生成AIパスポート · LESSON 3
第 3 章 AI 代理19%（当サイト設定） · 6 个主题
学习 AI 代理的定义、RAG、代理的机制、MCP 等外部连接、工具与应用案例，以及风险、安全性和评估。
3.1什么是 AI 代理
什么是 AI 代理（定义、工作流型与自主型、自主性级别）
概念
AI 代理在被赋予目标后，会自己思考步骤，使用工具推进工作。有在预先确定的步骤中使用大语言模型的工作流型，也有由大语言模型自己决定下一步行动的自主型。自主性级别从按人的每次指示行动的辅助，到中间夹有人工审批的阶段，再到完全自主执行的阶段。
原理、步骤
- 工作步骤固定时采用工作流型
- 步骤随情况变化时考虑自主型
- 影响大的工作采用夹有人工审批的级别
工作中的示例
把发票处理做成接收 → 提取项目 → 确认 → 登记的工作流型，只有对不明之处的询问由代理自主起草邮件。
易混淆点、考试注意事项
- 自主性越高越方便，但错误的影响和风险也越大
- 工作流型易于预测和管理
- 聊天机器人与代理的区别在于“是否使用工具采取行动”
小测验
Q1. 关于 AI 代理与传统对话式生成式 AI 的区别，最合适的是哪项？
- 代理朝着目标制定计划，使用工具采取行动，观察结果并决定下一步行动
- 代理完全不接受人的指示，总是自己决定目标
- 代理不使用大语言模型，只靠规则运行，因此无法执行工具或与外部连接
- 代理不能生成文本，只进行图像分类
查看答案和解析
正确答案：A 代理朝着目标制定计划，使用工具采取行动，观察结果并决定下一步行动
代理以 LLM 为核心，通过规划、执行工具、观察、重新规划的循环推进多个工序。目标由人给出。
Q2. AI 代理受到关注的背景，最合适的是哪项？
- 因为使用代理后不需要模型使用费，AI 的使用变得免费
- 因为法律限制了生成式 AI 的业务使用，转而要求使用代理
- 因为研究证明，代理即使没有人工确认也不会出错
- 因为 LLM 的推理能力和工具连接机制得到提升，已经可以委托多个工序的业务
查看答案和解析
正确答案：D 因为 LLM 的推理能力和工具连接机制得到提升，已经可以委托多个工序的业务
其背景是推理模型、长上下文窗口、Function Calling、MCP 等的发展。
参考链接
3.2RAG
RAG（机制、进阶形式、用例）
概念
RAG（检索增强生成）是从公司内部文档等中检索与问题相关的信息，并交给大语言模型作答的机制。它能基于未学过的最新信息或公司内部信息作答，减少幻觉，并能给出出处。进阶形式有改进检索（混合检索、重排序）、使用知识图谱的 GraphRAG，以及由代理反复检索的代理型 RAG。
原理、步骤
- 把公司内部文档拆分（分块），转为嵌入并保存到向量数据库
- 检索与问题相近的文档，加入提示中
- 在回答中给出出处，使用户能够确认
工作中的示例
公司内部规章问答机器人用 RAG 检索规章作答，并显示相关条文的链接。
易混淆点、考试注意事项
- RAG 不会重新训练模型（与微调的区别）
- 检索质量低，回答质量也会下降
- 若不考虑浏览权限，不应展示的文档会被用于回答
小测验
Q1. 回答内部规章的聊天机器人给出过时内容或不存在的条款。引入 RAG 的最佳理由是哪项？
- 检索最新内部文档作为依据，减少幻觉
- 加密输入以防内部文档泄露
- 用内部规章从预训练开始重做以更新知识
- 降低温度使回答措辞稳定
查看答案和解析
正确答案：A 检索最新内部文档作为依据，减少幻觉
RAG 检索外部知识并加入提示。无需重新训练，更新信息也只需替换文档。【其他选项】重做预训练成本高，且每次更新都要做。温度不提供依据。加密不是 RAG 的目的。
Q2. 关于 RAG 中分块的说明，最合适的是哪项？
- 把用户的问题按词拆开，让每个词依次作答；越细越准确
- 把回答文本按适合屏幕的长度分段显示；分得越短回答越准确
- 把文档拆分为适合检索的合适大小的单位；过大或过小都会降低检索准确度
- 把文档按部门拆开保存在不同服务器上；保存位置越多检索越准确
查看答案和解析
正确答案：C 把文档拆分为适合检索的合适大小的单位；过大或过小都会降低检索准确度
分块过大会混入无关内容，过小会丢失上下文。可以采用按标题拆分或设置重叠等方法。
参考链接
3.3AI 代理的机制
AI 代理的机制（任务分解与规划、工具执行、记忆、上下文工程、反馈循环）
