Agentic AI Professional

Agentic AI Professional 非官方中文学习教材

参考 NVIDIA 官网公开认证简介与公开学习指南，并结合通用工程实践原创扩展整理

适用对象：AI/ML 工程师、软件开发者、解决方案架构师、数据科学家、技术负责人

内容包括：考试地图、详细讲义、课堂练习、代码模板、课后测试题与答案解析

引用说明：本教材参考 NVIDIA 官网公开认证简介、公开学习指南和相关公开技术文档，并结合通用 Agentic AI 工程实践原创扩展整理；不是 NVIDIA 出品或授权的教材、课程或题库。

非官方使用说明

本教材为非官方学习资料，基于公开认证简介、公开学习指南、公开技术文档、通用工程实践和原创教学扩展整理；不是 参考 NVIDIA 公开课程/认证简介的学习资料、出品或授权教材、出品或授权题库或公开考试材料，也未获得 NVIDIA 授权、认证、合作或背书；不包含 NVIDIA DLI 等受限课程的内部课件、视频、实验环境、测验题、公开考试真题或受限资料。NVIDIA、NVIDIA NIM、NeMo、Triton、TensorRT-LLM、DLI 等名称可能是 NVIDIA Corporation 的商标或注册商标；本资料仅为学习、教学和技术说明中的合理引用。请以 NVIDIA 官网、官方文档、考试服务商说明和相关许可条款为准。

前言：如何使用本教材

本教材面向学习 Agentic AI Professional 方向知识、准备相关认证/考试或进行企业内训的学习者。教材参考公开考试主题说明组织，并进行原创教学扩展；每章包含学习目标、考点拆解、核心讲义、课堂练习、代码模板、课后测试题和答案解析。

复习时建议采用“先理解架构，再掌握开发，再做评估和部署，最后补齐安全与人机监督”的路径。考试更偏场景判断而不是单纯名词记忆，因此每章的课堂练习和测试题应结合真实系统问题反复演练。

目录

前言：如何使用本教材

考试总体知识地图

第1章 智能体架构和设计

第2章 智能体开发

第3章 评估和调优

第4章 部署和扩展

第5章 认知、规划和记忆

第6章 知识整合和数据处理

第7章 NVIDIA 相关平台工具概览

第8章 运行、监控和维护

第9章 安全、道德与合规

第10章 人类-AI 交互和监督

附录 A：核心术语速查表

附录 B：综合模拟考试与答案解析

参考资料

考试总体知识地图

NVIDIA 官网公开认证简介说明，该方向关注设计、开发、部署和管理先进代理式 AI 解决方案的能力，主题涉及多智能体交互、分布式推理、可扩展性和安全/道德保障等。学习时应把智能体看作一个生产系统，而不是单一模型调用。学习时应把智能体看作一个生产系统，而不是单一模型调用。

推荐学习路径

第一轮：快速通读十章，建立“智能体=模型+工具+记忆+编排+安全+监控”的整体框架。

第二轮：逐章完成课堂练习，尝试把每个概念映射到一个真实业务系统。

第三轮：完成每章课后测试题，重点复盘错题的场景判断逻辑。

第四轮：完成附录综合模拟考试，并根据错题回到对应章节复习。

第1章 智能体架构和设计

学习目标

区分反应式、推理式与混合式智能体架构，并判断适用场景。

解释 ReAct、工具调用、观察反馈和状态更新之间的关系。

设计多智能体系统中的角色、通信协议、终止条件和冲突处理机制。

说明短期记忆、长期记忆和知识图谱在智能体系统中的作用。

考试考点拆解

核心讲义

1.1 Agentic AI 系统的组成

代理式 AI 系统的目标不是简单回答一句话，而是在给定目标、约束和环境的情况下持续感知、计划、行动并调整。一个可生产运行的智能体通常由用户界面、推理核心、工具层、记忆层、规划器、执行器、外部环境、监控系统和安全护栏组成。考试题经常通过一个故障场景考查你是否能判断缺失的是记忆、编排、工具 schema、错误恢复还是安全控制。

从工程角度看，智能体架构应把“模型推理”和“系统执行”分开。LLM 可以负责意图理解、任务分解和候选行动选择；系统层负责权限、状态、工具调用、幂等性、审计和回滚。这种分层能减少幻觉导致的真实世界副作用。

1.2 反应式、推理式与混合式智能体

反应式智能体适合短路径、低风险、低不确定性的任务，例如根据用户问题选择一个固定工具并返回结果。推理式智能体适合信息不完整、需要多步计划和环境反馈的任务，例如“检索文档、比较方案、生成报告并请求审批”。混合式智能体会先判断任务复杂度，简单任务直接执行，复杂任务进入计划-执行-检查循环。

考试中如果场景强调“实时响应、低延迟、固定动作”，通常不需要复杂规划；如果场景强调“多步骤、工具失败、上下文保持、人工审批”，则应选择有状态编排和规划机制。

1.3 ReAct 与智能体循环

ReAct 是将推理和行动交替进行的典型范式。智能体先分析当前目标和信息缺口，再选择工具或下一步动作，观察工具返回结果，然后更新内部状态并继续。它的价值在于让模型不只生成文本，而能利用外部环境反馈修正方向。

生产系统中不应暴露完整内部推理链，但可以暴露可审计的操作轨迹，例如“已检索哪些数据源、调用过哪些工具、当前完成到哪一步”。这既能提升用户信任，也能支持故障定位。

1.4 多智能体架构设计

多智能体系统的核心不是数量，而是分工。Supervisor-worker 适合流程分派；planner-executor 适合复杂任务；researcher-writer-reviewer 适合报告生成；critic 或 reviewer 智能体适合质量控制。多智能体系统需要明确输入输出协议、状态共享方式、冲突解决机制、最大轮数和终止标准。

常见失败模式包括：多个智能体重复执行相同工具、缺少最终决策者、所有智能体都能写入同一资源、没有任务锁和幂等检查、没有错误升级路径。

1.5 记忆、状态与知识图谱

短期记忆用于当前任务上下文和中间状态；长期记忆用于用户偏好、历史任务和组织知识。语义记忆通常由向量数据库实现，结构化记忆可由关系数据库或键值存储实现，关系推理则可通过知识图谱表达实体和边。

知识图谱适合处理“谁和谁相关”“某团队做过哪些方向”“某流程依赖哪些系统”这类关系型问题。它经常与 RAG 搭配：向量检索提供语义片段，知识图谱提供实体关系和约束，LLM 负责综合解释。

