多智能体
角色切分、消息协议、状态同步、冲突仲裁。拆多 Agent 不是人多力量大，是上下文稀缺和角色混乱逼出来的工程选择。
本篇分类真题集
PICKED
本方向读法
LEARN PATH
本方向的取用顺序。要完整系统学，去主线课程第 5 章「多智能体」（本方向归属章）。
刷透高频题
6 道速答题，每题一页：先这样答 → 面试官追问 → 回答的坑。下方题单收前 8 道，全部进分页列表。
深挖机制与选型
87 篇深度解析，逐层拆到原理与工程取舍。
实战检验
项目面试包讲「项目怎么讲才扛住追问」；再按公司检验：五厂真题集。
速答题单
共 6 道
分类内题目
共 88 篇
教程深挖
深度解析与对比选型 · 1 篇
真题解析
宝典真题完整解析 · 86 篇 · 去真题库总览
多 Agent 系统中的任务分配策略有哪些
面试官想看你能否从"调度算法"角度分析 Multi-Agent 系统的效率。刁钻点在于：很多人只答"轮询"和"负载均衡"，但说不清"能力匹配"和"竞价拍卖"的适用场景，以及不同策略在"公平性"、"效率"、"复杂性"之间的
什么是「反思「机制在 Agent 中的作用？Self-Reflection 和 Meta-Reflection 有什么区别
面试官想看你能否区分不同层次的反思机制，以及理解反思对 Agent 性能提升的量化效果。刁钻点在于：很多人只答"Agent 回顾自己的错误"，但说不清 Self-Reflection 和 Meta-Reflection
解释一下 Self-Consistency，它如何用于提升 Agent 推理的准确性
面试官想看你是否理解 Self-Consistency 的原理和工程实现，以及在 Multi-Agent 场景中如何扩展。刁钻点在于：很多人只答"多次采样投票"，但说不清采样温度的选择、投票策略的优化、以及 Self-C
多 Agent 协作时，如何处理一个 Agent 失败的情况
面试官想看你的容错设计能力。刁钻点在于：Agent 失败不是简单的"重试"，而是需要区分"瞬时故障"（网络超时）和"持久故障"（Agent 代码有 bug），以及处理"部分成功"（Agent 完成了 3/5 个子任务后崩
如何为一个 Agent 设计一个有效的工具集
面试官想看你的工具设计哲学——不是"能加多少工具"而是"如何让 Agent 高效地选择和使用工具"。刁钻点在于：很多人只答"工具要原子化"，但说不清工具描述怎么写、工具数量太多时怎么办、以及如何防止工具误调用。答好了能展
什么是「世界模型「？它对构建更高级的 Agent 有何意义
面试官想看你能否讨论 Agent 领域的前沿概念。刁钻点在于：世界模型是一个跨学科概念（AI + 认知科学 + 机器人学），很多人只答"Agent 对环境的内部表示"，但说不清世界模型和 LLM 的"参数化知识"有什么区
多 Agent 系统的性能瓶颈通常出现在哪里？如何优化
面试官想看你的性能分析和优化能力。刁钻点在于：很多人只答"LLM 调用慢"，但说不清消息序列化、状态同步、Agent 间通信等非 LLM 因素的性能影响。答好了能展示你的系统级性能调优能力。
比较 LangChain、AutoGen、CrewAI、MetaGPT 的核心差异。
面试官想看你是否真正用过这些框架，而非只看过 README。这题的刁钻点在于：很多人能背出各自的 slogan（"LangChain 灵活""AutoGen 对话驱动""CrewAI 角色制""MetaGPT SOP"）
在 LangChain 中，AgentExecutor 和 LCEL（LangChain Expression Language）有什么区别？2025 年应该用哪个
面试官想看你是否跟进了 LangChain 的技术演进，而非停留在旧版 API。刁钻点在于：很多人还在用 AgentExecutor（2023 年的 API），不知道 LangChain 已经全面转向 LCEL + La
AutoGen 的 「Conversable Agent「 设计理念是什么？和传统 RPC 调用有什么本质区别
