参考资料

• LangChain Multi-agent
• LangGraph Overview

参考资料

• OpenAI Cookbook
• LangChain 文档

面试题（09） - Multi-Agent 与 LangGraph（第 71～80 题）

读完后，你应能：

• 能验证“重点考察拆分依据、模式选型、状态同步、并行和失败处理”，并保存输入、输出与失败样本。
• 能验证“答案： 当单 Agent 工具过多而持续误选、不同领域上下文庞大需要隔离、子任务可独立并行、能力由不同团队维护，或工具权限必须分隔时，多 Agent 才有明确价值”，并保存输入、输出与失败样本。
• 能验证“任务复杂不等于需要多个角色”，并保存输入、输出与失败样本。

重点考察拆分依据、模式选型、状态同步、并行和失败处理。

一、先建立全局：Multi-Agent 与 LangGraph（第 71～80 题） 是什么？

理解“Multi-Agent 与 LangGraph（第 71～80 题）”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。

“Multi-Agent 与 LangGraph（第 71～80 题）”的第一个核心判断是：负责路由、传入裁剪上下文并汇总结果；。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。

顺序	章节	读完本节应抓住的结论
1	题目与详细答案	负责路由、传入裁剪上下文并汇总结果；
2	重点考察拆分依据、模式选型、状态同步、并行和失败处理	重点考察拆分依据、模式选型、状态同步、并行和失败处理。
3	答案	答案： 当单 Agent 工具过多而持续误选、不同领域上下文庞大需要隔离、子任务可独立并行、能力由不同团队维护，
4	或工具权限必须分隔时	或工具权限必须分隔时，
5	多 Agent 才有明确价值	多 Agent 才有明确价值。
6	任务复杂不等于需要多个角色	任务复杂不等于需要多个角色。

1.1 核心对象之间怎样衔接

flowchart LR
  S1["题目与详细答案"] --> S2
  S2["重点考察拆分依据、模式选型、状态同步、并行和失败处理"] --> S3
  S3["答案"] --> S4
  S4["或工具权限必须分隔时"] --> S5
  S5["多 Agent 才有明确价值"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“Multi-Agent 与 LangGraph（第 71～80 题）”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。

1.2 再看失败：问题最早会出现在哪一步？

在“Multi-Agent 与 LangGraph（第 71～80 题）”的对象和顺序已经明确后，再看可观察的失败：文本直通执行、状态不可重放或重试重复写入。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。

二、题目与详细答案

2.1 第71题：什么情况下真正需要 Multi-Agent？

答案： 当单 Agent 工具过多而持续误选、不同领域上下文庞大需要隔离、子任务可独立并行、能力由不同团队维护， 或工具权限必须分隔时， 多 Agent 才有明确价值。 任务复杂不等于需要多个角色。 应先建立单 Agent 基线，再证明多 Agent 提升成功率、上下文效率或并行延迟。

2.2 第72题：Subagents 模式如何工作？

答案： 主 Agent 把子 Agent 当工具调用， 负责路由、传入裁剪上下文并汇总结果； 子 Agent 通常不直接与用户交互。 它适合集中控制、多跳调用和强上下文隔离，也允许并行子任务。 代价是结果回到主 Agent 会增加调用和 Token， 子 Agent 默认无状态时重复请求不能自动复用上下文。

2.3 第73题：Router 模式适合什么？

答案： Router 先分类输入， 再分发到一个或多个专家， 适合边界清楚、可一次路由或并行聚合的任务， 如按领域查询多个知识库。 路由器可能是规则、小模型或 LLM。 需要评测路由准确率、低置信保底和并行预算。 连续多跳任务若每次都重新路由，会增加成本并丢状态。

2.4 第74题：Handoff 和 Subagent 有什么区别？

答案： Subagent 完成子任务后把结果交回主 Agent，控制权始终集中； Handoff 把当前会话控制权交给另一 Agent，后者可直接继续与用户交互。 Handoff 适合客服阶段或专业坐席切换，但要明确移交哪些状态、工具和权限，以及如何返回。 控制权模糊会造成两个 Agent 都认为对方负责。