课堂练习

代码模板

模板 1：最小智能体循环

from typing import Any, Dict, List class Tool: name: str description: str def run(self, **kwargs) -> Dict[str, Any]: raise NotImplementedError class AgentState(dict): # 保存目标、历史观察、工具结果和终止标记。 class Agent: def __init__(self, model, tools: List[Tool], max_steps: int = 8): self.model = model self.tools = {t.name: t for t in tools} self.max_steps = max_steps def decide(self, state: AgentState) -> Dict[str, Any]: # 返回格式示例：{"action": "search", "args": {"query": "..."}} return self.model.plan(state, available_tools=list(self.tools)) def run(self, user_goal: str) -> Dict[str, Any]: state = AgentState(goal=user_goal, observations=[], done=False) for step in range(self.max_steps): decision = self.decide(state) if decision.get("action") == "final": state["done"] = True state["answer"] = decision.get("answer") break tool = self.tools[decision["action"]] result = tool.run(**decision.get("args", {})) state["observations"].append({"step": step, "decision": decision, "result": result}) return state

模板 2：多智能体角色定义

AGENTS = { "supervisor": { "goal": "拆分任务、分派子任务、检查终止条件", "can_write": False, "handoff_to": ["researcher", "executor", "reviewer"] }, "researcher": { "goal": "检索证据并返回来源", "can_write": False, "handoff_to": ["supervisor"] }, "executor": { "goal": "调用经过授权的工具执行动作", "can_write": True, "requires_approval": ["send_email", "delete_file", "update_database"] }, "reviewer": { "goal": "检查事实、合规性和输出格式", "can_write": False, "handoff_to": ["supervisor"] } }

课后测试题

1.1 单选：某客服助手能回答 FAQ，但在需要查询订单、修改地址、通知仓库时经常失败。最可能缺失的架构能力是什么？

A. 更大的上下文窗口

B. 工具调用、权限和状态编排

C. 更漂亮的 UI

D. 更高温度参数

1.2 多选：多智能体系统上线前应重点定义哪些内容？

A. 每个智能体的角色边界

B. 共享状态和通信协议

C. 最大轮数和终止条件

D. 让所有智能体都可以无审批写入数据库

1.3 单选：短期记忆最适合保存什么？

A. 当前会话的任务状态和中间工具结果

B. 所有用户多年的历史偏好

C. 公开互联网知识全集

D. 模型参数

1.4 单选：知识图谱相比纯向量检索最明显的优势是什么？

A. 一定能降低 GPU 成本

B. 更适合表达实体关系与关系推理

C. 不需要数据清洗

D. 可以完全替代 LLM

1.5 多选：ReAct 循环中通常包含哪些环节？

A. 推理或决策

B. 行动或工具调用

C. 观察工具返回

D. 忽略环境反馈直接输出

答案与解析

1.1 答案：B

解析：该场景需要和外部系统交互并保持状态，核心是工具层、权限、编排和审计，而不是单纯扩大上下文。

1.2 答案：A/B/C

解析：多智能体最容易出问题的是边界、通信、状态和终止条件。无审批写入数据库会放大风险。

1.3 答案：A

解析：短期记忆关注当前会话或当前任务上下文；长期偏好应进入长期记忆并受权限和过期策略控制。

1.4 答案：B

解析：知识图谱擅长结构化实体和关系，常与 RAG 互补。

1.5 答案：A/B/C

解析：ReAct 的核心是推理、行动、观察和继续更新状态。

第2章 智能体开发

学习目标

设计包含角色、任务、工具、约束和输出 schema 的生产级提示词。

为工具和 API 定义清晰参数、返回格式、错误处理和权限边界。

解释 retry、timeout、fallback、circuit breaker 与 graceful degradation 的区别。

构建支持流式输出和用户反馈的多轮对话流程。

考试考点拆解

核心讲义

2.1 生产级 Prompt 的结构

生产级 Prompt 不是“请你认真回答”这样一句话，而是一个可维护的接口说明。它应描述智能体角色、业务目标、可用工具、工具选择规则、输入输出格式、边界条件、引用要求、安全限制和错误处理策略。对于下游系统需要解析的输出，应使用 JSON schema 或严格字段规范。

动态提示链会根据任务状态选择不同路径。例如简单事实问答可以直接回答；企业文档问题先检索再生成；高风险写操作先检查权限和请求确认；工具失败时进入重试、降级或人工升级。

2.2 工具调用设计

工具调用的工程质量决定智能体是否能稳定落地。每个工具都应有明确名称、描述、输入 schema、返回 schema、错误码、超时策略和权限要求。写操作工具还应具备幂等键，避免由于重试导致重复发送邮件、重复扣款或重复写入。

工具调用题常考“为什么智能体重复提交”“为什么删除了错误文件”“为什么调用了未授权 API”。正确思路通常是：最小权限、参数校验、人工确认、审计日志、幂等性和事务边界。

2.3 错误处理和故障恢复

临时网络错误可以通过指数退避重试；持续失败应触发熔断；权限错误不应重试，而应返回授权提示或升级；检索为空可以改写 query 或请求补充信息；输出格式错误可用 schema 校验后重生成。

优雅降级意味着在主要能力不可用时提供次优但安全的服务。例如向量库不可用时返回“当前无法访问知识库”，而不是编造答案；邮件系统不可用时保存草稿而不是假称已发送。

2.4 多模态与流式交互

多模态智能体可能处理截图、PDF、音频、视频和传感器数据。开发时要考虑预处理、隐私检测、模型选择、模态对齐、置信度和延迟。多模态输入可能包含隐私信息或识别错误，因此应在进入 LLM 前进行必要的清洗和标注。

流式输出能改善用户体验，但不能牺牲安全。高风险场景中，应先完成工具权限检查和输出安全检查，再向用户展示最终结论或执行动作。

课堂练习

代码模板

模板 1：工具 schema 与参数校验

from pydantic import BaseModel, Field, ValidationError from typing import Literal class OrderStatusArgs(BaseModel): order_id: str = Field(min_length=6, description="订单号") user_id: str = Field(description="当前登录用户 ID") class ToolResult(BaseModel): ok: bool code: Literal["OK", "NOT_FOUND", "FORBIDDEN", "TIMEOUT", "BAD_ARGS"] data: dict | None = None message: str = "" def query_order_status(raw_args: dict, requester_roles: list[str]) -> ToolResult: try: args = OrderStatusArgs(**raw_args) except ValidationError as e: return ToolResult(ok=False, code="BAD_ARGS", message=str(e)) if "order_reader" not in requester_roles: return ToolResult(ok=False, code="FORBIDDEN", message="无权查询订单") # 调用真实系统前应设置 timeout，并记录审计日志。 return ToolResult(ok=True, code="OK", data={"status": "shipped"})

