1. 面试官追问 Multi Agent 协作时到底在问什么AI Agent 开发这两年成了面试桌上的高频话题尤其是 Multi Agent 协作几乎成了区分“只会调 API”和“真做过项目”的分水岭。我自己面过也陪人练过不少场发现一个规律面试官问 Multi Agent不是想听你把 LangChain 的 AgentExecutor 背一遍而是想看你能不能把一个模糊的业务需求拆成几个各司其职的 Agent再让它们通过统一通道稳定跑起来。说白了考的是“拆解能力 落地能力”。先把这个概念说清楚。AI Agent 是一个能自主感知环境、做决策、执行动作的程序。普通程序是你告诉它每一步做什么Agent 是你告诉它目标它自己想步骤。而 Multi Agent 协作就是当目标复杂到单个 Agent 扛不住时把它拆成多个角色比如一个负责规划、一个负责检索、一个负责执行、一个负责校验让它们互相传递信息、协同完成。适合谁适合有后端、前端、测试、数据分析经验的程序员转型因为你过去处理过的业务流程、状态机、异常重试全都能复用。面试里最常被追问的点我总结成三类。第一类是“你怎么划分 Agent 的职责”这考的是你对业务的理解深度划分太粗等于没拆划分太细通信成本爆炸。第二类是“Agent 之间怎么通信、怎么防止死循环”这考的是工程能力很多人答不上来超时和最大轮次的处理。第三类是“多模型怎么统一管理”这考的是你有没有真正跑过多模型项目因为不同 Agent 可能用不同模型Key 和通道管理是绕不开的坑。我试过用一句话回答第一类问题“按职责边界拆每个 Agent 只做一件能被单独测试的事。”这句话背后其实是一整套工程习惯。比如做一个订单异常处理系统规划 Agent 负责判断异常类型检索 Agent 负责查历史工单执行 Agent 负责发起退款或补发校验 Agent 负责确认结果。每个 Agent 的输入输出都是结构化的这样你才能单独测、单独换模型、单独排障。这里有个很多人忽略的点Multi Agent 的难点从来不在“多”而在“协作的确定性”。单个 Agent 你可以靠 prompt 兜底多个 Agent 一旦某个环节返回格式不对整条链路就崩。所以面试官追问“你怎么保证稳定”你要能说出结构化输出、超时控制、最大轮次、失败降级这几样。这些不是理论是你项目里真踩过才会有的答案。学习路线图上我建议把 Multi Agent 放在“跑通第一个单 Agent 项目之后”。因为只有你先体会过单 Agent 的记忆、工具调用、错误重试才能理解多 Agent 为什么要拆。上来就搞 Multi Agent大概率是搭了个花架子面试一问细节就露馅。接下来的章节我会把可复制的配置、统一 Key 通道、本地验证步骤一步步写清楚你照着做就能有一个能拿去面试讲的项目。2. TaoToken 统一 Key 打通多模型调用前置准备Multi Agent 项目里最烦的事情之一就是每个 Agent 可能想用不同模型规划用推理强的检索用便宜的校验用稳定的。如果每个模型都去单独申请 Key、单独配 Base URL项目还没写完配置管理先把你拖垮。所以我在项目里统一用 TaoToken 做多模型通道一个 Key 走通所有模型调用配置集中、切换方便、排障也简单。先说清楚 TaoToken 是什么、能做什么。它是一个统一的大模型 API 通道你拿到一个 Key 之后通过统一的 Base URL 就能调用多种模型不用为每个模型维护一套凭证。对 Multi Agent 场景特别合适因为你的多个 Agent 可以共用同一个 Key只在请求里改 Model ID 就能切换模型。适合谁适合正在做 Agent 项目、需要多模型对比、又不想被 Key 管理搞疯的开发者。前置准备分三步。第一步注册并拿到 Key。打开官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册后在控制台里创建 API Key。第二步确认你要用的模型 ID不同 Agent 用不同模型时Model ID 要提前记下来。第三步把 Base URL 统一成 https://taotoken.net/api 注意这个地址后面不加任何多余路径OpenAI 兼容的 SDK 直接填这个就行。这里有个关键认知统一 Key 不是为了省事是为了让 Multi Agent 的配置可维护。你想想四个 Agent 各一套 Key某天某个 Key 额度用完你得翻四个地方排查。统一之后所有 Agent 走同一个通道出问题只看一处。面试时如果你能讲出“我用统一通道管理多模型降低配置复杂度”面试官会觉得你是真做过工程而不是拼 demo。具体操作上我建议你把 Key 放在环境变量里不要硬编码进代码。Linux 或 macOS 下可以这样设置export TAOTOKEN_API_KEY你的Key export TAOTOKEN_BASE_URLhttps://taotoken.net/apiWindows PowerShell 下用$env:TAOTOKEN_API_KEY你的Key $env:TAOTOKEN_BASE_URLhttps://taotoken.net/api设置完之后验证环境变量是否生效echo $TAOTOKEN_API_KEY能打印出你的 Key 就说明配置成功。这一步看着简单但很多人项目里 Key 泄露就是因为图省事写死在代码里。养成环境变量的习惯面试聊到安全实践时你也有话说。还有一点要提醒Multi Agent 项目里不同 Agent 用不同模型是常态但你要控制模型数量。我见过有人四个 Agent 用四个模型结果调试时根本分不清是 prompt 问题还是模型问题。