2.5 第75题：LangGraph 的 State、Node、Edge 分别是什么？

答案： State 是节点共享的结构化数据契约， Node 执行确定性代码或模型/工具步骤， Edge 定义下一节点， 条件 Edge 表达分支和循环。 图的价值是把成功、失败、重试、人工审批和停止路径显式化， 并通过 Checkpointer 恢复。 不要把 State 设计为无限增长的全量消息垃圾桶。

2.6 第76题：多 Agent 共享状态怎样设计？

答案： 只共享任务 ID、结构化中间产物、证据引用、状态和错误； 大正文放对象存储，以 ID 传递。 字段定义所有者和合并规则，列表并发写要去重或使用 reducer。 敏感凭证不进入 State，权限声明按最小化传递。 State Schema 版本化，节点输入输出做校验。

2.7 第77题：多 Agent 并行怎样控制？

答案： 只并行无依赖子任务， 设置 fan-out 和并发上限、每任务超时/Token、全局截止时间与取消机制。 结果需稳定 Schema，汇总前处理部分失败、重复与冲突。 外部 API 限流和连接池往往是瓶颈，并发数应压测决定。 无限创建 Agent 会把延迟问题变成限流和成本问题。

2.8 第78题：多 Agent 如何处理部分失败？

答案： 为子任务标注 required/optional。 必需任务失败可重试、换路由、请求用户或整体失败； 可选任务失败可返回部分结果并标记缺口。 汇总器不能把缺失当作空事实。 保存每个子任务状态和错误类型，重复执行使用幂等键； 全局取消时清理仍运行任务。

2.9 第79题：怎样避免 Agent 之间互相重复工作？

答案： 规划阶段生成带稳定 ID、输入、期望输出和依赖的任务 DAG，调度器原子领取； 共享任务注册表记录 pending/running/done。 相同输入计算幂等哈希，已有结果直接复用。 Agent 只看分配任务和必要上下文，不自行创建同义任务。 最后用证据 ID 去重，而不是只比较文本。

2.10 第80题：如何评估 Multi-Agent 架构？

答案： 与单 Agent 比较任务成功率、模型调用、总 Token、P95、费用和故障率； 另外看路由准确率、子任务完成率、并行加速比、冲突率和人工接管。 对重复请求、多领域并行、工具故障和权限隔离分别测试。 若质量不升或仅架构更复杂，应回退单 Agent/Skills/确定性工作流。

三、动手验证：先跑通 Multi-Agent 与 LangGraph（第 71～80 题），再改变一个变量

前面的章节已经建立问题、概念和机制。现在把“Multi-Agent 与 LangGraph（第 71～80 题）”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。

3.1 基线与候选只允许一个变量不同

验证“Multi-Agent 与 LangGraph（第 71～80 题）”时，先固定工具 Schema、身份、畸形参数、超时和重复请求。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。

执行“Multi-Agent 与 LangGraph（第 71～80 题）”时，动作是：回放决策到执行链路，覆盖失败、重试、暂停和恢复。原始结果不能只保留截图或汇总分数，必须同步保存：模型提议、校验、授权、幂等键、状态迁移、Trace，使下一次复查可以在同一输入上重放。

实验要素	本文要求
固定条件	工具 Schema、身份、畸形参数、超时和重复请求
唯一变量	本次候选方案与基线之间的一项明确差异
原始证据	模型提议、校验、授权、幂等键、状态迁移、Trace
通过阈值	模型只提议；执行受代码约束；失败不重复副作用
立即停止	文本直通执行、状态不可重放或重试重复写入

3.2 执行前先排除不可比较条件

“Multi-Agent 与 LangGraph（第 71～80 题）”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。

• 基线能够在“Multi-Agent 与 LangGraph（第 71～80 题）”的当前环境重复运行。
• 候选只改变一个与“Multi-Agent 与 LangGraph（第 71～80 题）”结论直接相关的条件。
• “Multi-Agent 与 LangGraph（第 71～80 题）”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
• “Multi-Agent 与 LangGraph（第 71～80 题）”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

