多智能体协作
本章 20 道题 · 完整目录
Q76:什么场景下应该用 Multi-Agent?什么场景下不应该用?
详解
应该用的场景:
| 场景特征 | 示例 | 原因 |
|---|---|---|
| 需要专业分工 | 报告生成(研究+分析+写作+审校) | 每个角色专注专业领域,质量更高 |
| 子任务可并行 | 同时查多个供应商报价 | 并行处理大幅提速 |
| 任务可模块化 | 客服(售前+售中+售后分离) | 独立开发、测试、部署 |
| 需要相互监督 | 代码生成+代码评审 | 交叉验证提升质量 |
不应该用的场景:
| 场景特征 | 示例 | 原因 |
|---|---|---|
| 简单单步任务 | “翻译这句话” | 多 Agent 纯增加延迟和复杂度 |
| 紧密耦合任务 | 每一步依赖上一步结果 | Agent 间通信开销大,反而变慢 |
| 低延迟要求 | 在线客服实时回复 | 多 Agent 增加 2-3 倍延迟 |
| 成本敏感 | 大规模并发调用 | 多 Agent = 多倍 token 消耗 |
核心判断标准:任务是否具备可分解性(可以拆成独立子任务)、并行性(子任务可同时执行)、模块性(子任务相对独立)这三大特征。
答题要点:用对比表格说明适用/不适用场景,强调核心判断标准(可分解性+并行性+模块性)。
Q77:Multi-Agent 如何解决 Agent 间的通信与协作问题?
详解
三大通信模式:
| 模式 | 实现 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|---|
| 消息传递 | Agent 直接互发消息 | 小规模(<5) | 灵活、直观 | 无中心协调,难以全局优化 |
| 共享黑板 | 所有 Agent 读写共享内存 | 协作式任务 | 解耦、易扩展 | 需定义结构化数据结构 |
| 事件总线 | 通过消息队列(Kafka)发布订阅 | 大规模 | 解耦、异步、可靠 | 需额外基础设施 |
通信协议:A2A(Agent-to-Agent)协议标准化 Agent 间通信,包括能力发现、任务委托、状态汇报、结果返回。
协作模式:分工(角色划分)、协商(Agent 间讨论)、投票(多 Agent 决策)、监督(相互检查)。
答题要点:说出至少 2 种通信模式,说明协作模式(分工/协商/投票/监督),提到 A2A 协议。
Q78:Multi-Agent 系统的状态管理如何设计?
详解
设计要点:
- 共享状态:全局状态(任务列表、共享数据)存入中央存储(Redis/数据库),各 Agent 读写。
- 局部状态:各 Agent 内部状态(已处理步骤)保存在 Agent 自己的上下文。
- 状态同步:Agent 完成后将结果写回共享状态,触发相关 Agent 继续。
- 状态持久化:关键状态持久化到数据库,支持断点恢复。
LangGraph 状态管理(Reducer 模式):
from typing import Annotated, TypedDict
from operator import add
class AgentState(TypedDict):
messages: Annotated[list, add] # 累加所有 Agent 的消息
tasks: dict # 各 Agent 的任务状态
shared_results: Annotated[dict, merge_dicts] # 合并各 Agent 结果
# 并行 Agent 修改 state 时,必须定义 reducer 合并逻辑
答题要点:展示共享状态+局部状态的双层设计,说明 Reducer 机制(并行分支写入冲突的解决)。
Q79:Multi-Agent 系统如何实现容错(Agent 失败怎么办)?
详解
四层容错策略:
| 层级 | 策略 | 说明 |
|---|---|---|
| Agent 内 | 重试 + 超时 + 降级 | Agent 失败时重试,仍失败则降级输出 |
| Agent 间 | 结果校验 + 备用 Agent | 主 Agent 失败切换到备用,结果异常触发重新执行 |
| 编排层 | 超时 + 任务重分配 | 子 Agent 超时后重新分配任务 |
| 全局 | 部分成功降级 | 部分 Agent 成功时,返回已成功部分并标记未完成 |
答题要点:展示四层容错架构,说明“部分成功降级”的处理(返回已完成部分)。
Q80:Multi-Agent 系统如何调试?有哪些常见调试手段?
详解
五大调试手段:
- Trace 追踪:记录每个 Agent 的输入、思考、工具调用、输出。LangSmith / AgentOps / Langfuse。
- 状态检查:随时查看各 Agent 当前状态和共享状态。
- 单 Agent 模拟:用固定输入单独测试某个 Agent。
- 断点调试:在特定节点暂停,人工干预后继续。
- 日志分析:结构化日志(Agent ID、时间戳、动作、结果)支持检索。
答题要点:说出至少 3 种调试手段,重点说明 Trace 追踪(LLM 的可观测性基础)。
Q81:如何控制 Multi-Agent 系统的成本(Token 消耗)?
