标准回答
它是什么
AutoGPT 是 2023 年走红的自主 Agent 先驱项目。它的核心理念很激进：你只给一个高层目标（比如「调研某市场并写一份报告」），它不再需要你一步步下指令，而是让模型自己把目标拆成子任务、自主决定每一步做什么，一路执行到底。
自主决策是怎么实现的
本质是一个由 LLM 驱动的循环：
- 拆解目标：模型把高层目标分解成一串可执行的子任务。
- 思考：针对当前子任务，决定下一步行动。
- 行动：调用工具——上网搜索、运行代码、读写文件、调用 API 等。
- 观察：拿到行动结果（搜索内容、执行输出、报错）。
- 更新计划：根据观察修正任务列表和下一步，再回到思考，循环往复。
整个过程没有人逐步介入，决策权交给模型自己，这正是「自主」的含义。
长期记忆
单靠上下文窗口装不下长任务的全部历史，于是 AutoGPT 引入长期记忆：把过往步骤、关键结论、检索到的信息存起来（常用向量数据库做语义检索），需要时取回相关片段喂回模型，让 Agent 在长流程里保持连贯、不「失忆」。
它的意义与问题
正面看，AutoGPT 第一次直观展示了「给目标、让 LLM 自己干」的自主潜力，点燃了整个自主 Agent 方向。但它也充分暴露了无约束自主的代价：
- 易死循环：在某一步反复尝试同样的失败动作出不来。
- 目标漂移：执行几轮后偏离最初目标，越做越歪。
- 烧 token / 成本失控：长循环不断调用大模型，开销惊人却未必有产出。
- 不可控、不可观测：用户难以中途精确干预或信任其每一步。
正因如此，它更像是大众认知里「自主 Agent」的引爆点与「反面教材」。要注意时间线：ReAct（把推理与行动交替结构化，Yao et al. 2022-10）其实早于 AutoGPT（2023-03）就已提出——AutoGPT 并没有严格沿用 ReAct 的结构、约束也更弱。真正的「改良」来自其后的工程实践：后续框架普遍采用 ReAct 式的结构化循环，并叠加 Plan-and-Execute（先规划后执行）、人工审批、步数上限、可观测性等可控 Agent手段，去解决 AutoGPT 暴露的失控问题。面试时点出「先驱/引爆价值 + 暴露的问题 + 业界如何用更早就有的 ReAct + 新约束去改良」，是高质量回答。
常见误区
⚠️ 常见踩坑
别把 AutoGPT 说成「很可靠、能无人值守干完任何活」——恰恰相反，它的自主是早期、粗放的，实战中常死循环、跑偏、烧钱，更多是演示而非生产可用。还要小心时间线：ReAct 论文（2022-10）早于 AutoGPT（2023-03），别说成「ReAct 是对 AutoGPT 的改良」；准确说法是 AutoGPT 没充分用上已有的 ReAct 结构、约束更弱，后续框架才用 ReAct 式结构 + 各种约束去改良。面试中讲清这条演进脉络与先后顺序，而非笼统说「都是 Agent」。
追问
追问 1：AutoGPT 为什么特别容易陷入死循环或目标漂移？
缺乏强约束：它把每步决策完全交给模型，没有强制的进度检查、终止判据和回退机制，一旦走错就难自纠。
反馈解读偏差：模型对工具返回的观察理解不准时，可能反复执行同一无效动作，或基于错误结论生成新子任务，越走越偏。
长链路误差累积：步骤一多，早期的小偏差被不断放大，加上记忆检索未必精准，目标逐渐被稀释。缓解方向是显式规划、步数/超时上限、关键节点人工确认和明确的成功判据。
追问 2：AutoGPT 和 ReAct 是什么关系？
ReAct 是范式，AutoGPT 是产品形态：ReAct 把「推理（Reason）」和「行动（Act）」交替结构化，让每步先思考再行动、再观察，是一种更规整的循环方法论。
改良关系：AutoGPT 早期的自主循环较粗放、约束弱；ReAct 式结构让思考与工具调用更清晰可控，被后续框架广泛采用。
演进脉络：从 AutoGPT 的「放手让模型自己干」，到 ReAct 的结构化循环，再到 Plan-and-Execute 的先规划后执行和可控 Agent，是一条从「能自主」走向「可控且可靠」的主线。
追问 3：如果今天要做一个类 AutoGPT 的自主 Agent，你会怎么避开它的坑？
显式规划 + 收窄自主：用 Plan-and-Execute 先出计划再执行，把开放式无限循环换成有边界的步骤，必要时分阶段确认。
硬约束：设最大步数、超时、token 预算和重复动作检测，触发即终止或降级，防止死循环和成本失控。
人在环与可观测：写操作/高危动作加人工审批，每步记录思考、动作、观察以便复盘；用评测集监控成功率，并配清晰的成功判据让 Agent 知道何时该停。
🔗 相似问题
同一考点的不同问法，面试官可能换着问，一起刷更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习