第一层：基础认知（Why / What）【5 题】
Q1. 【什么情况下你会明确选择多智能体，而不是把单 Agent 做”更聪明”？】
面试官为什么问这个问题：
这个问题用来判断候选人是否真正理解”多智能体的使用边界”。很多人会在单 Agent 已经可以覆盖的情况下，盲目拆分 Agent，导致系统复杂度失控。面试官想听的是决策标准，而不是抽象优势。
参考口语化回答：
我一般不会因为”能拆”就拆，而是看三个信号：第一，任务是否天然存在角色分工，比如规划、执行、校验这类职责冲突明显的环节；第二，单 Agent 是否已经出现上下文过载，导致推理质量明显下降；第三，业务是否允许中间结果反复校验。如果只是知识问答或者简单流程，我宁愿把单 Agent 的 Prompt 和工具打磨好。多智能体一旦上来，协作成本、状态同步、失败传播都会指数级增加，这是必须提前算清楚的账。
Q2. 【在你理解中，多智能体系统解决的”核心问题”是什么？】
面试官为什么问这个问题：
这道题用来区分”理解协作本质”和”只会堆 LLM 调用”的候选人。很多人会泛泛而谈并行、智能增强，但说不清真实价值。
参考口语化回答：
我不认为多智能体的核心是”更聪明”，而是”降低单点认知风险”。在真实业务里，一个 Agent 很容易因为上下文偏差一路错到底。多智能体真正有价值的地方，是通过角色分离，把规划、执行、校验、反思这些高风险认知步骤拆开，让错误能被另一个 Agent 暴露出来。如果没有这个需求，多智能体只是在放大调用次数和成本。
Q3. 【你如何区分”多智能体系统”和”多次 LLM 调用”的本质差异？】
面试官为什么问这个问题：
这是一个经典的”反套路题”，专门用来筛掉把 for-loop 调 LLM 也叫多 Agent 的人。
参考口语化回答：
在我看来，关键不在数量，而在”是否存在独立决策闭环”。多次 LLM 调用通常是同一个意图在不同阶段展开，而多智能体里，每个 Agent 都有相对独立的目标、上下文和失败责任。我做过一个项目，如果把其中两个 Agent 合并，系统功能还能跑，但一旦合并后就失去了交叉校验能力，这时我才会把它视为真正的多智能体，而不是多次调用。
Q4. 【你如何理解多智能体中的”协作、分工和博弈”？】
面试官为什么问这个问题：
这道题在考察候选人是否停留在概念层，还是理解这些关系在工程上意味着什么成本。
参考口语化回答：
分工是最容易的，协作是最贵的，博弈是最危险的。分工只是职责划分，但一旦需要协作，就涉及状态共享、顺序控制和失败回滚。博弈我一般非常谨慎，只有在风险评估、策略对抗这种场景才用，因为一旦两个 Agent 都”很自信”，系统反而更难收敛。我踩过坑，博弈没设计好，最后是两个 Agent 无限互相否定。
Q5. 【为什么说”多智能体不是银弹，而是复杂系统”？】
面试官为什么问这个问题：
这是一个价值观判断题，面试官希望确认你是否对复杂性有敬畏感。
参考口语化回答：
因为多智能体带来的不是线性收益，而是非线性复杂度。Agent 数量一上来，状态空间、日志量、异常路径都会爆炸式增长。如果没有清晰的失败策略和治理手段，多智能体很快会变成”没人敢改、没人敢动”的系统。所以我一直把多智能体当成最后手段，而不是默认选项。
第二层：核心技术能力（How）【8 题】
Q6. 【你在设计多智能体角色时，如何划清职责边界？】
面试官为什么问这个问题：
角色设计是多智能体的第一道工程门槛，拆错了后果非常重。
参考口语化回答：
我会尽量按”认知类型”而不是”功能模块”来拆。比如 Planner 只负责生成计划，不允许调用工具；Executor 只能执行，不允许改计划；Critic 只能评价，不参与执行。这样做的好处是出问题时能快速定位责任归属。拆过一次”职责模糊”的 Agent，最后每个 Agent 都在偷偷补位，调试成本非常高。
Q7. 【任务规划在多智能体中应该集中还是分散？】
面试官为什么问这个问题：
这是一个典型的架构取舍题，没有标准答案，但有明显的工程优劣。
参考口语化回答：
我倾向于”集中规划，分布执行”。规划如果分散，很容易出现目标不一致的问题；但执行可以并行。早期我试过让多个 Agent 各自规划，结果是计划互相打架，最后还得人工兜底。集中规划虽然有单点风险，但更可控，也更容易监控。
Q8. 【多智能体之间你通常如何通信和共享上下文？】
