← 返回目录

第 9 卷

第 9 / 15 卷日期:

最终回复中。防御:在最终输出节点做过滤,只保留面向用户的回答。

Q109:Multi-Agent 中如何共享信息?→两种方式:①通过共享State(LangGraph的TypedDict)②通过消息传递(Agent A的输出作为Agent B 的输入)。推荐用State更清晰、可追踪。

Q110:什么是Agent的“规划粒度”问题?→ Plan太粗(“写一个网站”)→执行时不知道从哪下手。Plan太细(“在第3行写import os”)→规划本身消耗过多Token且容易错。最佳粒度:每步Plan 对应一次LLM调用

或一次工具调用。

Q111-Q120:Swarm与多Agent协作

Q111:OpenAI 的Swarm框架和LangGraph的多Agent有什么区别?→ OpenAI Swarm是轻量级的Agent 交接框架(教学用途),无状态持久化,无图可视化。LangGraph 是生产级有状态图编排框架,支持

Checkpointer、Human-in-the-Loop、时间旅行。生产环境选LangGraph。

Q112:Hando交接机制怎么实现? → Agent A 在输出中返回特殊指令 {"handoff_to": "agent_b", "reason": "需要技术专家"},路由节点解析后将控制权切换到Agent B。关键:交接时要把上下文(用户原始

问题+A的分析结果)一起传递。

Q113:如何防止多Agent之间的“踢皮球”?→ ①记录交接历史( handoff_log)②同一对Agent之间交接不超过2次③总交接次数上限5次④超过上限由Supervisor兜底回答。

Q114:Multi-Agent 的调试技巧? → ① 开启 LangSmith 追踪,看每个 Agent 的完整思考过程 ② 用 LangGraph Studio可视化图结构③先把每个Agent单独测通,再组合④减少Agent数量(2-3个就够了,不

要过度拆分)。

Q115:CrewAI 和LangGraph的区别?→ CrewAI:更高层抽象,用“角色+目标+任务”定义Agent,上手快但灵活性差。LangGraph:底层图编排,灵活性极高但学习曲线陡。快速原型选 CrewAI,生产系统选

LangGraph。

Q116:什么是Agent的“能力边界意识”?→ Agent应该知道自己能做什么、不能做什么。实现:在System Prompt中明确列出“我可以做:…;我不能做:…”。如果用户的请求超出能力范围,应该坦诚告知。

Q117:如何评估Agent系统的质量?→三维度评估:①任务完成率(正确完成的任务/总任务数)②平均步骤数(完成任务需要多少轮交互)③ 用户满意度(主观评分)。对标 benchmark:GAIA、AgentBench、

WebArena。

Q118:什么是 Agent 的“规划修正”(Replanning)? → 执行过程中发现原计划不可行(如某个 API 挂了),自动调整计划的能力。实现:Plan-and-Execute中的Execute失败后,触发Replanner节点,更新计划

再继续。

Q119:人机交互( HITL)在Agent 中怎么实现?→ LangGraph 的interrupt_before= ["dangerous_tool"]在危险工具执行前暂停,等待人工确认(approve/reject)。确认后继续执行或终

止。适合金融交易、数据删除等高风险操作。

和策略(如DSPy自动优化Prompt)。但2026年的实践中,大部分“进化”仍然是工程师手动调整。真正的自我进化是AI研究的前沿方向。

Q121-Q130快速过

Q121:什么是Tree of Thoughts(ToT)?→让模型在解决问题时探索多条推理路径,而非只走一条CoT。像下棋一样“前瞻多步”,回溯评估后选最优路径。

Q122:Agent 框架 AutoGPT 为什么失败了?→过度自主、缺乏约束,容易陷入无限循环。教训:Agent 需要明确的终止条件和人类监督。

Q123:什么是LLM Compiler?→自动分析任务的依赖关系,将可并行的工具调用并发执行(类似编译器的指令并行化)。

Q124:Agent的“成本可控性”怎么设计?→设置每次任务的Token预算上限,超过则降级或终止。

Q125:什么是Agent-as-a-Service?→将Agent 封装为API 服务,按调用次数/Token收费。类似SaaS 但提供的是智能体能力。

Q126:如何做Agent的压力测试?→用Locust/k6模拟并发请求,监测延迟/错误率/Token消耗。关注P95延迟和死循环率。

Q127:什么是“Cognitive Architecture”?→参考人类认知科学设计Agent 的思考框架:感知→思考→决策 →执行→反思。

Q128:Agent的长任务如何保证可靠性?→ Checkpointer持久化+断点续传+定期保存中间结果。

Q129:什么是 Agent Protocol?→ Agent Protocol 是一套标准化 API 规范,定义了创建/执行/查询 Agent 任务的REST API。让不同框架的Agent可以互操作。

Q130:未来Agent的发展方向?→ ①更强的规划能力②多模态(视觉+语音+操控)③自我优化④标准化协议⑤边缘部署

本章小结

核心考点高频关键词

Agent架构ReAct, Plan-and-Execute, Reexion
多AgentSupervisor, Swarm, Hando, CrewAI
防死循环迭代计数器,轨迹检测, Token预算
人机交互HITL, interrupt_before,审批节点
评估GAIA, AgentBench,任务完成率

延伸:Agent面试万能答题框架

回答Agent相关问题的STAR框架

S(Situation):描述场景/需求

"我们需要构建一个能自动处理客户退款的智能客服 Agent"

T(Task):你的任务

"我负责设计 Agent 架构和工具链"

A(Action):你做了什么(重点)

"我采用了 LangGraph 的 Supervisor 模式

完整代码见 HTML 交互版

Agent面试高频考点矩阵

考点初级岗位中级岗位高级岗位
ReAct原理必考必考必考
Plan-and-Execute了解必考必考
多Agent协作了解必考深入
Reexion-了解必考
LangGraph了解必考深入实战
防死循环了解必考深入
HITL-了解必考
生产部署-了解深入实战
评估体系--必考
全站分卷索引 · 15 卷
  1. 1第 1 卷
  2. 2第 2 卷
  3. 3第 3 卷
  4. 4第 4 卷
  5. 5第 5 卷
  6. 6第 6 卷
  7. 7第 7 卷
  8. 8第 8 卷
  9. 9第 9 卷
  10. 10第 10 卷
  11. 11第 11 卷
  12. 12第 12 卷
  13. 13第 13 卷
  14. 14第 14 卷
  15. 15第 15 卷