详解
六大成本优化策略:
| 策略 | 说明 | 节省幅度 |
|---|---|---|
| 模型分级 | 简单任务用小模型,复杂才用大模型 | 50-70% |
| 减少无效调用 | 缓存重复结果,避免无意义重试 | 20-40% |
| Prompt 精简 | 精简 System Prompt,减少固定开销 | 10-30% |
| 并行控制 | 合理设置并行度,避免资源浪费 | 视情况 |
| 结果复用 | Agent 间共享中间结果,避免重复计算 | 30-50% |
| 工具调用优化 | 减少不必要的工具来回 | 视情况 |
答题要点:说出至少 4 个成本优化策略,重点说明模型分级和结果复用。
Q82:如何设计 Multi-Agent 的失败重试策略?
详解
分层重试设计:
| 层级 | 重试策略 | 触发条件 |
|---|---|---|
| 单 Agent 内 | 指数退避重试 3 次 | 工具调用失败 |
| 任务级 | 重新分配任务 1 次 | Agent 连续失败 2 次 |
| 编排级 | 降级为简化流程 | 多个 Agent 同时失败 |
| 人工级 | 升级人工处理 | 关键任务重试仍失败 |
答题要点:展示分层重试架构,说明每层的触发条件(避免无限重试导致成本失控)。
Q83:Multi-Agent 的“协调器”设计模式是怎样的?
详解
协调器(Coordinator/Supervisor)模式:
用户请求
│
▼
┌─────────────┐
│ 协调器 │
│ (Supervisor) │
└─────────────┘
/ │ \
▼ ▼ ▼
Agent A Agent B Agent C
研究 分析 写作
\ │ /
▼ ▼ ▼
协调器汇总结果 → 生成最终输出
协调器职责:任务拆解与分配、监控进度、汇总结果、冲突仲裁、超时处理。
答题要点:画出协调器架构图,说明协调器的五个职责。
Q84:Peer-to-Peer(P2P)Multi-Agent 和 Supervisor 模式的区别?
详解
| 维度 | Supervisor 模式 | P2P 模式 |
|---|---|---|
| 控制方式 | 中央集中控制 | 去中心化对等 |
| 通信 | Agent 都跟协调器通信 | Agent 间直接通信 |
| 适用规模 | 大规模、需强控制 | 小规模、需快速协作 |
| 容错 | 协调器故障则全瘫 | 单点故障影响小 |
| 可扩展性 | 加 Agent 需更新协调器 | 加 Agent 自由 |
答题要点:用对比表格说明两种模式的差异,给出适用场景建议。
Q85:如何解决 Multi-Agent 系统中的“集体幻觉”(Agents 相互强化错误)?
详解
三种集体幻觉及应对:
| 类型 | 成因 | 应对 |
|---|---|---|
| 信息级联 | Agent 盲从其他 Agent 的错误结论 | 要求每个 Agent 标注信息来源和置信度 |
| 群体思维 | Agent 倾向于附和多数 | 引入独立验证 Agent,鼓励提出相反观点 |
| 权威压制 | 高优先级 Agent 结论被无条件接受 | 事实核查层,所有结论需来源验证 |
答题要点:说出至少 2 种集体幻觉类型及应对策略,强调独立验证和事实核查。
Q86:如何让多个 Agent 高效协作完成一个复杂任务?
详解
三步方法论:
- 任务分解:将复杂任务拆为可并行/串行的子任务,明确依赖关系。
- 角色分配:每个 Agent 聚焦一个专业领域,避免职责重叠。
- 协作协议:定义清晰的交接协议(输入/输出格式、验收标准、失败处理)。
答题要点:展示三步方法论,强调职责不重叠和交接协议清晰。
Q87:Multi-Agent 系统中,如何保持 Agent 之间的一致性?
详解
四个一致性维度:
| 维度 | 含义 | 保障措施 |
|---|---|---|
| 共享上下文 | 全局数据保持一致 | 统一状态存储+同步机制 |
| 术语一致性 | 使用统一术语 | 共享术语表注入各 Agent Prompt |
| 决策一致性 | 相关 Agent 决策不冲突 | 协调器仲裁+冲突检测 |
| 输出格式一致 | 统一输出格式 | 共享 JSON Schema |
答题要点:说出至少 3 个一致性维度,展示每个的保障措施。
Q88:LangGraph 的 multi-agent 是如何实现的?
详解
实现方式——两种核心模式:
模式一:Supervisor 模式
from langgraph.graph import StateGraph, END
workflow = StateGraph(AgentState)
workflow.add_node("supervisor", supervisor_node) # 协调器
workflow.add_node("researcher", research_node) # 研究
workflow.add_node("writer", write_node) # 写作
workflow.add_conditional_edges("supervisor", route) # 协调器路由到对应 Agent
workflow.add_edge("researcher", "supervisor") # 结果回到协调器
workflow.add_edge("writer", "supervisor")
模式二:Agent 间直接通信(Swarm 模式)
# Agent A 完成后,将结果作为消息传给 Agent B
workflow.add_edge("agent_a", "agent_b")
核心机制:StateGraph(有状态图)、Reducer(并行状态合并)、Checkpointer(状态持久化)、conditional edges(动态路由)。
答题要点:展示两种实现模式的核心代码,说明 Supervisor 路由和 Agent 间直接通信的区别。
Q89:CrewAI 的 role-based 多 Agent 是如何实现的?