面试官为什么问这个问题：
通信方式直接决定系统复杂度和稳定性。
参考口语化回答：
我会刻意限制上下文共享，只传”结构化中间结果”，而不是整段对话历史。共享太多信息，很容易产生上下文污染，Agent 开始基于别人的幻觉继续推理。宁可多设计一层中间数据结构，也不要图省事直接传全文。
Q9. 【在多智能体系统中，你如何引入 RAG 而不放大幻觉？】
面试官为什么问这个问题：
RAG 一旦和多智能体叠加，错误会被迅速放大。
参考口语化回答：
我一般只允许特定 Agent 访问 RAG，比如 Research Agent，其他 Agent 只能消费它的”摘要结论”。如果所有 Agent 都能直接查知识库，很快就会出现互相引用、循环放大的问题。RAG 在多智能体里一定要有”入口管控”。
Q10. 【当多个 Agent 给出冲突决策时，你如何处理？】
面试官为什么问这个问题：
这是多智能体落地中必然会遇到的情况。
参考口语化回答：
我不会指望 Agent 自己”吵出正确答案”。工程上我会引入裁决机制，比如规则优先级、置信度阈值，或者直接 Human-in-the-loop。冲突如果交给 Agent 自由博弈，最后往往是最”会说服人”的 Agent 赢，而不一定是对的。
Q11. 【你如何看待中央调度 vs 去中心化多智能体？】
面试官为什么问这个问题：
这是考察系统视野，而不是 API 熟练度。
参考口语化回答：
在企业级系统里，我几乎不会用完全去中心化。中央调度虽然看起来不”智能”，但在失败控制、成本限制和审计上优势太大了。去中心化适合研究或仿真，但在生产环境，一旦失控，很难兜底。
Q12. 【多智能体中工具调用权限你如何设计？】
面试官为什么问的问题：
工具滥用是多智能体常见风险。
参考口语化回答：
我会做最小权限设计，每个 Agent 只开放必要工具，而且调用结果必须结构化返回。之前有 Agent 能直接调用外部 API，结果在异常情况下重复请求，直接把配额打爆，这是典型的权限没收紧。
Q13. 【你如何防止多智能体”互相带偏”？】
面试官为什么问这个问题：
这是一个经验型问题，很难靠理论回答。
参考口语化回答：
核心是减少”情绪化语言”和主观判断在 Agent 间传播。我会要求 Agent 输出尽量客观的中间结论，比如列表、评分、证据来源，而不是”我认为””我觉得”。一旦一个 Agent 用强语气下结论，很容易影响其他 Agent 的判断路径。
第三层：工程化与系统能力【8 题】
Q14. 【多智能体上线后，性能和成本问题你是如何评估的？】
面试官为什么问这个问题：
多智能体最容易在这里翻车。
参考口语化回答：
我会在设计阶段就估算最坏路径的调用次数，而不是平均值。多智能体的 P95、P99 成本往往比单 Agent 高得多，如果不提前算，很容易上线后发现根本跑不起。
Q15. 【你如何管理多智能体的状态？】
面试官为什么问这个问题：
状态是多智能体的核心复杂度来源。
参考口语化回答：
我会把状态显式化，宁可写进 State，也不要隐含在 Prompt 里。隐式状态一旦错了，根本没法回放。用过 LangGraph 之后，我对状态机的敬畏感更强了。
Q16. 【Agent 失败是如何在系统中传播的？你怎么切断？】
面试官为什么问这个问题：
这是稳定性问题的核心。
参考口语化回答：
我会区分”可恢复失败”和”致命失败”。可恢复的只影响当前 Agent，致命的直接中断整个流程。如果不区分，失败会被下游 Agent 当成正常输入继续放大。
Q17. 【多智能体系统你如何做日志和 Tracing？】
面试官为什么问这个问题：
没有可观测性，多智能体不可维护。
参考口语化回答：
我会给每个 Agent 单独打 Trace ID，同时保留调度层的全局 ID。否则出了问题，只看到一堆 LLM 调用日志，根本拼不出完整行为链。
Q18. 【在 Docker / 服务化环境下，你如何部署多智能体？】
面试官为什么问这个问题：
考察工程落地能力。
参考口语化回答：
我一般不会把所有 Agent 拆成独立服务，除非确实有独立扩缩容需求。过度服务化只会增加网络延迟和运维成本。很多时候，一个进程内的多 Agent 调度更稳定。
Q19. 【你如何限制 Agent 的”自由度”？】
面试官为什么问这个问题：
