Agent 项目如何写进简历？常见面试问题与回答思路

到这里，第四章就结束了。

在本章里面，咱们从一个最小的 ReAct 循环开始，继续加入任务规划、Plan State、Replanning、Agent Runtime、执行预算、结果校验和失败恢复。

最后，又把这些能力组装成了一个 AI 编程 Agent。

• 它能够根据自然语言理解代码需求，读取并修改多个文件，运行测试和类型检查。

• 测试结果推翻原计划以后，它还会生成 Plan v2。

• 遇到删除文件这类高风险操作时，Runtime 会暂停执行，等待用户确认。

这一节，咱们就把第四章真正学到的东西梳理一遍，再看看这些内容应该怎样体现在简历和面试中。

第四大章都学了啥

PS：第一小节是前言，就不写了哈。从第二小节的正式内容开始

01-ReAct：Reasoning、Action 与 Observation

在本章的一开始，咱们就实现了一个最小 ReAct Agent。

这里咱们需要知道：ReAct 不是框架，而是一种让模型判断和行动交替进行的 Agent 执行方式。

模型先根据当前上下文提出一个 Action，应用程序执行工具并得到 Observation，然后把 Observation 重新交给模型。

模型拿到新结果以后，再决定继续调用工具还是生成最终结论。

Tool Calling 只描述了一次工具调用。

ReAct 解决的是：怎样利用多次 Action 和 Observation 持续推进任务。

02-从 ReAct 到 Plan-and-Execute

ReAct 可以解决“下一步做什么”，但是任务一长，又会出现新的问题。

那就是：

• 当前完成了哪些步骤？
• 后面还有哪些步骤？某一步依赖什么？什么时候才算真正完成？

如果这些信息只放在 messages 里，就会很乱，不好管理。

所以这一节继续加入了结构化任务计划。

Planner 会根据任务目标生成第一版计划，Runtime 再把它保存成 Plan State。

其中每个步骤都有明确的状态和依赖关系

任务能不能结束，则需要定义了 Completion Criteria，让应用程序检查完成任务所需的结果和证据是否已经具备。

然后是 Replanning。

当新的 Observation 推翻原有判断时，Agent 不会把整个任务重新做一遍。已经验证过的步骤会被保留，无效步骤会被取消，新的步骤会追加到计划中，最终形成 Plan v2。

这一节最核心的内容，可以用一句话概括：

Agent 通过 Plan