模板 2：重试与熔断伪代码

import time class CircuitBreaker: def __init__(self, failure_threshold=3, cooldown_seconds=30): self.failures = 0 self.open_until = 0 self.threshold = failure_threshold self.cooldown = cooldown_seconds def allow(self): return time.time() >= self.open_until def record(self, ok: bool): if ok: self.failures = 0 else: self.failures += 1 if self.failures >= self.threshold: self.open_until = time.time() + self.cooldown def call_with_retry(fn, retries=3): for i in range(retries): try: return fn(timeout=10) except TimeoutError: time.sleep(2 ** i) raise RuntimeError("工具持续超时，进入降级或人工升级")

课后测试题

2.1 单选：哪个元素最能提高 LLM 输出被下游系统可靠解析的能力？

A. 更长的寒暄语

B. 结构化输出 schema 和校验

C. 更高 temperature

D. 更少上下文

2.2 多选：写操作工具应具备哪些保护？

A. 权限检查

B. 幂等键

C. 审计日志

D. 绕过确认以提高速度

2.3 单选：遇到权限错误时最合适的策略是？

A. 无限重试

B. 提高模型温度

C. 停止执行并提示授权或升级

D. 让另一个智能体绕过权限

2.4 多选：多模态输入进入模型前常见预处理包括？

A. OCR 或转写质量检查

B. 隐私信息识别

C. 模态结果对齐

D. 删除所有元数据后不做记录

2.5 单选：circuit breaker 主要解决什么问题？

A. 让系统在下游持续失败时停止继续冲击故障服务

B. 提高回答创造性

C. 替代用户认证

D. 自动生成向量索引

答案与解析

2.1 答案：B

解析：机器可解析流程依赖稳定字段、类型和校验机制。

2.2 答案：A/B/C

解析：写操作会产生真实副作用，应有权限、幂等、审计和必要的人工确认。

2.3 答案：C

解析：权限错误不是临时故障，重试不能解决，应按合规流程处理。

2.4 答案：A/B/C

解析：多模态系统需控制识别质量和隐私风险，同时保留必要审计信息。

2.5 答案：A

解析：熔断用于保护故障服务和调用方，避免级联失败。

第3章 评估和调优

学习目标

建立覆盖多轮、工具调用、RAG、安全和故障场景的评估集。

区分任务成功率、检索指标、工具调用指标、安全指标、成本与延迟指标。

使用离线回放、A/B 测试和回归测试比较智能体版本。

根据评估结果定位改进对象，而不是盲目换模型。

考试考点拆解

核心讲义

3.1 评价智能体不能只看回答流畅度

智能体评价应关注“任务是否完成”和“过程是否可信”。一个答案写得很流畅但调用了错误工具、引用了错误文档或越权访问数据，仍然是失败。常见指标包括任务成功率、工具调用正确率、检索召回与精确度、事实准确性、幻觉率、安全拦截率、延迟、成本和用户满意度。

考试中若问如何比较两个系统版本，应使用相同测试集、相同指标和可复现执行环境。对于生产流量，可使用 A/B 测试或影子流量；对于历史任务，可使用离线回放和回归测试。

3.2 Benchmark 的设计

一个合格的 Agent benchmark 应覆盖简单问答、多轮上下文、工具调用、RAG、模糊输入、工具失败、安全边界、长上下文和多智能体协作等场景。每个样例应包含输入、预期行为、允许工具、禁止行为、评分标准和必要证据。

基准测试不仅用于上线前验收，也用于每次 Prompt、模型、工具 schema、向量库和 guardrail 更新之后的回归测试。

3.3 调优对象

调优对象包括 Prompt、模型、检索参数、chunk size、embedding 模型、reranker、工具 schema、记忆写入策略、编排图、重试规则和安全阈值。系统性调优应从错误分析开始：错误发生在理解、检索、工具、推理、输出格式还是安全拦截？

模型参数也需要权衡。较低 temperature 通常更稳定，适合事实和工具调用；较高 temperature 可用于创意任务但可能增加不确定性。模型精度、延迟和成本之间也常有 trade-off。

3.4 用户反馈与持续改进

结构化反馈比单纯满意度更有价值。反馈标签可以包括：事实错误、引用错误、没按格式、工具调用错误、遗漏约束、语气不合适、安全误拦截、需要人工接管等。反馈应回流到测试集和调优计划中，形成数据飞轮。

生产系统中还应保留评估版本、Prompt 版本、模型版本、检索索引版本和工具版本，确保问题可复现。

课堂练习

代码模板

模板 1：离线评估框架

from dataclasses import dataclass from typing import Callable @dataclass class TestCase: id: str user_input: str expected_behavior: str forbidden_behavior: str required_tools: list[str] @dataclass class EvalResult: id: str success: bool score: float reason: str latency_ms: int tool_trace: list[dict] def evaluate_case(agent_run: Callable[[str], dict], case: TestCase) -> EvalResult: output = agent_run(case.user_input) used_tools = [t["name"] for t in output.get("tool_trace", [])] has_required = all(t in used_tools for t in case.required_tools) violates = case.forbidden_behavior.lower() in output.get("answer", "").lower() success = has_required and not violates and output.get("final_ok", False) return EvalResult(case.id, success, 1.0 if success else 0.0, output.get("failure_reason", ""), output.get("latency_ms", 0), output.get("tool_trace", []))

模板 2：结构化反馈记录

FEEDBACK_SCHEMA = { "task_id": "string", "rating": "integer:1-5", "failure_tags": [ "fact_error", "citation_error", "wrong_tool", "bad_format", "missed_constraint", "unsafe", "too_slow", "needs_human" ], "user_comment": "string", "prompt_version": "string", "model_version": "string", "retrieval_index_version": "string" }

课后测试题

3.1 单选：评价智能体最核心的指标之一是？

A. 回答字数

B. 任务成功率

C. 模型名称是否最新

D. 界面颜色

3.2 多选：一个好的 benchmark 应覆盖哪些类型？

A. 多轮任务

B. 工具失败场景

C. 安全边界场景

D. 只有最简单的正例

3.3 单选：比较两个 Prompt 版本时，最合理的方法是？

A. 换不同测试集看哪个更顺眼

B. 相同测试集、相同指标、离线回放或 A/B 测试

C. 只看一次演示

D. 只问模型自评

3.4 多选：RAG 系统调优可能涉及哪些参数？

A. chunk size

B. embedding 模型

C. top-k 和 reranker

D. 显示器分辨率

3.5 单选：用户反馈中最有助于改进系统的是？

A. 只有点赞或点踩

B. 结构化失败原因标签和任务上下文

C. 匿名一句“很好”

D. 删除所有日志

答案与解析

3.1 答案：B

解析：智能体系统的目标是完成任务，任务成功率是核心指标之一。

3.2 答案：A/B/C

解析：真实系统需覆盖正常、边界、失败和安全场景。

3.3 答案：B

解析：可重复、可对比的实验条件是版本评估的前提。

3.4 答案：A/B/C

解析：RAG 质量与切分、嵌入、召回和重排密切相关。

3.5 答案：B

解析：结构化反馈能定位问题来源，并转化为评估集和改进项。

第4章 部署和扩展

学习目标

说明从原型到生产部署需要补齐哪些工程能力。

理解 Docker、Kubernetes、负载均衡和自动扩缩容在智能体系统中的作用。

设计 CI/CD 与 MLOps/AgentOps 流程。

识别高可用、可靠性和成本优化的关键策略。

考试考点拆解

核心讲义

4.1 从原型到生产

原型智能体通常只需要一个脚本或 Notebook；生产系统需要支持多用户并发、身份认证、权限隔离、可观测性、错误恢复、灰度发布、回滚和合规审计。部署题经常考“为什么 demo 能跑但上线不稳定”，答案通常不是再写一个 Prompt，而是工程化能力不足。