自由度过高是风险源头。
参考口语化回答：
我会通过模板、输出 schema、工具白名单来约束，而不是靠 Prompt 提醒。Prompt 是软约束，工程手段才是硬约束。
Q20. 【多智能体系统如何做回放和复现？】
面试官为什么问这个问题：
这是高阶工程能力体现。
参考口语化回答：
必须记录完整输入、状态变化和中间输出，否则复现几乎不可能。我见过只能”线上看结果，线下复现不了”的多智能体系统，维护成本极高。
Q21. 【你如何防止多智能体进入死循环？】
面试官为什么问这个问题：
死循环是多智能体的经典坑。
参考口语化回答：
我会设置最大轮次、信心阈值和强制终止条件。不要指望 Agent 自己意识到”该停了”，它们往往不会。
第四层：真实项目与业务场景能力【6 题】
Q22. 【你在哪些真实业务中用过多智能体？为什么值得？】
面试官为什么问这个问题：
这是”是否真的做过”的验证题。
参考口语化回答：
我在金融分析场景用过，多维度评估一个标的。单 Agent 很容易被某一维信息带偏，多 Agent 可以互相制衡。但在简单报表生成场景，我试过多 Agent，效果反而更差。
Q23. 【在医疗场景中，多智能体如何避免责任模糊？】
面试官为什么问这个问题：
医疗是高风险场景。
参考口语化回答：
我会明确多智能体只做”辅助分析”，最终决策必须由人或单一裁决模块输出。多 Agent 可以给建议，但不能给最终结论，这是底线。
Q24. 【在企业流程自动化中，多智能体的最大风险是什么？】
面试官为什么问这个问题：
考察风险意识。
参考口语化回答：
最大风险不是出错，而是”悄悄出错”。多智能体一旦自动跑流程，如果缺乏人工检查，很容易在错误方向上跑得很快。
Q25. 【你如何评估多智能体是否真的提升了效果？】
面试官为什么问这个问题：
避免自嗨。
参考口语化回答：
我会和单 Agent baseline 做严格对比，看质量、成本、稳定性三项指标。如果只有质量提升，但成本翻倍，我通常会放弃。
Q26. 【你遇到过多智能体效果反而变差的情况吗？】
面试官为什么问这个问题：
这是经验验证题。
参考口语化回答：
遇到过。信息密集但目标单一的任务，多 Agent 只会制造噪声。那次我直接合并回单 Agent，效果立刻稳定。
Q27. 【你如何降低多智能体中的幻觉放大风险？】
面试官为什么问这个问题：
幻觉是面试官最关心的问题之一。
参考口语化回答：
核心是减少”幻觉传播链”。只允许一个 Agent 接触原始外部信息，其他 Agent 基于结构化结果推理。
第五层：进阶与加分项（架构 / 视野）【3 题】
Q28. 【你如何将多智能体与 LangChain / LangGraph 结合？】
面试官为什么问这个问题：
考察框架理解深度。
参考口语化回答：
我更倾向用 LangGraph 管理状态和流程，用 LangChain 管理单个 Agent 的能力边界。这样职责清晰，系统更可控。
Q29. 【你如何看待多智能体系统的治理与演进？】
面试官为什么问这个问题：
这是架构思维题。
参考口语化回答：
我会先跑通单 Agent，再引入少量关键 Agent，最后才考虑平台化。一步到位的平台，往往死得最快。
Q30. 【在你眼中，什么样的候选人是”多智能体系统潜力型选手”？】
面试官为什么问这个问题：
这是价值观和视野判断。
参考口语化回答：
不是会用多少框架，而是能清楚说出”什么时候不用多智能体”。真正做过的人，对复杂度是谨慎甚至保守的，这一点一聊就能听出来。
Q31. 【你第一次意识到”单 Agent 不够用”是因为什么问题？】
面试官为什么问这个问题：
这道题不是在问理论判断，而是在追溯候选人的真实决策起点。真正做过多智能体的人，往往能清楚说出”单 Agent 失败的具体形态”。
参考口语化回答：
我第一次意识到单 Agent 不够，是在一个分析链路特别长的场景里。Agent 前半段推理是对的，但中途一旦理解偏了，后面所有结论都跟着歪，而且我完全没办法中途介入。后来我把”分析”和”校验”拆开，哪怕多一次调用，整体稳定性明显提升，这才开始认真考虑多智能体。
Q32. 【在你看来，多智能体的”下限风险”主要体现在哪里？】
面试官为什么问这个问题：
面试官想确认候选人是否意识到：多智能体最危险的不是失败，而是”系统性失败”。
参考口语化回答：