面试官想看你是否理解 AutoGen 的核心设计哲学——"对话即计算"。刁钻点在于：很多人只答"Agent 通过对话协作"，但说不清对话模式和 RPC 模式在"耦合度"、"容错性"、"涌现性"上的本质差异。答好了能展示你
CrewAI 的 「Crew → Agent → Task「 三层模型如何工作？和 LangGraph 的图模型有什么区别
面试官想看你能否对比不同框架的抽象模型，而非只会用其中一个。刁钻点在于：CrewAI 的三层模型和 LangGraph 的图模型代表了两种截然不同的设计哲学——"声明式角色分工" vs "命令式状态机"。很多人只答"Cr
MetaGPT 如何用 SOP 驱动软件开发？这种方法的优势和局限是什么
面试官想看你能否批判性分析 MetaGPT 的 SOP 驱动模式——不是简单说"好用/不好用"，而是从"软件工程方法论"角度评价其合理性。刁钻点在于：SOP 驱动本质上是用"瀑布模型"做软件开发，而瀑布模型在人类软件工程
Multi-Agent 框架选型时应该考虑哪些因素？请给出决策框架。
面试官想看你是否有系统性的技术选型方法论，而非"我觉得 X 好"。刁钻点在于：很多人只看 GitHub Stars 或社区热度做选型，但忽略了"可观测性""部署复杂度""团队学习成本"等工程因素。答好了能展示你的技术决策
Multi-Agent 框架中的「消息总线「应该如何设计
面试官想看你的分布式系统设计能力——消息总线是 Multi-Agent 系统的"神经系统"，设计好坏直接决定了系统的可扩展性、可靠性和可观测性。刁钻点在于：很多人只答"用 Kafka/RabbitMQ"，但说不清消息格式
如何在一个框架中实现「动态 Agent 发现「
面试官想看你能否设计一个"可扩展的 Agent 系统"——不是写死 3 个 Agent，而是运行时动态发现和注册新 Agent。刁钻点在于：很多人只答"用注册中心"，但说不清服务发现、健康检查、能力匹配、负载均衡等细节。
什么是 Multi-Agent？与 Single-Agent 有什么本质区别
面试官想确认你是否真正理解 Multi-Agent 的核心概念，而非停留在"多个 Agent 一起工作"的表层认知。刁钻点在于：很多人混淆了"多次调用 LLM"和"Multi-Agent"——Single-Agent 也
说说 Single-Agent 和 Multi-Agent 的设计方案？什么场景该用哪个
面试官想看你的架构设计能力——能否根据任务特征选择合适的 Agent 架构。刁钻点在于：很多人只答"简单任务用单 Agent，复杂任务用多 Agent"，但说不清"复杂度的判断标准"和"两种架构的工程实现差异"。答好了能
多智能体系统有哪些应用场景？请举出3个你最有兴趣的场景并分析。
面试官想看你能否将 Multi-Agent 技术与实际业务场景结合，而非停留在理论层面。刁钻点在于：很多人只列举场景名称（"客服、开发、科研"），但说不出每个场景的"为什么需要 Multi-Agent"和"技术挑战在哪"
Agent 之间如何通信和协作
面试官想看你能否设计 Agent 间的通信机制。刁钻点在于：很多人只答"消息传递"或"共享内存"，但说不清两种模式的适用场景、消息格式设计、以及通信可靠性保证。答好了能展示你的分布式通信 + Agent 架构的综合能力。
什么是多 Agent 的路由机制？静态规则 vs LLM 动态决策
面试官想看你能否设计高效的路由机制。刁钻点在于：很多人只答"用 LLM 做路由"，但说不清 LLM 路由的延迟问题（200-500ms）和静态规则的覆盖问题。答好了能展示你的"规则+AI"混合设计能力。
在多智能体系统中，如何避免「冲突「和「循环依赖「
面试官想看你的系统稳定性设计能力。刁钻点在于：冲突和循环依赖不是"bug"而是"系统设计的固有风险"——多 Agent 系统的并行性和自治性天然会产生这些风险。答好了能展示你的分布式系统 + 并发控制的综合能力。
Multi-Agent 系统中的角色分配策略有哪些
面试官想看你能否设计合理的角色分配方案。刁钻点在于：很多人只答"固定角色分配"，但说不清"动态角色分配"的触发条件和"竞价机制"的实现细节。答好了能展示你的组织设计 + 博弈论的综合能力。