生产系统应把前端、API 网关、智能体编排服务、推理服务、向量数据库、任务队列、工具服务、监控和日志系统分层部署。这样能独立扩展、隔离故障并支持安全边界。

4.2 Docker 与 Kubernetes

Docker 用于封装应用依赖，确保开发、测试和生产环境一致。Kubernetes 用于容器编排，支持 Deployment、副本管理、Service、Ingress、ConfigMap、Secret、滚动更新、健康检查和水平自动扩缩容。

智能体系统中的推理服务、检索服务和工具服务负载模式不同。推理服务可能受 GPU 和显存限制；检索服务可能受 I/O 和索引性能限制；工具服务可能受外部 API 限流影响。因此扩展策略应针对瓶颈而定。

4.3 MLOps 与 AgentOps

MLOps 关注模型训练、部署和监控；AgentOps 还需要管理 Prompt、工具调用轨迹、检索上下文、记忆写入、编排状态和 guardrail 结果。一次智能体回答可能跨越多个组件，只有完整 trace 才能支持排错。

CI/CD 中应包含单元测试、Prompt 回归测试、工具 schema 校验、索引版本检查、安全测试、性能测试和灰度发布。对于高风险业务，应设置人工审批和变更审计。

4.4 可靠性与成本优化

可靠性设计包括健康检查、超时、重试、熔断、降级、负载均衡、限流和多副本部署。成本优化包括选择合适模型、缓存重复请求、批处理推理、模型路由、减少无效工具调用和优化检索参数。

高可用不是简单增加机器数量。若共享向量数据库、认证服务或队列成为单点故障，系统仍可能不可用。考试中看到“单点故障”“流量峰值”“延迟上升”，应考虑水平扩展、队列、缓存、限流和故障隔离。

课堂练习

代码模板

模板 1：Dockerfile

FROM python:3.11-slim WORKDIR /app COPY requirements.txt ./ RUN pip install --no-cache-dir -r requirements.txt COPY . . ENV PYTHONUNBUFFERED=1 EXPOSE 8000 CMD ["uvicorn", "app.main:api", "--host", "0.0.0.0", "--port", "8000"]

模板 2：Kubernetes Deployment 片段

apiVersion: apps/v1 kind: Deployment metadata: name: agent-orchestrator spec: replicas: 3 selector: matchLabels: app: agent-orchestrator template: metadata: labels: app: agent-orchestrator spec: containers: - name: api image: registry.example.com/agent-orchestrator:1.0.0 ports: - containerPort: 8000 envFrom: - secretRef: name: agent-secrets readinessProbe: httpGet: path: /healthz port: 8000 initialDelaySeconds: 10 periodSeconds: 15

课后测试题

4.1 单选：从原型到生产最需要补齐的是？

A. 更多形容词

B. 认证、权限、日志、监控、回滚和审计

C. 只换更大模型

D. 删除测试集

4.2 多选：Kubernetes 可帮助实现哪些能力？

A. 副本管理

B. 滚动更新

C. 服务发现

D. 自动保证答案正确

4.3 单选：AgentOps 相比传统 MLOps 额外关注什么？

A. 工具调用轨迹、Prompt、记忆和编排状态

B. 只关注模型训练损失

C. 只关注硬盘容量

D. 只关注 UI 颜色

4.4 多选：降低推理成本的策略可能包括？

A. 缓存

B. 模型路由

C. 批处理

D. 无限增加 top-k

4.5 单选：灰度发布的主要价值是？

A. 让所有用户同时承担新版本风险

B. 小流量验证新版本并可回滚

C. 取消监控

D. 隐藏日志

答案与解析

4.1 答案：B

解析：生产系统必须具备可用性、安全性和可追踪性。

4.2 答案：A/B/C

解析：Kubernetes 管理容器化应用，但不直接保证模型质量。

4.3 答案：A

解析：智能体系统的行为来自模型、工具、检索、记忆和编排的组合。

4.4 答案：A/B/C

解析：无限增加 top-k 会增加上下文和重排成本，不一定提升效果。

4.5 答案：B

解析：灰度发布能降低变更风险。

第5章 认知、规划和记忆

学习目标

将复杂目标拆解为可执行、可检查、可恢复的子任务。

区分计划、执行、反思、重规划和终止条件。

设计短期、长期、语义、情节和程序性记忆。

说明如何避免记忆污染、过期记忆和权限越界。

考试考点拆解

核心讲义

5.1 任务分解与计划

复杂任务需要拆解。一个好的计划应包含子任务、顺序、依赖、需要的工具、预期输出、失败处理和终止条件。例如“准备一份市场分析报告”可拆为需求确认、资料检索、数据清洗、分析、撰写、引用检查和人工审核。

任务分解降低了模型一次性推理负担，也让系统更容易监控和恢复。若第 4 步失败，不必重做所有步骤，可以从最近的状态恢复。

5.2 规划策略和重规划

顺序规划适合 SOP 明确的任务；条件分支适合根据中间结果选择路径；层级规划适合长任务；反思式规划会在执行后自检并修正；约束规划会考虑预算、时间、权限和风险；重规划则在工具失败或环境变化后更新计划。

考试中若出现“智能体陷入循环”“不断重复检索”“永远不输出最终答案”，应想到最大步数、终止条件、状态判断和人工升级。

5.3 记忆分类

会话记忆保存当前对话；语义记忆保存知识性内容；情节记忆保存过去任务和事件；程序性记忆保存工作流、SOP 和工具使用策略；结构化记忆保存在数据库或知识图谱中。不同记忆应有不同写入、检索、过期和权限策略。

长期记忆不是“多存一点”。错误、过时或未经确认的信息会造成记忆污染，影响后续任务。敏感信息还会带来隐私风险。

5.4 根据反馈调整推理策略

智能体可以根据历史失败调整策略，例如当某类检索经常召回错误文档时增加关键词过滤或 reranker；当工具参数经常缺失时先提问澄清；当某类任务经常需要人工确认时把审批节点前置。

