这条线是怎么走到模型的

这条线不要背成年表。面试官要的是：每一步解决了上一阶段的什么问题，又留下了什么，为什么最后会把大模型放进循环。

符号主义智能体说明了什么？

物理符号系统的信念是：智能来自对可读符号的逻辑操作。专家系统把领域知识写成规则，SHRDLU 这类系统能在一个封闭积木世界里用语言驱动行动。

它证明了两件事：推理过程可以追溯；在规则覆盖得住的小世界里，机器能表现得像听懂了任务。

它也把瓶颈暴露完了。规则要人一条条写，例外和模糊一旦出现系统就停。这就是知识获取瓶颈。符号系统不是被模型「淘汰」的，而是盖不住开放世界。

ELIZA 这类规则聊天机器人的教训是什么？

ELIZA 用模式匹配和文本替换制造对话。它没有世界模型，也不知道自己在说什么，但用户仍会觉得它理解了自己。

面试里的结论要落到工程上：流畅的回复不等于理解，更不等于能完成任务。评估智能体要看它有没有根据观察改变行动，而不是看回答像不像人。

心智社会对多智能体有什么启发？

明斯基反对把智能看成一个完整的中央头脑。他的说法是，智能是一群简单过程互相协作的结果。

这给后来的多智能体系统一个理论借口：复杂任务可以拆成多个专职角色，用通信把局部能力合成整体。今天的角色分工、评审者和执行者，都是这个想法的工程版本。它没有告诉你该用几个角色，只告诉你不必追求一个模型包办一切。

从强化学习到预训练，再到 LLM 智能体，每一步补了什么？

• 联结主义补的是符号系统不会从感知数据里学模式。知识分布在网络权重里，换来的是难解释。
• 强化学习补的是策略不用全部手写，可以从奖励里试错。它要求环境、行动和奖励都定义得出来，开放办公任务往往给不出干净奖励。
• 大规模预训练补的是通用语言能力和一份隐式世界知识，模型终于能接自然语言目标。代价是知识静态、调用无状态、会把像真的话说成事实。
• LLM 智能体补的不是再训一个更大的模型，而是把模型放进感知-思考-行动-观察的循环，用工具和外部状态补它没有的记忆、时效和行动能力。

面试时怎么用一分钟讲完这条线？

规则系统能解释、能执行，但写不全世界。学习系统能从数据里获得能力，但单次生成既不记得上次，也不能自己去查。所以现在的智能体把模型当成策略，把记忆、检索、工具和协议放在模型外面。面试如果只能留一句，留这句。