详解
核心概念:
| 概念 | 说明 |
|---|---|
| Agent(角色) | 具有特定角色和目标的智能体(如“资深研究员”“文案写手”) |
| Task(任务) | 分配给 Agent 的具体任务,含描述和预期输出 |
| Crew(团队) | 组织 Agent 和任务,定义执行顺序 |
| Process(流程) | 顺序执行(sequential)或层级执行(hierarchical) |
代码示例:
from crewai import Agent, Task, Crew, Process
researcher = Agent(role="资深研究员", goal="深入研究AI Agent", backstory="拥有10年AI研究经验")
writer = Agent(role="技术写手", goal="将研究成果写成易懂文章")
research_task = Task(description="研究AI Agent最新进展", agent=researcher)
write_task = Task(description="撰写技术文章", agent=writer)
crew = Crew(agents=[researcher, writer], tasks=[research_task, write_task], process=Process.sequential)
result = crew.kickoff()
答题要点:解释四个核心概念,展示代码示例,说明 sequential 和 hierarchical 两种流程。
Q90:AutoGen 的对话式多 Agent 是如何工作的?
详解
核心机制:
┌─────────────┐ 对话 ┌─────────────┐
│ UserProxy │◄──────────────►│ Assistant │
│ (用户代理) │ │ (LLM 代理) │
└─────────────┘ └─────────────┘
两种模式:
| 模式 | 说明 | 适用 |
|---|---|---|
| Two-Agent 对话 | UserProxy(执行代码)+ Assistant(生成代码) | 代码生成 |
| GroupChat(群聊) | 多 Agent 通过 GroupChatManager 交流 | 多角色协作 |
答题要点:解释 UserProxy/Assistant 双 Agent 模式和 GroupChat 群聊模式,说明各自适用场景。
Q91:如何设计 Multi-Agent 系统的可观测性?
详解
三大可观测维度:
| 维度 | 采集数据 | 工具 |
|---|---|---|
| Logs(日志) | Agent 执行轨迹、工具调用记录 | LangSmith/Langfuse |
| Metrics(指标) | 成功率、延迟、Token 消耗、Agent 调用数 | Prometheus |
| Traces(链路) | 端到端调用链(哪个 Agent 调了哪些工具) | OpenTelemetry + Jaeger |
答题要点:展示三大维度(Logs/Metrics/Traces),说明各自采集的数据和工具。
Q92:Multi-Agent 系统中,如何处理 Agent 间的任务冲突?
详解
三类冲突及处理:
| 冲突类型 | 示例 | 处理策略 |
|---|---|---|
| 资源竞争 | 两个 Agent 抢同一数据 | 锁机制/协调器分配 |
| 决策冲突 | 两个 Agent 给出相反建议 | 仲裁规则(优先级/投票/人工) |
| 目标冲突 | 优化成本 vs 优化质量 | 全局目标函数/协调器权衡 |
答题要点:说出至少 2 类冲突及处理策略,强调协调器的仲裁作用。
Q93:如何测试一个 Multi-Agent 系统?
详解
三层测试:
| 层 | 测试内容 | 方法 |
|---|---|---|
| 单元测试 | 单个 Agent 的正确性 | 固定输入测试各 Agent 输出 |
| 集成测试 | Agent 间协作 | 完整流程跑通,验证交接正确 |
| 端到端测试 | 用户视角体验 | 典型用户场景验证最终效果 |
答题要点:展示三层测试(单元/集成/端到端),说明各自的测试重点。
Q94:Multi-Agent 和 Distributed AI 有什么区别?
详解
| 维度 | Multi-Agent | Distributed AI |
|---|---|---|
| 关注点 | 多个智能体协作完成任务 | 单个/多个 AI 系统的分布式部署 |
| 目标 | 提升能力和效果 | 提升性能、可靠性和扩展性 |
| 协作方式 | Agent 间逻辑协作 | 负载均衡、数据分片 |
| 示例 | CrewAI 研究团队 | 多 GPU 分布式训练、边缘推理 |
答题要点:用对比表格说明区别——Multi-Agent 关注“如何协作”,Distributed AI 关注“如何部署”。
Q95:请设计一个 Multi-Agent 系统来处理客户投诉工单
详解
完整设计:
客户投诉工单
│
▼
┌─────────────┐
│ 分类 Agent │ ──→ 判断类型(产品/物流/售后)
└─────────────┘
│
├───────────────┬───────────────┐
▼ ▼ ▼
分类Agent 分析Agent 方案Agent
(产品问题) (查订单+物流) (生成解决方案)
│ │ │
└───────────────┴───────────────┘
▼
┌─────────────┐
│ 审批 Agent │ ←─ 高风险方案需人工审批
└─────────────┘
▼
回复客户 + 记录归档
技术选型:LangGraph(有状态编排+Human-in-the-Loop)、向量库(历史工单检索)、Redis(会话状态)。
答题要点:画出完整架构图,说明每个 Agent 的职责,重点展示审批 Agent 的 Human-in-the-Loop。