反馈调整应通过可控规则和评估验证完成，而不是让系统无审计地自我修改关键策略。

课堂练习

代码模板

模板 1：任务计划数据结构

from dataclasses import dataclass, field from typing import Literal @dataclass class Step: id: str goal: str tool: str | None = None depends_on: list[str] = field(default_factory=list) status: Literal["pending", "running", "done", "failed"] = "pending" result_ref: str | None = None retry_count: int = 0 @dataclass class Plan: task_id: str objective: str steps: list[Step] max_steps: int = 20 require_human_approval: bool = False

模板 2：记忆写入策略

def should_write_memory(event: dict) -> tuple[bool, str]: if event.get("contains_sensitive_personal_data"): return False, "涉及敏感个人信息，不写入长期记忆" if event.get("user_confirmed") and event.get("long_term_relevance"): return True, "用户确认且具有长期价值" if event.get("source") == "tool_result" and event.get("confidence", 0) >= 0.9: return True, "高置信工具结果，可写入项目记忆" return False, "短期信息或未经确认，仅保留在会话状态中"

课后测试题

5.1 单选：复杂任务分解的主要价值是？

A. 让系统可监控、可恢复、减少遗漏

B. 让答案更长

C. 避免使用工具

D. 取消评估

5.2 多选：长期记忆设计应考虑？

A. 写入条件

B. 过期机制

C. 权限隔离

D. 把所有对话永久保存

5.3 单选：智能体不断重复检索但不结束，最直接的改进是什么？

A. 增加最大步数和终止条件

B. 删除日志

C. 提高 temperature

D. 关闭所有工具

5.4 多选：程序性记忆可保存什么？

A. 固定工作流

B. SOP

C. 工具使用策略

D. 模型权重

5.5 单选：记忆污染指什么？

A. 保存了错误、过时或未经确认的信息并影响后续决策

B. 显存不足

C. 用户界面颜色太深

D. 数据库备份完成

答案与解析

5.1 答案：A

解析：任务分解提升可控性和可恢复性。

5.2 答案：A/B/C

解析：长期记忆要防止污染、过期和隐私风险。

5.3 答案：A

解析：循环问题需要状态判断和终止条件。

5.4 答案：A/B/C

解析：程序性记忆是“如何做事”的知识，不是模型参数。

5.5 答案：A

解析：记忆污染会造成持续性错误。

第6章 知识整合和数据处理

学习目标

描述 RAG 从数据采集到答案生成的完整流程。

区分向量检索、关键词检索和混合检索的适用场景。

设计向量数据库索引、metadata 过滤和 reranking 策略。

建立 ETL 和数据质量检查流程。

考试考点拆解

核心讲义

6.1 RAG 基本流程

RAG 的目标是用外部知识增强生成。典型流程是数据采集、清洗、切分、生成 embedding、写入向量数据库、用户问题向量化、检索、重排、上下文组装、LLM 生成、引用和答案校验。

RAG 的质量不仅由 LLM 决定，还取决于文档质量、chunking、embedding、检索策略、reranker、上下文排序和输出约束。考试中遇到“答案引用错误”“检索不到关键内容”，应从数据和检索管道排查。

6.2 向量检索、关键词检索和混合检索

向量检索擅长语义相似；关键词检索擅长精确匹配编号、术语、缩写和人名；混合检索结合两者，适合企业知识库、法规、医学、科研文献等需要语义和精确性并重的场景。

检索结果还应经过 metadata 过滤，例如用户权限、项目、时间、文档版本和语言。否则智能体可能引用过期或未授权文档。

6.3 向量数据库和索引优化

向量数据库需要考虑 embedding 模型、维度、索引类型、top-k、过滤条件、更新策略和删除策略。对于知识库更新频繁的业务，必须处理增量更新、文档失效和索引版本一致性。

Reranker 常用于提升排序质量。第一阶段召回较多候选，第二阶段重排选出最相关片段，可提高答案质量但会增加延迟和成本。

6.4 ETL 和数据质量

ETL 即抽取、转换、加载。智能体使用企业数据前，应检查重复、缺失、格式不一致、编码错误、版本冲突、权限标签缺失和敏感信息未脱敏等问题。

数据质量决定上限。一个高能力模型接入低质量知识库，仍然会产生错误答案。数据处理和治理是 Agentic AI 生产化的重要部分。

课堂练习

代码模板

模板 1：RAG 检索管道伪代码

def rag_answer(question: str, user_context: dict) -> dict: # 1. query rewrite query = rewrite_query(question) # 2. hybrid retrieval with permission filter candidates = hybrid_search( query=query, top_k=30, filters={"org": user_context["org"], "allowed_roles": user_context["roles"]} ) # 3. rerank passages = rerank(query, candidates, top_n=6) # 4. generate with citations answer = generate_answer(question, passages, require_citations=True) # 5. verify citation coverage return verify_answer(answer, passages)

模板 2：数据质量检查

def quality_check(doc: dict) -> list[str]: errors = [] required = ["doc_id", "title", "text", "source", "version", "access_level"] for field in required: if not doc.get(field): errors.append(f"missing:{field}") if len(doc.get("text", "")) < 200: errors.append("too_short") if doc.get("version_status") == "obsolete": errors.append("obsolete_version") if contains_unredacted_pii(doc.get("text", "")): errors.append("unredacted_pii") return errors

课后测试题

6.1 单选：RAG 中 chunking 的主要作用是？

A. 把文档切成适合检索和上下文使用的片段

B. 压缩 GPU 显存

C. 替代权限控制

D. 自动保证答案正确

6.2 多选：混合检索通常结合哪些能力？

A. 语义向量检索

B. 关键词/稀疏检索

C. 重排

D. 关闭 metadata 过滤

6.3 单选：企业知识库 RAG 最不能忽视的是？

A. 文档权限和版本

B. 让所有人访问所有文档

C. 只保留图片

D. 取消引用

6.4 多选：ETL 中常见数据质量问题包括？

A. 重复数据

B. 缺失字段

C. 编码错误

D. 权限标签缺失

6.5 单选：Reranker 的主要作用是？

A. 对初始召回结果重新排序以提升相关性

B. 删除用户认证

C. 替代所有数据库

D. 生成最终 UI

答案与解析

6.1 答案：A

解析：chunking 影响召回、上下文质量和引用粒度。

6.2 答案：A/B/C

解析：混合检索常结合语义、关键词和重排，但仍需要权限过滤。

6.3 答案：A

解析：权限和版本关系到安全与准确性。

6.4 答案：A/B/C/D

解析：这些都会影响检索和合规。

6.5 答案：A

解析：重排可提升 top 文档质量，但增加延迟。

第7章 NVIDIA 相关平台工具概览

学习目标

解释 NIM、NeMo Guardrails、Triton 和 TensorRT-LLM 的定位。

说明如何用 Guardrails 控制输入、输出、检索和工具执行风险。

理解推理优化中的吞吐、延迟、批处理和 GPU 利用率。

设计基于 NVIDIA 工具链的生产部署方案。

考试考点拆解

核心讲义

7.1 NVIDIA NIM

NIM 可理解为面向生成式 AI 模型的推理微服务形态，便于以标准接口部署和调用模型。对于企业智能体，NIM 的价值在于简化模型服务化、提高推理性能，并让应用以稳定 API 集成模型能力。