概念
代理把目标分解为小任务并制定计划，执行工具（检索、计算、API），观察结果并决定下一步行动（反馈循环）。记忆包括对话中的短期记忆和跨对话的长期记忆。上下文工程是恰当选择并组织传给大语言模型的信息（指示、历史、检索结果、工具结果）的技术。
原理、步骤
- 把目标分解为任务
- 调用所需的工具并确认结果
- 根据结果修正计划，反复进行直到达成目标
工作中的示例
出差安排代理按确认日程 → 检索交通 → 确认规章 → 制作预订方案的顺序推进，违反规章时另找方案。
易混淆点、考试注意事项
- 上下文中放入过多信息，重要信息会被淹没，准确度下降
- 在记忆中保存个人信息时需要加以管理
- 为防循环停不下来，要设定次数上限
小测验
Q1. 关于 AI 代理的“短期记忆”和“长期记忆”的说明，最合适的是哪项？
- 短期记忆是当前对话或工作的上下文，长期记忆是保存过去的交互、用户信息等供以后使用
- 短期记忆只指 GPU 内存，长期记忆只指硬盘
- 按记忆的人区分：短期记忆是用户记住的内容，长期记忆是管理员记住的内容
- 规定短期记忆 1 天、长期记忆 1 年后自动删除
查看答案和解析
正确答案：A 短期记忆是当前对话或工作的上下文，长期记忆是保存过去的交互、用户信息等供以后使用
代理把需要的信息放入上下文中使用。保存什么、保存多少、何时使用的设计就是上下文管理。
Q2. 回答内部咨询的代理在对话变长后精度下降。从上下文工程角度，最合适的对策是哪项？
- 换用上下文窗口更大的模型，持续放入全部历史
- 改进提示措辞，用更礼貌的表达下达指示
- 用内部文档追加训练模型，把知识存入权重
- 挑选任务所需的指示、资料、历史和工具结果放入上下文
查看答案和解析
正确答案：D 挑选任务所需的指示、资料、历史和工具结果放入上下文
上下文窗口有上限，不必要的信息会降低准确度。放入什么的设计决定性能。【其他选项】放入全部历史会因无关信息降低精度。只改措辞解决不了放入什么信息的问题。追加训练是与上下文设计不同的手段。
参考链接
3.4MCP、Agent Skills 与外部连接
MCP、Agent Skills 与外部连接（MCP、A2A、多代理）
概念
MCP（Model Context Protocol）是连接 AI 应用与外部工具、数据的标准机制，只要做好一个 MCP 服务器，众多 AI 应用都能使用。A2A（Agent2Agent）是不同代理之间协作的机制。Agent Skills 是把特定工作的步骤和知识打包提供给代理的机制。多代理是角色不同的多个代理相互协作的结构。
原理、步骤
- 把公司内部系统作为 MCP 服务器公开，使 AI 应用能够使用
- 不同角色代理的协作使用 A2A 或多代理结构
- 把所连接工具的权限控制在最小
工作中的示例
销售支持代理通过 MCP 参考 CRM 数据，并通过 A2A 委托另一个专门代理制作报价。
易混淆点、考试注意事项
- MCP 用于与工具和数据的连接，A2A 用于代理之间的协作
- 连接不可信的 MCP 服务器有信息泄露和非法操作的风险
- 多代理会变得复杂，成本和延迟增加
小测验
Q1. 关于多代理的说明，最合适的是哪项？
- 把多个模型的权重相加合成一个模型以提高性能的方法
- 多个角色不同的代理分工协作推进任务的结构
- 多个用户同时使用一个代理
- 把代理的界面显示在多个显示器上
查看答案和解析
正确答案：B 多个角色不同的代理分工协作推进任务的结构
按调查、撰写、审核等角色分工。也有把工作交给子代理的结构。
Q2. 关于 MCP 的叙述，不合适的是哪项？
- 被定位为连接 AI 应用与外部工具和数据源的通用标准
- 只要连接到 MCP 服务器，即使不设置访问权限也能安全使用
- 对每个连接对象允许哪些操作的权限管理很重要
- 只要做好一个 MCP 服务器，多个兼容的 AI 应用都能使用
查看答案和解析
正确答案：B 只要连接到 MCP 服务器，即使不设置访问权限也能安全使用
MCP 使连接标准化，但安全性取决于权限管理和连接对象的可信度。
参考链接
3.5AI 代理的工具与应用案例
AI 代理的工具与应用案例（编程代理、浏览器操作、深度研究）
概念
代表性的应用有编写、修改代码并进行测试的编程代理，操作网页浏览器进行输入和信息收集的浏览器操作代理，以及调查大量信息源并整理成报告的深度研究。
