Agent3 测试题答案

题目见 [[Agent3_学习笔记]]

基础概念

1. Agent3 使用哪个框架进行多智能体编排？它与普通 LangChain 链有什么区别？

使用 LangGraph 框架。

区别：

  • 普通 LangChain 链是线性的（A→B→C），数据只能单向流动，不支持循环和条件分支。
  • LangGraph 将流程建模为有向图，支持：
    • 条件边：根据状态决定走哪条路（如反思后决定是否重新规划）
    • 循环：支持迭代推理（Reflector 可以把流程送回 Planner）
    • 状态共享：所有节点共享同一个 AgentState，可以跨节点读写数据

2. ReAct 模式中的 “Re” 和 “Act” 分别代表什么？在 Agent3 中哪个节点体现了"Re"？

  • Re = Reasoning（推理）：分析当前情况，思考下一步该做什么
  • Act = Acting（行动）：实际执行操作（调用工具、查询数据库等）

在 Agent3 中，Reflector 节点体现了"Re"（推理/反思）。它负责检查 Executor 的结果质量，决定是否需要重新规划（循环）或直接输出答案。

3. Agent3 的五个 Agent 节点按顺序是什么？各自的职责是什么？

顺序节点职责
1Router（路由器）分析用户意图，分类为 data_query / analysis / research / general
2Planner（规划器）根据意图制定执行计划，选择需要调用的工具和步骤
3Executor（执行器）按计划调用工具（Text2SQL、Code Executor 等），收集结果
4Reflector（反思器）评估结果质量，决定是否需要更多分析（循环回 Planner）
5Critic（评审器）综合所有工具结果，生成最终的自然语言回答

4. AgentState 中的 iteration 字段有什么作用？默认最大值是多少？

iteration 字段记录当前已经完成的推理迭代次数，用于防止无限循环。

当 Reflector 判断需要重新规划时，iteration 加1。如果达到最大值，流程强制进入 Critic 生成最终答案，即使结果不够完美。

默认最大值：3 次（即最多经历3轮"规划→执行→反思"循环）

5. Text2SQL 工具的工作流程是什么？

1
2
3
4
5

1. 接收自然语言问题（如"市值最大的5只股票"）
2. 将数据库 schema 信息（表名、字段名）注入到提示词中
3. 调用 LLM（qwen-max）生成 SQL 语句
4. 在 SQLite 数据库上执行生成的 SQL
5. 将查询结果（list of dicts）返回给 Executor 节点

工具与代码

6. Code Executor 为什么需要"沙盒"机制？列举至少3个被禁止的模块。

原因： Code Executor 会执行 LLM 生成的 Python 代码。LLM 生成的代码可能包含恶意操作（误操作或被注入），如删除文件、访问网络、读取系统信息等。沙盒通过限制可用模块来防止这些风险。

被禁止的模块（至少3个）：

  • os —— 禁止文件系统操作和系统命令
  • subprocess —— 禁止创建子进程执行系统命令
  • socket —— 禁止网络连接
  • sys —— 禁止访问 Python 运行时环境
  • importlib —— 禁止动态导入模块绕过限制

7. RAG Search 的完整流程是什么？它与普通关键词搜索有什么本质区别？

RAG Search 流程：

1
2
3
4
5

离线阶段（建库）:
  PDF/文档 → 分块（Chunking）→ text-embedding-v4 编码 → 向量存储

在线阶段（查询）:
  用户问题 → text-embedding-v4 编码 → 余弦相似度计算 → 返回 Top-K 最相似段落

本质区别：

  • 关键词搜索：基于字符串匹配，必须包含相同词语才能命中。
    • 例：搜索"半导体"不会匹配"芯片"
  • 向量语义搜索：基于语义相似度，即使用词不同，只要含义相近就能命中。
    • 例：搜索"半导体"会匹配"集成电路"、“芯片”、“晶圆"等语义相关内容

8. 为什么 LLM 服务（services/llm.py）使用单例模式？

原因有两点：

  1. 避免重复初始化开销：每次创建 LLM 客户端需要读取配置、建立连接，使用单例确保全局只初始化一次。
  2. 资源复用：HTTP 连接池、API Key 验证等资源可以被所有节点共享，而不是每次调用都重新建立。

