跳到主要内容

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:

  1. 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。
  2. 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。
  3. 状态同步:Agent 完成后将结果写回共享状态,触发相关 Agent 继续。
  4. 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:

  1. Trace 追踪:记录每个 Agent 的输入、思考、工具调用、输出。LangSmith / AgentOps / Langfuse。
  2. 状态检查:随时查看各 Agent 当前状态和共享状态。
  3. 单 Agent 模拟:用固定输入单独测试某个 Agent。
  4. 断点调试:在特定节点暂停,人工干预后继续。
  5. 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:

  1. 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。
  2. 角色分配:每个 Agent 聚焦一个专业领域,避免职责重叠。
  3. 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-AgentDistributed 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。