规划能力是把 LLM 隐式的推理过程显式化；为什么需要规划（普通问答一口气生成答案、next-token 机制在多步任务上误差累积）；CoT 思维链（最简单、Zero-shot/Few-shot 两种触发、写下的推理会成为后续依据、单条路径走错无法纠偏）；ToT 思维树（生成→评估→剪枝循环、选优继续深入、成本是 CoT 的 3-5 倍甚至更高）；GoT 思维图（树→图、中间结论可合并复用、适合多

反思机制的本质是「生成 → 评估 → 改进」的有结构闭环，而非随机重试；为什么需要反思（LLM 一次性生成带来的四类毛病）；评估 prompt 两个关键设计（明确检查维度、PASS 出口）；改进 prompt 三要素输入；步骤级 vs 任务级两个粒度；多 Agent 互评比自我检查更好（自洽偏见）；进阶方案 Reflexion（经验记忆）与 LATS（MCTS+反思）；工程权衡与防死循环（2-3

记忆压缩要解决「空间有限、成本有压力」两件事；四种方法——滑动窗口（硬截断、金鱼记忆）、摘要压缩（丢前先提炼、层级式摘要）、重要性过滤（按价值打分、观察遮蔽）、结构化抽取（换载体、信息密度最高）；三种维度（截 / 挑 / 换载体）可组合使用；Prompt Caching 是「计算层」优化，与「信息层」压缩互补而非替代；工程决策参考；Claude Code Auto-Compact 与 Cursor

选型的判断标准——任务清晰/不长/无需分工就用 Single-Agent，context 撑爆、需要专业分工、有可并行子任务才上 Multi-Agent；Single-Agent 的本质与「链路可控」优势；中心化 Orchestrator 的职责与三种变体（静态路由 / 动态规划 / 自适应编排）；去中心化在工程上不可用的四大问题；「两个问题」做选型决策 + 渐进式演进策略；A2A 跨框架协议趋势

Multi-Agent 的两大驱动因素（context window 硬上限、单点专业度不足）；三种协作模式（顺序流水线 / 并行扇出 / 辩论评审）；「工作台干净」的案例对比（需求分析师 → 程序员 → 测试工程师）；并行执行的双重收益（速度提升 + context 隔离）；生产级框架选型（CrewAI / LangGraph / 微软 MAF）；组织方式中心化 vs 去中心化。

Agent 记忆的四种类型（感知/短期/长期/实体）与长期记忆的三种子类型（情节/语义/程序）；设计记忆模块的三个核心问题：存什么、怎么存（向量库 + 关系库混合存储）、什么时候取（主动检索 + 按需检索）；Context Window 管理的三种策略；知识图谱与记忆整合（去重/冲突消解/抽象提炼）；「读-用-写」三阶段闭环。

为什么任务要拆分（context window 有限、「桌面太乱」）；静态拆分与动态拆分的适用场景；依赖分析与 DAG 并行执行（端到端延迟可降 40%-60%）；拆分粒度与「原子操作」标准；自适应拆分与 Replan 机制；拆分结果完备性/独立性/可验证性三大验证标准。

Agent 的三种主流设计范式：ReAct「边想边干」、Plan-and-Execute「先规划再执行」、Reflection「质量增强 buff」；设计范式与推理模式的区别；动态 Replan 与 Reflexion 进阶机制；三种范式的 token 消耗对比与选型指南。

Agent 的四大核心组件（LLM、工具系统、记忆系统、规划模块）；System Prompt 与模型选型；工具调用「决策与执行分离」；MCP 协议；短期/长期记忆与记忆衰减；CoT/ToT 与 Plan-and-Execute/ReAct；Agent 运行主循环。

Agent 的本质是「自主闭环」；与普通 LLM 的三大区别（自主性、能行动、有闭环）；普通大模型的三大局限；Agent 的三项核心支撑能力；MCP 与 A2A 两大生态标准协议。