3.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“Multi-Agent 与 LangGraph（第 71～80 题）”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。

检查项	当前文章的判定
输入可追溯	工具 Schema、身份、畸形参数、超时和重复请求
过程可回放	回放决策到执行链路，覆盖失败、重试、暂停和恢复
结果可审计	模型提议、校验、授权、幂等键、状态迁移、Trace

“Multi-Agent 与 LangGraph（第 71～80 题）”的一次合格基线对照按以下顺序执行：

1. 保存“Multi-Agent 与 LangGraph（第 71～80 题）”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“Multi-Agent 与 LangGraph（第 71～80 题）”候选方案唯一变化的变量，以及它预期影响的指标。
3. 在同一环境执行“Multi-Agent 与 LangGraph（第 71～80 题）”：回放决策到执行链路，覆盖失败、重试、暂停和恢复。
4. 为“Multi-Agent 与 LangGraph（第 71～80 题）”保存：模型提议、校验、授权、幂等键、状态迁移、Trace。
5. 使用“Multi-Agent 与 LangGraph（第 71～80 题）”预登记条件判断：模型只提议；执行受代码约束；失败不重复副作用。
6. 如果“Multi-Agent 与 LangGraph（第 71～80 题）”未通过，不修改第二个变量，先恢复基线并保留失败现场。

四、用一张矩阵验证 Multi-Agent 与 LangGraph（第 71～80 题） 的关键结论

矩阵按正文顺序列出“Multi-Agent 与 LangGraph（第 71～80 题）”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。

正文章节	已解释的结论	本轮唯一变量	必须保存的证据
题目与详细答案	负责路由、传入裁剪上下文并汇总结果；	只改变与“题目与详细答案”相关的条件	模型提议、校验、授权、幂等键、状态迁移、Trace
重点考察拆分依据、模式选型、状态同步、并行和失败处理	重点考察拆分依据、模式选型、状态同步、并行和失败处理。	只改变与“重点考察拆分依据、模式选型、状态同步、并行和失败处理”相关的条件	模型提议、校验、授权、幂等键、状态迁移、Trace
答案	答案： 当单 Agent 工具过多而持续误选、不同领域上下文庞大需要隔离、子任务可独立并行、能力由不同团队维护，	只改变与“答案”相关的条件	模型提议、校验、授权、幂等键、状态迁移、Trace
或工具权限必须分隔时	或工具权限必须分隔时，	只改变与“或工具权限必须分隔时”相关的条件	模型提议、校验、授权、幂等键、状态迁移、Trace
多 Agent 才有明确价值	多 Agent 才有明确价值。	只改变与“多 Agent 才有明确价值”相关的条件	模型提议、校验、授权、幂等键、状态迁移、Trace
任务复杂不等于需要多个角色	任务复杂不等于需要多个角色。	只改变与“任务复杂不等于需要多个角色”相关的条件	模型提议、校验、授权、幂等键、状态迁移、Trace

4.1 记录本次实际实验

下面的记录用于“Multi-Agent 与 LangGraph（第 71～80 题）”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。

topic: "Multi-Agent 与 LangGraph（第 71～80 题）"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "回放决策到执行链路，覆盖失败、重试、暂停和恢复"
evidence: "模型提议、校验、授权、幂等键、状态迁移、Trace"
pass_when: "模型只提议；执行受代码约束；失败不重复副作用"
stop_when: "文本直通执行、状态不可重放或重试重复写入"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

4.2 边界实验必须证明能够停止和恢复

成功路径只能证明“Multi-Agent 与 LangGraph（第 71～80 题）”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：文本直通执行、状态不可重放或重试重复写入，并观察系统是否在产生不可逆副作用前停止。

场景	只改变什么	应保存什么	通过标准
正常路径	使用已知有效输入	模型提议、校验、授权、幂等键、状态迁移、Trace	模型只提议；执行受代码约束；失败不重复副作用
边界路径	把一个输入推进到约束临界值	临界值前后的输出与指标	不静默降级，不把部分结果冒充成功
明确失败	注入：文本直通执行、状态不可重放或重试重复写入	原始错误、首个异常阶段和最终状态	失败被正确分类且没有扩大副作用
恢复重放	执行：关闭副作用入口，恢复检查点，补充失败契约测试	原失败样本的复测证据	原样本恢复，正常样本没有回归