建议初期两个模型就够一个强推理的做规划和校验一个快而便宜的做检索和执行。等链路稳定了再按需替换。TaoToken 的好处就在这里换模型只改一个 Model ID 字符串不用动通道配置。准备阶段做完你应该有一个可用的 Key、统一 Base URL、环境变量配置、以及一份模型 ID 清单。接下来就是把这些落到具体的 Agent 项目配置里。3. 可复制的 Multi Agent 项目配置清单这一章是重点我直接把可复制的配置给你。项目结构我建议这样组织清晰且方便面试时展示multi-agent-demo/ ├── config/ │ └── agents.json ├── agents/ │ ├── planner.py │ ├── retriever.py │ ├── executor.py │ └── validator.py ├── orchestrator.py └── requirements.txt核心是config/agents.json把每个 Agent 的模型、职责、参数集中管理。这样面试官问你“多模型怎么配”你直接打开这个文件就行{ channel: { base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY }, agents: [ { name: planner, role: 拆解用户目标为可执行步骤, model: claude-sonnet-4-20250514, temperature: 0.2, max_turns: 3 }, { name: retriever, role: 根据步骤检索相关资料, model: gpt-4o-mini, temperature: 0.0, max_turns: 2 }, { name: executor, role: 执行具体动作并返回结果, model: gpt-4o-mini, temperature: 0.1, max_turns: 2 }, { name: validator, role: 校验执行结果是否符合预期, model: claude-sonnet-4-20250514, temperature: 0.0, max_turns: 1 } ], orchestrator: { max_rounds: 6, timeout_seconds: 60, on_failure: return_last_valid } }注意几个设计点。max_turns是单个 Agent 内部的最大轮次防止它自己绕圈。orchestrator.max_rounds是整个协作链路的最大轮次防止 Agent 之间互相踢皮球。on_failure定义失败降级策略我选的是返回最后一个有效结果而不是直接抛错这样用户体验更平滑。这些参数面试时都是加分项因为它们体现你考虑过稳定性。然后是 Python 侧的调用封装用 OpenAI 兼容 SDK 走统一通道import os import json from openai import OpenAI with open(config/agents.json, r, encodingutf-8) as f: CONFIG json.load(f) client OpenAI( api_keyos.environ[CONFIG[channel][api_key_env]], base_urlCONFIG[channel][base_url] ) def call_agent(agent_name: str, messages: list) - str: agent next(a for a in CONFIG[agents] if a[name] agent_name) resp client.chat.completions.create( modelagent[model], messagesmessages, temperatureagent[temperature] ) return resp.choices[0].message.content这段代码的关键在于所有 Agent 共用同一个client模型差异只体现在agent[model]。这就是统一 Key 通道的价值你不需要为每个 Agent 建连接、管凭证。面试时如果被问“你怎么管理多模型”把这段代码讲清楚就够了。如果你用的是 Claude Code 这类工具做辅助开发配置方式类似核心三件套是 Base URL、Key、Model ID。以 Claude Code 的 settings 为例配置片段长这样{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: 你的Key, ANTHROPIC_MODEL: claude-sonnet-4-20250514 } }注意 Base URL 和 Key 要和前面保持一致Model ID 用你实际要调的那个。这三件套配齐工具才能正常走统一通道。很多人配一半只填了 Key 没填 Base URL结果请求发到默认地址报 401 或者连接失败下一章我会专门讲这些错。