快手 Agent 开发：A2A 与 MCP 的分界线、Function Call 的训练法
Agent 开发岗
岗位：快手 Agent 开发岗 轮次：一面、二面的单题深挖记录，融合整理 一句话定性：这是一场「协议视野 + 训练常识」面试，一面看你对生态的理解，二看你知不知道能力是练出来的。 素材时间线：2026 年多场快手 Agent 岗面试的单题记录，整理时间 2026-09-28
0. 一分钟速览
| 项目 | 内容 |
|---|---|
| 公司 / 岗位 | 快手 · Agent 开发 |
| 考察重心 | A2A 与 MCP 的定位区别、Function Call 的两阶段训练 |
| 追问风格 | 先让你下判断（是不是竞品），再用定义拆你的判断 |
| 典型挂点 | 把 A2A 说成 MCP 的竞品；把 Function Call 说成预训练自然学会的 |
| 准备方向 | 协议题答「各解决什么问题」，训练题答「每个阶段解决什么」 |
1. 一面真题：A2A 是什么，和 MCP 的区别
问法：「说说什么是 A2A 协议，它和 MCP 的区别是什么？」
错误示范：答「A2A 是 Google 搞的协议，是 MCP 的竞品，想替代 MCP」。面试官反问：两个协议面向的对象都不一样，怎么会是竞品？
答题要点：
A2A（Agent-to-Agent） 是 Google 发布的开放协议，解决多个 Agent 之间怎么互相通信协作：一个 Agent 通过 A2A 把子任务委托给另一个专业 Agent，接收方按自己声明的能力承接，支持异步长任务和流式推送结果。
区别在方向：MCP 是 Agent 向下连工具和数据，A2A 是 Agent 向外连其他 Agent。一个解决「我怎么用工具」，一个解决「我怎么和别人分工」。
为什么需要多 Agent 协作（追问必到）：单 Agent 有三重天花板——工具装多了模型选择效率骤降、上下文窗口被中间产物撑爆、一个 Agent 兼顾多个专业方向效果不如各自专精。拆成多 Agent 后，每个 Agent 有独立上下文和工具集，调度方只拿结果摘要。
两者关系：互补不冲突。复杂系统里 MCP 管每个 Agent 的工具层，A2A 管 Agent 之间的协作层，同时要用。
追问链：「子任务委托出去之后，结果质量谁负责？」答：委托方在 A2A 的任务描述里写清验收标准，接收方按声明的能力承接，交付时带结果说明；协议解决通信，质量责任靠任务描述和验收机制落实。
2. 二面真题：Function Call 能力是怎么训练出来的
问法：「详细说说大模型的 Function Call 能力是怎么训练出来的？」
错误示范一：答「预训练语料里有 API 调用代码，自然就学会了」。面试官指出：预训练学的是预测下一个 token，模型最多会「描述」想调 API，不会输出结构化调用请求，这是两回事。
错误示范二：答「SFT 喂点工具调用样本」。追问立刻到：单工具调用之外，多工具并行、调用失败重试、不需要工具直接回答、多轮对话中的调用，这些场景的数据覆盖了吗？
答题要点，按两个阶段讲：
阶段一 SFT，学会怎么调：喂完整的工具调用对话样本，每条覆盖工具定义、用户问题、模型应输出的结构化 JSON 调用、工具执行结果、最终答案。数据要覆盖全场景：单工具、多工具并行、调用失败与重试、不该调用的场景、多轮中的调用，缺一类就在对应场景翻车。
阶段二 RLHF，学会什么时候调：光有 SFT 模型会过激，什么问题都想调工具。用人类偏好标注训练奖励模型，再用强化学习调整，让模型建立「能直接回答的直接回答，需要实时数据才调工具」的边界感。
一句话总结：SFT 教会怎么调，RLHF 教会什么时候调。
追问链：「训练数据从哪来？」答：真实调用日志回灌、人工构造带验收的合成样本、开源工具调用数据集清洗，三者按场景配比。
3. 复盘与准备清单
- 快手这两道题分别代表 2026 年 Agent 岗的两条新考点线：协议生态（A2A/MCP/Skill 的分工）和训练溯源（能力从哪来）。只答应用层会显得薄。
- 协议题的万能框架：先说它解决什么问题，再说它和近邻协议的分界，最后说实际系统里怎么共存。
- 训练题的万能框架：分阶段，每阶段说清「教会什么、数据长什么样、缺了会怎样」。
相关题目：站内题库的「A2A 和 MCP 的区别」「Function Call 的训练数据怎么构造」「多 Agent 什么时候比单 Agent 好」都对应这场面试的原题。