考试中看到“高性能推理微服务”“标准 API 部署模型”“快速集成 LLM 推理服务”等关键词，应联想到 NIM。

7.2 NeMo Guardrails

Guardrails 用于控制 LLM 应用行为。常见护栏包括输入护栏、输出护栏、对话护栏、检索护栏和执行护栏。输入护栏可以识别越狱或敏感内容；输出护栏可检查有害内容和隐私泄露；执行护栏可限制工具调用。

真正的安全不能只依靠最终输出过滤。若危险工具已经执行，再过滤答案已经太晚。因此写操作、高风险工具和未授权数据访问应在执行前被拦截或要求人工审批。

7.3 Triton 与 TensorRT-LLM

Triton Inference Server 是模型推理服务化平台，可服务多种框架的模型并支持批处理、并发和监控。TensorRT-LLM 面向大语言模型推理优化，常用于降低延迟、提高吞吐和优化 GPU 利用率。

推理优化需要同时看首 token 延迟、总延迟、吞吐、GPU 利用率、显存、batch size 和并发。不同业务目标对应不同优化方向。

7.4 NVIDIA Agent 工具链和多模态工作流

NeMo/Agent Intelligence Toolkit 等工具可帮助构建和优化智能体工作流。多模态工作流在 NVIDIA 硬件上常涉及图像、音频、视频预处理、模型推理、结果融合和安全检查。

考试不一定要求记忆所有命令，但要求知道每类工具解决什么问题，并能在场景中选出合适组件。

课堂练习

代码模板

模板 1：调用 NIM/OpenAI 兼容接口的示例

from openai import OpenAI client = OpenAI( base_url="https://your-nim-endpoint/v1", api_key="YOUR_API_KEY" ) response = client.chat.completions.create( model="your-model-name", messages=[ {"role": "system", "content": "You are a safe enterprise AI agent."}, {"role": "user", "content": "Summarize the retrieved policy."} ], temperature=0.2, ) print(response.choices[0].message.content)

模板 2：Guardrails 规则思想示例

# 伪配置：高风险工具调用前必须满足权限和确认 rails: input: - detect_jailbreak - detect_sensitive_data execution: - name: require_approval_for_write_tools applies_to: [send_email, update_database, delete_file] condition: user.confirmed == true and user.role in allowed_roles output: - block_private_data_leakage - require_citations_for_policy_answers

课后测试题

7.1 单选：NIM 最贴近哪类能力？

A. 模型推理微服务和标准化部署

B. 用户画像手工录入

C. 只做数据标注

D. Excel 宏

7.2 多选：Guardrails 可作用于哪些环节？

A. 输入

B. 输出

C. 检索

D. 工具执行

7.3 单选：危险工具调用的最佳拦截位置是？

A. 工具执行前

B. 工具执行后只改写答案

C. 下周人工检查

D. 不记录

7.4 多选：推理性能优化可能关注？

A. 首 token 延迟

B. 吞吐

C. GPU 利用率

D. 上下文长度

7.5 单选：Triton 的主要定位是？

A. 推理服务器/模型服务化

B. 电子邮件客户端

C. 文档编辑器

D. 任务管理软件

答案与解析

7.1 答案：A

解析：NIM 关注模型推理服务化和部署。

7.2 答案：A/B/C/D

解析：护栏可以分层作用于多个环节。

7.3 答案：A

解析：执行前拦截能防止真实副作用。

7.4 答案：A/B/C/D

解析：这些都会影响体验和成本。

7.5 答案：A

解析：Triton 用于模型推理服务部署。

第8章 运行、监控和维护

学习目标

设计智能体系统的监控指标体系。

理解日志、trace 和根因分析在多步骤智能体中的作用。

建立线上质量监控、回归测试和版本追踪机制。

说明持续可用性、透明性和可信性的维护策略。

考试考点拆解

核心讲义

8.1 智能体监控指标

智能体系统的 dashboard 应包括系统指标、推理指标、成本指标、检索指标、工具指标、质量指标、安全指标和用户指标。仅监控 GPU 是否在线无法判断智能体是否在正确完成任务。

质量指标可以包括任务成功率、人工接管率、幻觉率、引用错误率、格式错误率和用户反馈评分。安全指标包括越权尝试、敏感信息拦截、有害输出拦截和高风险工具审批次数。

8.2 Trace 和日志

一次智能体输出可能经历多个步骤：用户输入、意图识别、query rewrite、检索、重排、工具调用、模型生成、安全检查和最终输出。Trace 应记录每一步的输入、输出、耗时、版本和错误码。

没有 trace 时，运维团队只能看到错误答案，却不知道是检索召回错、工具返回错、模型解释错还是输出格式错。

8.3 根因分析

根因分析可以按链路逐步排查：用户问题是否明确，Prompt 版本是否变化，检索是否召回正确文档，工具是否成功调用，工具返回是否可信，模型是否误解工具结果，guardrail 是否误拦截，下游解析是否失败。

排查结论应转化为回归测试样例，避免同类错误再次出现。

8.4 维护、版本控制和持续改进

生产智能体的可维护性依赖版本控制。Prompt、模型、embedding、索引、工具 schema、工作流图和 guardrail 规则都应有版本号，并能回溯到某次输出。

自动调优和再训练必须受到评估和审批约束。对于高风险行业，自动修改生产策略可能带来合规风险，应优先使用离线验证和灰度发布。

课堂练习

代码模板

模板 1：结构化日志事件

import json, time, uuid def log_event(task_id: str, event_type: str, payload: dict): event = { "event_id": str(uuid.uuid4()), "task_id": task_id, "event_type": event_type, "timestamp": time.time(), "payload": payload, } print(json.dumps(event, ensure_ascii=False)) log_event("task-001", "tool_call", { "tool": "search_policy", "args_hash": "sha256:...", "latency_ms": 240, "ok": True, "prompt_version": "p2026-04-28", "model": "llm-prod-v3" })

模板 2：质量指标聚合伪代码

def aggregate_metrics(events: list[dict]) -> dict: total = len([e for e in events if e["event_type"] == "task_end"]) failed = len([e for e in events if e.get("payload", {}).get("success") is False]) human = len([e for e in events if e["event_type"] == "human_handoff"]) blocked = len([e for e in events if e["event_type"] == "safety_block"]) return { "task_success_rate": 1 - failed / max(total, 1), "human_handoff_rate": human / max(total, 1), "safety_block_count": blocked, }

