用大白话解释Agent开发中的核心概念，零基础也能看懂
Agent 就像一个数字员工：
类比：
传统程序：计算器
输入：1 + 1
输出：2
特点：固定规则，不会思考
Agent：像人一样工作的程序
输入："帮我面试一个前端候选人"
处理：理解要求 → 准备问题 → 根据回答追问 → 评估表现
输出：面试报告
特点：能思考、能决策、能自主行动
| 对比 | 传统程序 | Agent |
|---|---|---|
| 决策方式 | 固定规则 | 基于LLM推理 |
| 灵活性 | 低 | 高 |
| 可扩展性 | 需要改代码 | 改Prompt即可 |
| 适用场景 | 确定逻辑 | 需要理解/推理的场景 |
Multi-Agent = 多个数字员工协作完成任务
现实类比：
开一家餐厅需要：
- 厨师：做菜
- 服务员：接待客人
- 收银员：结账
- 清洁工：打扫卫生
每个人有自己的职责，互相协作，餐厅才能运转。
本项目中的Multi-Agent：
AI面试系统需要：
- 面试官Agent：提问、追问
- 评估员Agent：打分、写评语
- 学习顾问Agent：推荐学习资源
三个Agent协作，完成整个面试流程。
想象一个超级员工：
分工的好处：
RAG = Retrieval（检索）+ Augmented（增强）+ Generation（生成）
大白话：先查资料，再回答
闭卷考试 vs 开卷考试
闭卷考试（传统LLM）：
- 只能凭记忆回答
- 可能会记错（幻觉）
- 知识停留在训练时
开卷考试（RAG）：
- 先查书（检索）
- 再基于查到的内容回答（生成）
- 答案更准确，可以引用资料
场景：面试结束后推荐学习资源
1. 检索阶段：
评估结果："专业知识60分（薄弱）、逻辑思维85分（良好）"
↓
向量化："专业知识薄弱 需要学习Python..."
↓
向量搜索：找到Python教程、算法书等相关资源
2. 生成阶段：
LLM看到：评估结果 + 检索到的资源
↓
生成推荐理由："根据您的评估，建议在Python基础上加强学习，推荐《Python编程从入门到实践》..."
Embedding = 把文字变成数字向量
计算机不懂文字，只懂数字
人类理解：
"Python" 和 "编程语言" 意思相关
计算机理解（原始）：
"Python" = [字母P, 字母y, 字母t...]
"编程语言" = [编, 程, 语, 言]
完全不同的表示！
Embedding转换后：
"Python" = [0.1, 0.5, -0.2, 0.8, ...] (384个数字)
"编程语言" = [0.15, 0.48, -0.18, 0.82, ...]
数字接近，表示意思相近！
想象一个三维空间：
^
/|
/ |
/ | "Python"
/ | /
/ | /
/_____|____/________>
| /
| / "Java"
| /
|/
相似的词在空间中距离近
"Python" 和 "Java" 距离近（都是编程语言）
"Python" 和 "苹果" 距离远（不相关）
实际上用的是384维空间（想象不了，但计算机能计算）
传统数据库：按关键字查
向量数据库：按意思查
存入数据：
"Python基础教程" → Embedding → [0.1, 0.5, -0.2, ...]
"Java入门" → Embedding → [0.2, 0.4, -0.1, ...]
"数据结构" → Embedding → [-0.3, 0.1, 0.8, ...]
查询：
输入："Python学习"
Embedding → [0.12, 0.48, -0.19, ...]
计算相似度：
"Python学习" vs "Python基础教程" = 0.95 （很相似）✓
"Python学习" vs "Java入门" = 0.75 （有点相关）
"Python学习" vs "数据结构" = 0.2 （不相关）
返回最相似的：Python基础教程
| 场景 | 传统数据库 | 向量数据库 |
|---|---|---|
| 查”Python” | ✅ 精确匹配 | ✅ 精确匹配 |
| 查意思相近的 | ❌ 做不到 | ✅ 语义搜索 |
| 推荐相关内容 | ❌ 做不到 | ✅ 相似度推荐 |
Prompt = 给AI的指令/问题
Prompt工程 = 写好指令的技巧
Prompt就像"提问的艺术"
不好的提问：
"写代码"
→ AI：写什么代码？什么语言？什么功能？
好的提问：
"请用Python写一个函数，输入是一个列表，输出是列表去重后的结果，要求保持原有顺序"
→ AI：明确要求，能给出准确答案
# 面试官Agent的Prompt
INTERVIEWER_SYSTEM_PROMPT = """
你是一位专业的技术面试官。
你的目标：通过专业的技术面试，全面评估候选人的技术能力
你的背景：你是一位拥有10年以上经验的技术面试官...
请始终以专业、友好的态度完成任务。
"""
# 评估Agent的Prompt
EVALUATOR_PROMPT = """
【面试场景】{scenario}
【问题】{question}
【回答】{answer}
请评估以上回答，按以下格式输出：
- 分数（0-5分）
- 优点
- 改进建议
"""
| 技巧 | 说明 | 示例 |
|---|---|---|
| 角色设定 | 告诉AI它是谁 | “你是一位资深面试官…” |
| 明确格式 | 指定输出格式 | “按JSON格式输出…” |
| 示例说明 | 给例子 | “例如：好的回答应该包含…” |
| 约束条件 | 限制范围 | “评分范围0-5分…” |
流程编排 = 定义任务执行的顺序和规则
传统程序：固定流程
1. 买菜 → 2. 洗菜 → 3. 切菜 → 4. 炒菜 → 5. 上桌
问题：如果菜已经洗好了？还是要重新洗
流程编排：灵活流程
@start
async def 买菜():
return "买到菜了"
@listen(买菜)
async def 洗菜(prev_result):
if 菜已经洗过了:
return "跳过洗菜"
return "洗好了"
@listen(洗菜)
async def 炒菜(prev_result):
return "炒好了"
特点：可以根据情况调整流程
class InterviewFlow(Flow):
@start()
async def 自我介绍(self, context):
return "请做个自我介绍"
@listen(自我介绍)
async def 技术问答(self, prev_result, context):
return "技术问题..."
@router(技术问答)
async def 自适应下一环节(self, prev_result, context):
# 根据候选人水平决定下一环节
if 水平 == "专家":
return "系统设计"
else:
return "基础编程"
@parallel([技术评估, 沟通评估])
async def 综合评分(self, results, context):
return 合并评分结果
| 术语 | 大白话解释 |
|---|---|
| LLM | 大语言模型，如ChatGPT、通义千问，能理解和生成文字 |
| Token | 文字的基本单位，一个汉字≈1-2个token |
| Temperature | 温度，控制AI回答的随机性，0=保守，1=随机 |
| Embedding | 把文字变成数字向量 |
| Vector | 向量，一串数字，代表文字的语义 |
| Cosine Similarity | 余弦相似度，计算两个向量的相似程度 |
| RAG | 先查资料再回答 |
| Multi-Agent | 多个AI协作完成任务 |
| Prompt | 给AI的指令 |
| Fine-tuning | 微调，用特定数据训练模型 |
| Inference | 推理，模型生成回答的过程 |
agents/base.py 开始，理解Agent基类agents/interviewer.py，理解具体实现recommenders/rag_recommender.py，理解RAG流程