原理、步骤
- 从常规的调查或开发工作开始尝试
- 代理的工作结果由人确认
- 限定操作范围（可访问的网站、代码仓库）
工作中的示例
在市场调查中，让深度研究汇总 5 家竞争对手的公开信息，由负责人确认出处后再用于报告。
易混淆点、考试注意事项
- 深度研究的结果中也可能包含错误或过时信息
- 浏览器操作代理可能受到网页中恶意指示的影响
- 编程代理的修改要经过审查和测试
小测验
Q1. 为提升编码代理质量，整备了自动测试运行、可用工具和权限范围。这项工作称为什么？
- 人在回路
- 提示工程
- Harness 工程
- 微调
查看答案和解析
正确答案：C Harness 工程
对于编程代理等，自动执行测试、权限控制等“让它运行的机制”的设计决定质量。【其他选项】提示工程是改进指示文字。微调是追加训练模型。人在回路是加入人工确认，不指整个执行环境的整备。
Q2. 关于深度研究（Deep Research）的说明，最合适的是哪项？
- 代理跨多个信息源检索、阅读，并整理成附有出处的调查报告的功能
- 追溯到公司内部数据库的深层，找出旧数据并删除的功能
- 估计图像的深度，从平面照片生成立体图像或 3D 模型的功能
- 花时间反复读取并总结指定的单个网页的功能
查看答案和解析
正确答案：A 代理跨多个信息源检索、阅读，并整理成附有出处的调查报告的功能
深度研究使调查自动化，但需要由人确认出处是否为一手信息、内容是否正确。
参考链接
3.6AI 代理的风险、安全性与评估
AI 代理的风险、安全性与评估（最小权限、提示注入、Human-in-the-Loop、Eval）
概念
代理的风险有错误操作、权限滥用、提示注入（被混在外部文档等中的指示劫持行为）和信息泄露。对策是最小权限（只允许必要的操作）、Human-in-the-Loop（重要操作前由人确认和审批）、操作记录以及评估（Eval：用测试场景衡量质量和安全性）。
原理、步骤
- 把赋予代理的权限控制在必要的最小范围
- 在转账、删除、向外部发送等之前加入人工审批
- 定期用测试场景评估，并监控操作日志
工作中的示例
财务代理可以登记发票，但没有负责人的审批就无法执行付款。
易混淆点、考试注意事项
- 提示注入不仅来自用户输入，也来自读取的网页和文件
- Human-in-the-Loop 不是一切都由人做，而是在关键处由人判断
- 评估不仅在发布前进行，每次变更时也要进行
小测验
Q1. 代理在文件转换出错后，换了一种方法完成了任务。支撑这一行为的机制是哪项？
- 根据用户评分当场重新训练模型
- 推理、行动、观察结果并重新规划的循环
- 出错时按固定次数重复同一步骤
- 事先固定全部步骤并按顺序执行的工作流
查看答案和解析
正确答案：B 推理、行动、观察结果并重新规划的循环
通过观察 → 重新规划的循环，即使中途失败也能尝试别的方法。【其他选项】重复同一步骤无法尝试别的方法。不会当场重新训练。固定工作流不会根据结果调整计划。
Q2. 在业务中引入代理的推进方式，最合适的是哪项？
- 在全公司所有业务中同时引入，从出问题的业务开始停用
- 无需重新审视负责人的角色，也不改变业务流程就引入，以减轻现场负担
- 在出现效果之前不进行评估和监控
- 从影响小的常规业务开始小规模试行，评估效果和风险后再扩大范围
查看答案和解析
正确答案：D 从影响小的常规业务开始小规模试行，评估效果和风险后再扩大范围
一般做法是从小处开始并评估，一边设计角色分工和审批流程一边扩大。
参考链接
课程由本站根据公开信息独立编写，不保证与考试内容一致。产品规格可能变化，请在参考链接中确认最新信息。
使用须知（非官方、原创题目、不保证合格）
- 本站题目是根据官方公开的技能大纲和考试指南独立编写的原创练习题，并非真实考试题目。
- 本站与 GUGA、JDLA 等考试主办机构无合作关系，也未获得其认可或推荐。考试名称和机构名称可能是各权利人的商标或注册商标。
- 本内容仅为学习辅助，不保证考试合格。考试内容、形式和前提条件可能随时变更，参加考试前请务必在官方页面确认最新信息。
- 模拟考试的正确率无法换算为官方（换算）分数，也不能预测是否合格。
- 进度仅保存在本浏览器（localStorage）中；使用 Google 登录后才会同步到账号。可在“Cookie 与存储设置”页面（日语）中删除。