下限风险在于错误会被包装得更”合理”。多个 Agent 彼此背书，看起来很有说服力，但一旦方向错了，系统反而更难被质疑。我一直认为，多智能体不是提高下限的手段，反而可能拉低下限。
Q33. 【你如何向非技术同事解释”为什么不一定要上多智能体”？】
面试官为什么问这个问题：
这是在考察候选人是否具备工程判断与沟通能力。
参考口语化回答：
我一般会直接说：多智能体不是功能升级，而是系统复杂度升级。它解决的是”认知可靠性问题”，不是”需求没想清楚的问题”。如果业务问题本身很简单，上多智能体只会让维护成本和风险暴涨。
Q34. 【多智能体系统中，”协作失败”通常意味着什么？】
面试官为什么问这个问题：
这道题用来区分”协作想象”和”协作现实”。
参考口语化回答：
协作失败通常不是 Agent 不聪明，而是目标函数不一致。有的 Agent 在追求完整性，有的在追求速度，如果不在设计阶段统一价值取向，协作一定会失败，而且失败得很隐蔽。
Q35. 【你是否遇到过”为了多智能体而多智能体”的项目？结果如何？】
面试官为什么问这个问题：
这是在验证候选人的工程反思能力。
参考口语化回答：
遇到过。结果基本都是两种：要么项目拖慢，要么后期被迫合并回单 Agent。真正有效的多智能体，几乎都是从单 Agent 痛点自然演化出来的，而不是一开始就设计成多 Agent。
第二层：核心技术能力（How）【8 题】
Q36. 【你如何判断一个 Agent 是否应该”拥有长期记忆”？】
面试官为什么问这个问题：
长期记忆一旦引入，多智能体复杂度会明显上升。
参考口语化回答：
我只会给”角色稳定、目标长期一致”的 Agent 加长期记忆，比如用户画像分析类。执行类 Agent 我一般不留长期记忆，否则历史偏见会不断叠加，反而降低决策质量。
Q37. 【多智能体中的 Planner 是否应该具备执行能力？】
面试官为什么问这个问题：
这是角色边界是否清晰的典型问题。
参考口语化回答：
我一般严格禁止。Planner 一旦能执行，就会在执行失败时偷偷调整计划，导致后续很难复盘。把规划和执行拆开，是为了让错误暴露，而不是被”智能修复”。
Q38. 【你如何设计 Agent 之间的依赖顺序？】
面试官为什么问这个问题：
依赖顺序直接影响系统稳定性。
参考口语化回答：
我会尽量让依赖单向化，避免环依赖。只要出现 A 依赖 B、B 又反过来依赖 A，这个系统基本就不可控了。必要时我宁愿引入一个中间裁决节点。
Q39. 【多智能体中是否应该允许 Agent 质疑系统目标？】
面试官为什么问这个问题：
这是一个容易被忽视的高级问题。
参考口语化回答：
默认不允许。质疑目标的 Agent 必须是特定角色，比如安全或合规 Agent，而且它只能提出风险，不允许直接改目标。否则系统会频繁陷入”哲学讨论”，任务根本推进不了。
Q40. 【你如何处理多智能体中的”信息过期”问题？】
面试官为什么问这个问题：
考察候选人对时效性的认知。
参考口语化回答：
我会给中间结果加时间戳和有效期，下游 Agent 只接受最新版本。否则很容易出现基于旧信息继续推理，最后结果看似合理，其实已经脱离现实。
Q41. 【多智能体系统中，你是否使用过置信度或评分机制？】
面试官为什么问这个问题：
这是工程化判断的重要信号。
参考口语化回答：
用过，而且很关键。不给置信度，所有 Agent 的输出在系统里都是”同权重”，这在冲突时非常危险。哪怕置信度不准，也比完全没有要好。
Q42. 【你如何限制 Agent 的自我反思轮次？】
面试官为什么问这个问题：
反思机制很容易失控。
参考口语化回答：
我会硬性限制轮次，并且要求每一轮反思必须引入新证据。否则 Agent 会在语言层面不断自我优化，但结论并没有实质变化。
Q43. 【多智能体中是否有你坚决不用的机制？为什么？】
面试官为什么问这个问题：
这是经验过滤题。
参考口语化回答：
我基本不用完全开放式的 Agent 自由对话。看起来很智能，但在生产环境里几乎不可控，调试和审计成本都非常高。
第三层：工程化与系统能力【8 题】
Q44. 【多智能体系统的首个线上事故通常发生在哪里？】
面试官为什么问这个问题：
真实事故经验是区分度很高的信号。
参考口语化回答：
通常发生在异常路径，比如外部接口超时、RAG 返回空结果。正常流程跑得很好，但一旦异常，Agent 的补救行为会迅速放大问题。