恢复动作不是简单重启。对于“Multi-Agent 与 LangGraph（第 71～80 题）”，第一步是：关闭副作用入口，恢复检查点，补充失败契约测试。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。

“Multi-Agent 与 LangGraph（第 71～80 题）”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。

五、Multi-Agent 与 LangGraph（第 71～80 题） 的结果解释

解释“Multi-Agent 与 LangGraph（第 71～80 题）”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。

观察结果	可以支持的判断	下一步
主链路没有达到预期	文本直通执行、状态不可重放或重试重复写入	先执行：关闭副作用入口，恢复检查点，补充失败契约测试
异常链路无法恢复	文本直通执行、状态不可重放或重试重复写入	先执行：关闭副作用入口，恢复检查点，补充失败契约测试
新样本成功但原样本仍失败	修复没有覆盖原始触发条件	固定原失败输入，恢复基线后重新比较
指标改善但证据无法回链	数据、版本或中间状态没有固定	暂停发布，补齐可追溯记录后重跑

“Multi-Agent 与 LangGraph（第 71～80 题）”只有同时满足“模型只提议；执行受代码约束；失败不重复副作用”，并且没有出现“文本直通执行、状态不可重放或重试重复写入”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。

如果“Multi-Agent 与 LangGraph（第 71～80 题）”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。

“Multi-Agent 与 LangGraph（第 71～80 题）”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。

六、Multi-Agent 与 LangGraph（第 71～80 题） 的发布判断

发布判断需要把“Multi-Agent 与 LangGraph（第 71～80 题）”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。

• “Multi-Agent 与 LangGraph（第 71～80 题）”的基线与候选只存在一个计划内变量。
• “Multi-Agent 与 LangGraph（第 71～80 题）”的输入、代码、依赖、配置和数据版本可以追溯。
• “Multi-Agent 与 LangGraph（第 71～80 题）”的正常、临界、失败和恢复样本使用同一套断言。
• “Multi-Agent 与 LangGraph（第 71～80 题）”的原始输出、中间状态和失败现场已经保留。
• “Multi-Agent 与 LangGraph（第 71～80 题）”的日志、Trace、截图和测试数据已经脱敏。
• “Multi-Agent 与 LangGraph（第 71～80 题）”的停止条件、负责人和回滚入口已经演练。
• “Multi-Agent 与 LangGraph（第 71～80 题）”尚未覆盖的输入、权限、容量和外部依赖已经登记。

最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“Multi-Agent 与 LangGraph（第 71～80 题）”的判断，就不能发布。

七、总结

• 题目与详细答案：答案： 当单 Agent 工具过多而持续误选、不同领域上下文庞大需要隔离、子任务可独立并行、能力由不同团队维护，或工具权限必须分隔时，多 Agent 才有明确价值。
• 第71题：什么情况下真正需要 Multi-Agent？：答案： 当单 Agent 工具过多而持续误选、不同领域上下文庞大需要隔离、子任务可独立并行、能力由不同团队维护，或工具权限必须分隔时，多 Agent 才有明确价值。
• 第72题：Subagents 模式如何工作？：答案： 主 Agent 把子 Agent 当工具调用，负责路由、传入裁剪上下文并汇总结果；
• 第73题：Router 模式适合什么？：答案： Router 先分类输入，再分发到一个或多个专家，适合边界清楚、可一次路由或并行聚合的任务，如按领域查询多个知识库。
• 第74题：Handoff 和 Subagent 有什么区别？：Handoff 适合客服阶段或专业坐席切换，但要明确移交哪些状态、工具和权限，以及如何返回。
• 第75题：LangGraph 的 State、Node、Edge 分别是什么？：答案： State 是节点共享的结构化数据契约，Node 执行确定性代码或模型/工具步骤，Edge 定义下一节点，条件 Edge 表达分支和循环。