10. 面试题
初级
Q1：Multi-Agent 与单 Agent 有什么区别？
参考答案：
- 单 Agent 是一个 LLM 在 ReAct 循环中调用工具、读写记忆。
- Multi-Agent 是多个具有不同角色和技能的 Agent，通过消息传递、协调器调度、共享状态共同完成复杂任务。
- Multi-Agent 解决的是任务拆分、角色专业化、并行与协作问题。
Q2：什么是 Handoff？
参考答案：
Handoff 是当前 Agent 主动把任务和上下文交给另一个 Agent 继续处理。常用于客服升级、阶段移交。关键是上下文必须完整传递，避免接收 Agent 重复询问。
Q3：Multi-Agent 中为什么需要 Blackboard？
参考答案：
Blackboard 是多个 Agent 共享的工作区，保存任务目标、中间结果、假设和最终结论。它解决 Agent 之间的信息不对称问题，但也会带来读写冲突，需要版本控制和权限管理。
中级
Q4：Manager-Worker 与 Peer-to-Peer 各有什么优缺点？
参考答案：
- Manager-Worker：职责清晰、易于监控，但 Manager 是瓶颈，Worker 之间缺乏直接沟通。适合任务可拆解、角色清晰的场景。
- Peer-to-Peer：灵活、能多角度碰撞，但容易发散、终止条件难定。适合讨论、评审、头脑风暴。
Q5：Multi-Agent 中消息总线应该提供哪些能力？
参考答案：
点对点投递、广播、请求-回复、消息优先级、TTL、至少一次投递保证、顺序保证、幂等消费、按 task/session 路由。
Q6：如何避免 Multi-Agent 陷入无限讨论？
参考答案：
- 设置最大轮次或最大步数。
- 定义明确的终止条件（共识达成、置信度阈值、目标完成）。
- 检测重复观点或无进展状态。
- 对 Peer-to-Peer 引入主持人或仲裁 Agent。
Q7：Multi-Agent 的可观测需要记录什么？
参考答案：
每个 Agent 的输入输出、工具调用、Agent 之间的消息流转、Blackboard 写入历史、Coordinator 的决策理由、任务整体状态与 trace。
高级
Q8：设计一个生产级 Multi-Agent 系统，你会怎么设计？
参考答案：
- 控制面与数据面分离：控制面管理 Agent 注册、角色策略、权限；数据面负责消息流转与执行。
- Agent Registry：动态注册发现，支持版本与状态。
- Message Bus：基于 Redis/Kafka/NATS，保证可靠投递与顺序。
- Blackboard：结构化共享状态，带版本与权限。
- Coordinator：支持多种协作模式，可插拔调度策略。
- 状态持久化：Checkpoint 到 Postgres/Redis，支持中断恢复。
- 权限隔离：租户隔离、角色权限、网络隔离、沙箱执行。
- 可观测：OpenTelemetry trace + Prometheus metrics + 结构化日志。
- HITL：高风险或分歧场景请求人工。
- 评测：固定测试集 + 影子运行 + A/B 测试。
Q9：LangGraph 与 AutoGen 在 Multi-Agent 上的主要区别是什么？AutoGen 现在还能用于新项目吗？
参考答案：
- AutoGen 以“对话/群聊”为核心抽象，Agent 通过消息历史共享状态，适合探索性对话与代码执行场景；其最终版本为 v0.7.5（2025 年 9 月），2026 年 10 月仓库已被微软正式归档（archived）、不再维护，不建议任何新项目采用。
- AutoGen 的两条演进线：社区分叉 AG2（v1.0 重写为 Network hub + 类型化 channel，不向后兼容，2026 年 10 月已迭代到 v1.2.x）与微软官方继任者 Microsoft Agent Framework（合并 Semantic Kernel，2026 年 4 月 1.0 GA，提供 typed-graph Workflows、Handoff、原生 MCP/A2A，2026 年 7 月起可用 hosting-a2a 包直接把 Agent 以 A2A 端点暴露）。
- LangGraph 以“状态图”为核心抽象，Agent 是图节点，共享显式 State，2025 年 10 月 17 日 1.0 GA（与 LangChain 1.0 同日）后内置 durable execution（自动 checkpoint/恢复）、条件边、人工介入，2026 年 10 月已迭代到 1.2.x，适合复杂生产工作流。
Q10：如何处理 Agent 之间的冲突？
参考答案：
- 低影响冲突：投票或加权投票。
- 专业冲突：按 Agent 可信度加权。
- 重大冲突：引入仲裁 Agent 或人类介入。
- 所有冲突与异议应记录到 Blackboard，保留审计痕迹。
Q11：Multi-Agent 中如何做成本控制？
参考答案：
- 模型分级：简单聚合用便宜模型，复杂推理用强模型。
- 早停机制：结果足够好时提前终止。
- 缓存：热点 Blackboard 数据与 LLM 响应缓存。
- 批量消息：减少网络往返。
- Token 预算：为整个任务设置总 token 上限。
- 避免过度协调：不要为简单任务引入过多 Agent。
Q12：A2A 与 MCP 有什么区别？A2A v1.0 有哪些关键特性？
参考答案：
- 定位：MCP 是 Agent↔工具的纵向协议（能力发现与调用），A2A 是 Agent↔Agent 的横向协议（跨框架、跨组织协作），两者互补：MCP 已由 Linux Foundation 旗下的 Agentic AI Foundation（AAIF）托管，A2A 则由 Linux Foundation 治理（技术委员会由 Google、Microsoft、AWS、Cisco、Salesforce、ServiceNow、SAP、IBM 八家各一席组成）。
- A2A 核心概念：Agent Card（
/.well-known/agent-card.json，描述能力、端点与认证方式）、Task（有状态工作单元，生命周期 submitted → working → completed/input-required/auth-required）、SSE 流式更新。 - v1.0（2026 年 3 月 12 日发布，v1.0.1 于 5 月 28 日）关键特性：Agent Card 签名验证（JWS + RFC 8785 规范化，域名级身份验证）、多租户支持（gRPC scope 字段）、三种协议绑定规范化（JSON-RPC / gRPC / HTTP+JSON）、现代化 OAuth 2.0（Device Code + PKCE，移除隐式/密码流）、mTLS 安全声明、ListTasks 操作与版本协商机制。
Q13：为什么 Multi-Agent 系统会失败？如何系统性排查？
参考答案：
- 参考 MAST 失败分类法（NeurIPS 2025，14 种失败模式 3 大类）：规范与系统设计失败（约 42%，如角色描述不清、步骤重复、丢失对话历史）、Agent 间对齐失败（约 37%，如任务跑偏、忽略他人输入）、验证与终止失败（约 21%）。
- 核心洞察：失败多源于协调与规范，而非模型能力不足；Multi-Agent 甚至可能差于单 Agent 基线。
- 排查方法：对失败执行轨迹做归因标注（可用 LLM-as-a-Judge 辅助）、按类别统计分布、优先修复占比最高的系统性问题（通常是角色规范与终止条件），并保留单 Agent 基线做持续对照。
本章小结
面试中关于 Multi-Agent 的问题通常集中在：与单 Agent 的区别、协作模式对比、消息总线与 Blackboard 设计、可观测、生产架构、框架对比、冲突解决与成本控制。掌握本章问题，基本可以覆盖中级到高级面试场景。
参考来源