Q45. 【你如何控制多智能体系统的”最坏执行路径”？】
面试官为什么问这个问题：
这是成本和稳定性核心。
参考口语化回答：
我会提前画出最坏路径，计算最大调用次数和最长时延。如果这个数字业务接受不了，那这个设计本身就有问题。
Q46. 【多智能体是否需要灰度发布？你怎么做？】
面试官为什么问这个问题：
考察工程成熟度。
参考口语化回答：
一定需要。我通常先灰度 Agent 组合，而不是单个 Agent。因为问题往往出在协作关系上，而不是某一个 Agent 本身。
Q47. 【你如何判断一个 Agent 是否应该被”下线”？】
面试官为什么问这个问题：
这是系统治理问题。
参考口语化回答：
如果一个 Agent 的贡献无法量化，或者长期只增加复杂度，我会毫不犹豫下线。多智能体系统必须允许”做减法”。
Q48. 【多智能体系统中，你如何做权限和审计？】
面试官为什么问这个问题：
企业级系统的基本要求。
参考口语化回答：
每个 Agent 的工具调用、关键决策都必须可审计。否则一旦出问题，很难界定是模型问题还是系统设计问题。
Q49. 【你是否遇到过多智能体导致排障周期变长的情况？】
面试官为什么问这个问题：
验证真实维护经验。
参考口语化回答：
经常遇到。所以我现在非常克制 Agent 数量。多一个 Agent，不只是多一份代码，而是多一条排障路径。
Q50. 【你如何评估多智能体系统的”可维护性”？】
面试官为什么问这个问题：
这是长期视角问题。
参考口语化回答：
我会看新人能否在一周内理解系统。如果需要反复口头解释协作逻辑，那这个系统基本是不可维护的。
Q51. 【多智能体系统是否适合频繁迭代？】
面试官为什么问这个问题：
考察候选人对演进成本的认知。
参考口语化回答：
不太适合。多智能体一旦稳定下来，我会尽量减少结构性调整，否则回归成本非常高。
第四层：真实项目与业务场景能力【6 题】
Q52. 【在金融风控中，多智能体最大的价值和最大风险分别是什么？】
面试官为什么问这个问题：
金融是典型高风险场景。
参考口语化回答：
价值在于多视角制衡，风险在于风险叠加。多个 Agent 同时给出”谨慎乐观”，很容易被误判为低风险。
Q53. 【你是否在企业内部系统中替换过人工流程为多智能体？结果如何？】
面试官为什么问这个问题：
考察真实落地经验。
参考口语化回答：
替换过部分环节，但从不全自动。完全自动的多智能体流程，一旦出问题，影响面太大。
Q54. 【多智能体在合规或审计场景中是否合适？】
面试官为什么问这个问题：
这是边界判断题。
参考口语化回答：
只适合做辅助，不适合做裁决。合规更看重可解释性，而不是协作智能。
Q55. 【你如何向业务方证明”多智能体值得这笔成本”？】
面试官为什么问这个问题：
商业判断能力。
参考口语化回答：
我会拿稳定性和人工节省时间说话，而不是模型指标。只要能减少人工复核成本，业务通常是买账的。
Q56. 【你是否因为业务压力被迫简化多智能体设计？】
面试官为什么问这个问题：
真实博弈题。
参考口语化回答：
有过。最终我选择保留核心 Agent，其余合并。简单但稳定，往往比复杂但脆弱更重要。
Q57. 【什么业务场景下，你会明确拒绝使用多智能体？】
面试官为什么问这个问题：
这是”会拒绝”的能力。
参考口语化回答：
目标单一、时延敏感、容错率低的场景，我都会拒绝。多智能体在这些场景里几乎没有胜算。
第五层：进阶与加分项（架构 / 视野）【3 题】
Q58. 【你如何看待多智能体向 Agent Platform 演进的拐点？】
面试官为什么问这个问题：
这是系统级视野判断。
参考口语化回答：
当 Agent 数量多到需要统一权限、监控和调度时，才值得平台化。过早平台化只会增加负担。
Q59. 【多智能体系统是否应该具备”自我简化”能力？】
面试官为什么问这个问题：
这是高阶设计思维。
参考口语化回答：
我认为应该。系统能识别哪些 Agent 长期无效，并建议下线，这比无限扩张更重要。
Q60. 【你如何判断一个团队是否”驾驭得了”多智能体系统？】
面试官为什么问这个问题：
这是人才与组织判断。
参考口语化回答：
看团队是否能清楚说出失败路径。如果大家只讨论成功案例，而不讨论最坏情况，那这个团队大概率驾驭不了多智能体系统。