实现方式：通过 Python 模块级别的单例实例，所有需要使用 LLM 的地方都 import 同一个实例。

9. 数据链路：当用户问"帮我画茅台的净利润图"时，哪两个工具会被串联使用？数据是如何从第一个工具传递给第二个的？

两个工具：

  1. Text2SQL —— 查询茅台的净利润数据
  2. Code Executor —— 用数据绘制图表

数据传递方式：

  • Text2SQL 执行 SQL 后，将结果（list of dicts 格式，如 [{year: 2022, net_profit: 627亿}, ...]）存入 AgentState.tool_results
  • Code Executor 的执行计划中包含 use_previous_data: true 标志
  • Executor 节点检测到此标志后，自动将上一步的查询结果作为 data 变量注入到 Code Executor 的执行环境中
  • Python 代码中直接使用 pd.DataFrame(data) 访问该数据

10. use_previous_data 标志位在哪个工具中使用，它的作用是什么？

在 Code Executor（代码执行器） 工具中使用。

作用： 当执行计划中某个 Code Executor 步骤设置了 use_previous_data: true 时，Executor 节点会自动将上一步工具的输出结果（通常是 Text2SQL 的查询结果）注入到代码执行环境中，作为名为 data 的变量。这样 Python 代码无需重新查询数据库，直接对 data 进行分析即可，实现了工具间的数据链路。

架构设计

11. LangGraph 中的"条件边”（conditional edge）有什么作用？在 Agent3 中哪里用到了条件边？

作用： 条件边根据当前 AgentState 的内容动态决定下一个要执行的节点，实现流程分叉和循环。

在 Agent3 中的应用位置（agents/graph.py）：

  • Reflector 节点之后有条件边：
    • 如果反思结果是"需要更多分析" 且 iteration < 3 → 跳回 Planner 重新规划
    • 如果反思结果是"质量足够" 或 iteration >= 3 → 进入 Critic 生成最终答案

12. Agent3 的 API 层使用的是什么框架？/api/chat/stream 端点实现了什么功能？

框架： FastAPI

/api/chat/stream 功能： 实现流式响应（Streaming Response）。与普通的 /api/chat 不同，流式接口不会等到完整答案生成后才返回，而是通过 Server-Sent Events（SSE）或 chunked transfer encoding，将 LLM 生成的文本逐字/逐块实时推送给客户端，用户可以看到答案逐渐出现，提升交互体验。

13. 数据库中有哪5张表？各自存储什么数据？

表名数据内容
stocks股票基本信息（代码、名称、行业、市值、PE、PB 等），共15条
financials财务数据（营收、净利润、ROE、ROA、资产负债率等），共75条
market_data行情数据（开高低收、成交量、涨跌幅），共300条
research_reports研究报告（标题、分析师、评级、目标价、摘要等），共51条
analysis_history分析历史记录（会话ID、查询内容、使用的工具等）

14. 如果你要给 Agent3 新增一个"情感分析工具"，需要修改哪些文件？

最少需要修改/新增以下文件：

  1. 新建 tools/sentiment_analyzer.py —— 实现情感分析工具类，包含 run() 方法和工具描述
  2. 修改 tools/__init__.py —— 导出新工具类
  3. 修改 agents/nodes.py —— 在 ExecutorNode.__init__ 中注册新工具：
    1

    self.tools["sentiment_analyzer"] = SentimentAnalyzerTool()
  4. 修改 api/routes.py（可选）—— 如果需要单独的 API 端点暴露该工具
  5. 修改 agents/nodes.py 中的 Planner 提示词 —— 让 Planner 知道有情感分析工具可用，以及何时应该选择它

15. Agent3 的架构分为几层？从用户请求到数据库查询，请描述完整的调用链。

共5层架构：

1

API 层 → Agents 层 → Tools 层 → Services 层 → Database 层

完整调用链（以"查询茅台市值"为例）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

1. [API 层] 用户 POST /api/chat {"message": "茅台市值多少？"}
   ↓ api/routes.py 接收请求

2. [Agents 层 - Router] 分析意图 → "data_query"
   ↓ 更新 AgentState.intent

3. [Agents 层 - Planner] 制定计划 → 使用 text2sql 工具
   ↓ 更新 AgentState.plan

4. [Agents 层 - Executor] 读取计划，调用 Text2SQL 工具
   ↓ 调用 tools/text2sql.py

5. [Tools 层 - Text2SQL] 调用 LLM 生成 SQL
   ↓ 调用 services/llm.py

6. [Services 层 - LLM] 调用 DashScope qwen-max API
   ↓ 返回 SQL: "SELECT market_cap FROM stocks WHERE stock_name='茅台'"

7. [Tools 层 - Text2SQL] 执行 SQL
   ↓ 通过 SQLAlchemy 访问 database/

8. [Database 层] SQLite 查询 stocks 表
   ↓ 返回结果 {market_cap: 2100000000000}

9. [工具→Executor→Reflector→Critic] 逐层处理并生成最终答案

10. [API 层] 返回 JSON 响应给用户
Aries's Blog