
• 为自主性配护栏：级别越高，越要补上工具白名单、参数校验、最大步数 / 预算上限、人在回路（human-in-the-loop）审批、可回滚设计。
• 别为"更 AI"而升级：多数生产系统稳定跑在 L2–L3。盲目上 L4 换来的往往是难复现的 bug 和失控的成本。

一句话总结