课后测试题

8.1 单选：智能体日志中最不应缺少的是？

A. Prompt、模型、检索、工具和安全检查版本轨迹

B. 只保存最终答案

C. 只保存 UI 截图

D. 只保存用户昵称

8.2 多选：监控 dashboard 应包含哪些指标？

A. 延迟和错误率

B. 任务成功率

C. 工具超时率

D. 安全拦截数量

8.3 单选：当新版本质量下降时，首先应做什么？

A. 定位变更并回滚或灰度暂停

B. 关闭所有监控

C. 删除旧版本

D. 提高输出字数

8.4 多选：根因分析可能检查哪些环节？

A. 检索召回

B. 工具返回

C. 模型解释

D. 下游解析

8.5 单选：人工接管率突然升高可能意味着？

A. 任务质量、工具或安全策略出现问题，需要分析

B. 系统一定更安全无需处理

C. 用户变少

D. 无需记录

答案与解析

8.1 答案：A

解析：多组件系统需要完整轨迹支持复现和审计。

8.2 答案：A/B/C/D

解析：运行、质量、工具和安全指标都重要。

8.3 答案：A

解析：版本控制和回滚是生产维护关键。

8.4 答案：A/B/C/D

解析：智能体链路多，错误可能发生在任一环节。

8.5 答案：A

解析：接管率是重要质量和可用性信号。

第9章 安全、道德与合规

学习目标

设计覆盖身份、输入、检索、工具、生成、输出和审计的分层安全框架。

说明隐私保护、最小权限和数据隔离在智能体中的必要性。

识别偏见、有害内容、幻觉和越权工具调用风险。

理解许可、监管和责任归属对智能体部署的影响。

考试考点拆解

核心讲义

9.1 分层安全框架

智能体安全必须分层：身份层控制谁在访问；输入层识别越狱和敏感信息；检索层进行权限过滤；工具层进行白名单、参数校验和审批；生成层降低幻觉和有害内容；输出层脱敏和引用；审计层记录责任链。

如果只在最终输出后过滤，系统可能已经执行危险工具或访问了未授权数据。因此执行前控制和权限校验极其重要。

9.2 隐私保护和最小权限

智能体通常连接企业知识库、邮件、日历、数据库和文件系统。每个工具和检索请求都应以当前用户权限执行，而不是使用万能服务账号。敏感数据应根据业务需要脱敏、加密或不写入长期记忆。

最小权限原则要求智能体只获得完成当前任务所需权限。高风险操作应增加人工确认和审计。

9.3 偏见、有害内容和幻觉

模型可能产生偏见性建议、有害内容或编造事实。缓解策略包括安全分类器、输出审查、引用要求、事实核查、风险分级、人工升级和持续评估。

对于医疗、法律、金融等高风险场景，系统应明确限制、引用来源、提示不确定性，并在需要时要求专业人员介入。

9.4 合规、许可和责任

智能体可能使用开源模型、商业模型、第三方 API、企业文档和用户数据。上线前必须审查数据使用权、模型许可证、API 条款、隐私政策和行业监管要求。

可审计性是责任归属的基础。系统应能回答：谁发起任务、使用了哪些数据、调用了哪些工具、谁批准了高风险操作、输出依据是什么。

课堂练习

代码模板

模板 1：工具调用权限检查

def authorize_tool_call(user: dict, tool: str, args: dict) -> tuple[bool, str]: policy = { "read_kb": {"roles": ["employee", "admin"], "approval": False}, "send_email": {"roles": ["editor", "admin"], "approval": True}, "delete_file": {"roles": ["admin"], "approval": True}, } rule = policy.get(tool) if not rule: return False, "工具不在白名单中" if not set(user.get("roles", [])) & set(rule["roles"]): return False, "用户角色无权限" if rule["approval"] and not args.get("human_approved"): return False, "需要人工审批" return True, "允许执行"

模板 2：输出安全检查伪代码

def output_guardrail(answer: str, context: dict) -> dict: violations = [] if contains_private_data(answer): violations.append("private_data") if contains_harmful_instruction(answer): violations.append("harmful_instruction") if context.get("requires_citation") and not has_citation(answer): violations.append("missing_citation") return {"allow": not violations, "violations": violations}

课后测试题

9.1 单选：最小权限原则意味着？

A. 智能体只拥有完成当前任务所需权限

B. 所有工具都用管理员账号

C. 关闭审计

D. 让用户共享密码

9.2 多选：分层安全可包括哪些层？

A. 输入

B. 检索

C. 工具执行

D. 审计

9.3 单选：只在最终输出过滤的主要问题是？

A. 危险工具可能已经执行

B. 用户界面变慢

C. 无法改变字体

D. 会减少字数

9.4 多选：合规审查可能涉及？

A. 数据使用权

B. 模型许可证

C. API 条款

D. 行业监管

9.5 单选：高风险领域中最合适的策略是？

A. 增加引用、限制声明和人工升级

B. 鼓励模型自由猜测

C. 关闭日志

D. 取消权限控制

答案与解析

9.1 答案：A

解析：最小权限降低越权和误操作风险。

9.2 答案：A/B/C/D

解析：安全应覆盖全链路。

9.3 答案：A

解析：执行前控制是关键。

9.4 答案：A/B/C/D

解析：这些都是上线前合规内容。

9.5 答案：A

解析：高风险任务需要可信证据和人工监督。

第10章 人类-AI 交互和监督

学习目标

设计能展示目标、计划、工具状态、证据和风险的智能体 UI。

建立结构化反馈闭环，将用户反馈转化为评估和改进。

区分透明性与暴露完整内部推理链。

确定哪些场景需要 human-in-the-loop 审批或接管。

考试考点拆解

核心讲义

10.1 智能体 UI 设计

好的智能体界面不只是聊天框。它应展示当前目标、计划步骤、工具调用状态、引用来源、可编辑中间结果、风险提示、确认按钮和反馈入口。对于长任务，用户需要知道系统执行到哪里，是否等待审批，是否遇到错误。

UI 设计直接影响信任。透明的过程展示能帮助用户理解系统能力边界，同时减少误用。

10.2 Human-in-the-loop

Human-in-the-loop 适用于高风险、高价值、不可逆或不确定任务，例如发送正式邮件、删除文件、修改数据库、财务审批、医学或法律建议。人工可以审批、纠正参数、选择候选答案、接管对话或审核输出。