讨论 Agent 技术当前面临的最大挑战和未来发展方向。
面试官想看你的行业视野和前瞻思考。这题没有标准答案，但答得好能让你脱颖而出。刁钻点在于：很多人只列举技术挑战（"记忆"、"评估"），但说不出为什么这些是"最大"挑战、当前进展如何、还有什么未解决的问题。答好了能展示你不只
Multi-Agent 的任务调度器应该如何设计
面试官想看你的调度系统设计能力——能否从调度架构、调度目标、调度算法三个维度设计一个完整方案。刁钻点在于：很多人只答"中心化调度器分配任务"，但说不清去中心化调度的适用场景、调度目标之间的冲突（如最小化完成时间 vs 最
Agent 的负载均衡策略有哪些？如何选择
面试官想看你对负载均衡算法的系统性理解。刁钻点在于：很多人只答"轮询"和"最少连接"，但说不清"能力匹配"和"预测调度"的实现细节。答好了能展示你的分布式系统 + 机器学习的交叉能力。
Agent 的「资源配额「应该如何管理
面试官想看你的成本控制能力——Agent 系统的 LLM 调用成本可能爆炸式增长，资源配额是控制成本的关键手段。刁钻点在于：很多人只答"限制 token 数"，但说不清配额粒度（全局/租户/Agent/会话）、硬限制 v
Multi-Agent 中的「优先级调度「如何实现
面试官想看你能否设计一个既高效又公平的优先级调度系统。刁钻点在于：优先级调度的核心矛盾是"高优先级任务优先"和"低优先级任务不饿死"之间的平衡。很多人只答"用优先级队列"，但说不清抢占机制和老化策略。
Agent 的「弹性扩缩容「如何与 K8s 集成
面试官想看你的云原生 + Agent 系统的结合能力。刁钻点在于：传统 Web 服务的 HPA 基于 CPU/内存，但 Agent 的负载指标是"任务队列长度"和"LLM 调用延迟"，需要自定义指标。很多人只答"用 HP
Agent 的「多租户隔离「应该如何实现
面试官想看你的 SaaS 架构设计能力。刁钻点在于：多租户隔离不只是"数据分开"，还涉及计算资源、网络通信、配额管理的全方位隔离。很多人只答"用不同数据库"，但说不清 Agent 间的隔离（不同租户的 Agent 不能互
Multi-Agent 的「DAG 任务调度「如何实现
面试官想看你能否处理有依赖关系的复杂任务调度。刁钻点在于：DAG 调度不只是"拓扑排序"，还涉及并行执行、失败传播、动态 DAG（运行时发现新依赖）等复杂场景。
Agent 的「成本感知调度「是什么意思
面试官想看你的成本优化思维。刁钻点在于：很多人不考虑 Agent 系统的成本，但实际上 LLM 调用成本可能是传统软件的 100 倍。成本感知调度的核心是"在质量和成本之间做动态平衡"。
设计一个 Multi-Agent 软件开发团队，需要哪些角色
面试官想看你能否从"软件工程全流程"出发设计 Agent 团队，而非随意列举几个角色。刁钻点在于：很多人只答"PM + Developer + Tester"，但说不清为什么需要 Architect、DevOps、Cod
软件开发 Agent 团队如何协作完成一个需求
面试官想看你能否设计一个端到端的 Agent 协作流程，而非只描述角色。刁钻点在于：很多人只答"PM 写 PRD → Developer 写代码 → Tester 测试"，但说不出中间的信息传递格式、异常处理流程、迭代机
代码审查 Agent 应该如何设计
面试官想看你能否设计一个实用的 Code Review Agent，而非只说"用 LLM 看代码"。刁钻点在于：很多人只答"检查代码风格和 Bug"，但说不出静态分析与 LLM 审查的结合方式、审查的优先级排序、以及如何
Multi-Agent 开发中，如何处理「需求变更「
面试官想看你能否设计一个应对需求变更的 Agent 协作机制。刁钻点在于：需求变更不仅影响 Developer，还影响 Architect 的设计、Tester 的测试用例、DevOps 的部署计划。很多人只答"重新开发
Agent 生成的代码如何保证质量
面试官想看你能否设计一个多层次的代码质量保障体系。刁钻点在于：很多人只答"写测试用例"，但说不出沙箱执行、人工审核、回归测试等更深层的质量保障措施，以及如何量化代码质量。