第 9 卷
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Agent | Supervisor, 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 |