考试中若题干出现“责任归属”“信任”“高风险”“合规”“不确定”，通常应考虑人工监督、审批和可追溯。

10.3 透明性和可解释性

透明性不等于暴露模型完整私有推理链。实际系统可以展示任务步骤、使用数据源、调用工具、关键证据、置信度、限制条件和人工审批记录。

可追溯性要求系统能回放关键决策依据。对于监管或企业场景，应保存足够证据以支持审计。

10.4 反馈循环和持续学习

用户反馈应被结构化收集，并进入评估和改进流程。例如“引用错误”应触发检索和引用评估；“没按格式”应触发输出 schema 改进；“需要人工接管”应触发任务边界或 UI 改进。

反馈闭环的目标不是让模型立即自我修改，而是形成可控的数据飞轮：收集、标注、复现、修复、评估、发布。

课堂练习

代码模板

模板 1：人工审批请求对象

from dataclasses import dataclass @dataclass class ApprovalRequest: task_id: str action: str summary: str tool_name: str tool_args_preview: dict risk_level: str evidence_refs: list[str] requested_by: str request = ApprovalRequest( task_id="task-2026-001", action="send_email", summary="向作者发送正式通知邮件", tool_name="gmail.send_email", tool_args_preview={"to": "author@example.com", "subject": "Decision"}, risk_level="medium", evidence_refs=["draft-v3", "policy-2026"], requested_by="agent-supervisor" )

模板 2：反馈表单结构

FEEDBACK_FORM = { "task_id": "", "rating": 0, "tags": [], # fact_error, wrong_tool, citation_error, unsafe, too_slow, bad_tone "expected_answer": "", "comment": "", "allow_use_for_improvement": True, }

课后测试题

10.1 单选：人机交互中最能提升长任务信任度的是？

A. 展示目标、计划、进度和证据

B. 隐藏所有步骤

C. 只输出最终一句话

D. 禁止反馈

10.2 多选：哪些操作通常需要人工确认？

A. 发送正式邮件

B. 删除文件

C. 修改数据库

D. 读取公开 FAQ

10.3 单选：透明性不应简单等同于？

A. 展示证据和工具轨迹

B. 暴露完整内部推理链

C. 显示来源

D. 说明限制

10.4 多选：结构化反馈应包含？

A. 评分

B. 失败标签

C. 用户评论

D. 任务版本信息

10.5 单选：Human-in-the-loop 的主要目的是什么？

A. 在高风险或不确定场景中确保责任、信任和安全

B. 让系统永远不能自动化

C. 减少所有日志

D. 替代权限系统

答案与解析

10.1 答案：A

解析：透明的过程展示能提高可理解性和信任。

10.2 答案：A/B/C

解析：有副作用或不可逆操作通常需要确认；读取公开 FAQ 风险较低。

10.3 答案：B

解析：透明性应提供可审计信息，而不一定暴露完整内部推理。

10.4 答案：A/B/C/D

解析：这些信息有助于复现和改进。

10.5 答案：A

解析：人工监督用于控制风险并增强责任归属。

附录 A：核心术语速查表

附录 B：综合模拟考试与答案解析

模拟题 1 单选：某智能体在查询企业知识库时偶尔引用员工无权访问的文档，最应优先修复什么？

A. 提高 temperature

B. 检索层 ACL/metadata 权限过滤

C. 增加回答字数

D. 删除所有索引

模拟题 2 多选：生产级智能体的一次 trace 通常应记录哪些内容？

A. Prompt 版本

B. 检索结果

C. 工具调用参数与结果

D. 安全拦截结果

模拟题 3 单选：用户要求智能体删除一批文件，正确做法是？

A. 直接执行

B. 确认权限、展示预览、请求人工确认并记录审计

C. 让模型猜测文件路径

D. 关闭日志

模拟题 4 单选：RAG 答案经常缺少关键法规条款，优先检查什么？

A. 检索召回、chunking、top-k 和 reranker

B. UI 背景色

C. 是否使用更多表情

D. 是否删除引用

模拟题 5 多选：多智能体系统中防止混乱的机制包括？

A. 角色边界

B. 通信协议

C. 共享状态和任务锁

D. 无限循环直到成功

模拟题 6 单选：NIM、Triton、TensorRT-LLM 共同相关的主题更接近？

A. 模型推理部署和性能优化

B. 客户关系管理

C. PDF 编辑

D. 人工打分表

模拟题 7 多选：智能体评估集应包含哪些失败场景？

A. 工具超时

B. 检索为空

C. 用户输入模糊

D. 越权访问尝试

模拟题 8 单选：把所有用户输入自动写入长期记忆的主要风险是？

A. 记忆污染和隐私风险

B. 一定提升准确率

C. 减少审计需求

D. 替代权限系统

模拟题 9 多选：Human-in-the-loop 可用于哪些环节？

A. 审批高风险工具

B. 纠正工具参数

C. 审核最终输出

D. 选择候选方案

模拟题 10 单选：如果新 Prompt 上线后任务成功率下降，最合理的处理是？

A. 回滚或暂停灰度，并通过回归测试定位问题

B. 删除测试集

C. 增加营销话术

D. 停止监控

综合模拟考试答案解析

模拟题 1 答案：B

解析：未授权引用是检索权限过滤问题，应在检索阶段按用户权限过滤。

模拟题 2 答案：A/B/C/D

解析：完整 trace 支持审计、复现和根因分析。

模拟题 3 答案：B

解析：删除属于高风险不可逆操作，必须权限和人工确认。

模拟题 4 答案：A

解析：缺少关键证据通常与检索和切分相关。

模拟题 5 答案：A/B/C

解析：多智能体需要协议和状态控制；无限循环不可取。

模拟题 6 答案：A

解析：这些工具主要服务于模型推理部署与优化。

模拟题 7 答案：A/B/C/D

解析：鲁棒评估必须覆盖失败和安全边界。

模拟题 8 答案：A

解析：长期记忆需要写入策略、确认和隐私控制。

模拟题 9 答案：A/B/C/D

解析：人在环可以在多个阶段控制风险和提升质量。

模拟题 10 答案：A

解析：版本控制和回归测试是生产维护基本手段。

参考资料

Agentic AI Professional 相关公开认证方向 (AAI Professional) 认证页面：https://www.nvidia.cn/training/certification/agentic-ai-professional/

Agentic AI Professional 相关公开认证方向 认证考试学习指南：https://images.nvidia.cn/aem-dam/zh_cn/Solutions/training/certification/nvt-study-guide-new-agentic-ai-cert-exam-zhCN-4581053.pdf

NVIDIA NIM 文档：https://docs.nvidia.com/nim/

NVIDIA NeMo Guardrails 文档：https://docs.nvidia.com/nemo/guardrails/

NVIDIA Triton Inference Server 文档：https://docs.nvidia.com/deeplearning/triton-inference-server/

NVIDIA TensorRT-LLM 文档：https://nvidia.github.io/TensorRT-LLM/