编排器orchestrator.py的核心逻辑是串起四个 Agent并控制轮次和超时def run_pipeline(user_goal: str) - str: plan call_agent(planner, [ {role: user, content: f把目标拆成步骤{user_goal}} ]) context call_agent(retriever, [ {role: user, content: f检索与以下步骤相关的资料{plan}} ]) result call_agent(executor, [ {role: user, content: f根据资料执行{context}} ]) verdict call_agent(validator, [ {role: user, content: f校验结果是否达标{result}} ]) return verdict这段是简化版真实项目里你要加轮次计数、超时、异常捕获。但结构就是这样每个 Agent 只做一件事输入输出都是文本方便单独替换和测试。面试时你可以说“我的编排器只管流程和边界不管具体逻辑”这句话能体现分层思维。配置清单到这里就完整了JSON 管参数、Python 管调用、编排器管流程。你可以直接复制这套结构把 Agent 名字和职责换成你自己的业务场景比如客服、订单、内容审核都能套。4. 本地验证请求与成功结果确认配置写完必须本地跑通再谈面试。这一章给你完整的验证步骤从最小请求到完整链路一步步确认。第一步先验证通道本身通不通。写一个最小脚本只调一次模型import os from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlhttps://taotoken.net/api ) resp client.chat.completions.create( modelgpt-4o-mini, messages[{role: user, content: 回复两个字通了}] ) print(resp.choices[0].message.content)运行python test_channel.py如果打印出“通了”说明 Key、Base URL、模型 ID 三件套都对。这一步是整个项目的地基地基不稳后面全是坑。如果这里就报错先别往下走去第 5 章对照排查。第二步验证单个 Agent 能独立工作。用第 3 章的call_agent函数单独调 plannerfrom orchestrator import call_agent out call_agent(planner, [ {role: user, content: 把整理下载文件夹拆成三步} ]) print(out)预期结果是它返回类似“第一步扫描文件类型第二步按类型分组第三步移动到对应目录”这样的结构化步骤。如果返回的是空或者乱码检查 messages 格式和模型 ID。这一步能过说明你的 Agent 封装没问题。第三步跑完整链路。执行run_pipeline(整理我的下载文件夹)观察四个 Agent 依次输出。成功的话你会看到规划、检索、执行、校验四段内容最后 validator 给出一个结论。这里要注意第一次跑很可能中间某个 Agent 输出格式不对导致下一个 Agent 理解偏差。这很正常不是通道问题是 prompt 需要调。你可以先固定输入反复跑几次看输出是否稳定。第四步做一次多模型切换验证。把 planner 的模型换成另一个比如从 claude 换成 gpt重跑链路确认切换后依然能跑通。这一步是专门为面试准备的因为面试官很可能问“你怎么证明多模型真的能统一管理”。你能现场演示切换 Model ID 后链路照常运行比说一百句都管用。成功结果的判断标准我列一下你可以对照自查通道测试返回预期文本单 Agent 返回结构化内容完整链路四段都有输出且逻辑连贯切换模型后链路不崩。四条都满足说明你的 Multi Agent 项目本地验证通过可以拿去面试讲了。这里补一个实用技巧把每次运行的输入输出存成日志文件方便回溯。比如import datetime def log_run(goal, result): ts datetime.datetime.now().strftime(%Y%m%d_%H%M%S) with open(flogs/run_{ts}.txt, w, encodingutf-8) as f: f.write(fGOAL: {goal}\n\nRESULT:\n{result})面试时如果被问“你怎么调试 Multi Agent”你可以说“我每次运行都落日志出问题按轮次回溯是哪个 Agent 的锅”。这个习惯很加分因为它说明你有工程化思维不是跑通就算。验证阶段最忌讳的是“看起来跑通了就完事”。Multi Agent 的不稳定性往往在第二次、第三次运行才暴露所以至少跑五遍确认输出稳定。如果五遍里有两遍格式崩那就要回去调 prompt 或者加结构化输出约束。这一步花的时间面试时都会变成你的底气。5. 本篇常见报错排查对照跑 Multi Agent 项目报错是家常便饭。这一章我把最常见的几类错误和排查方法列出来你对照着看基本能覆盖 90% 的问题。第一类401 认证失败。报错长这样openai.AuthenticationError: Error code: 401 - {error: {message: Invalid API key}}原因通常是三个Key 没设置进环境变量、Key 复制时带了空格、或者 Base URL 和 Key 不匹配。排查顺序是先echo $TAOTOKEN_API_KEY确认环境变量有值再检查 Key 前后有没有多余空格最后确认 Base URL 是https://taotoken.net/api。很多人 401 是因为只配了 Key 没配 Base URL请求发到了默认地址自然认证不过。第二类local proxy failed 或连接失败。报错类似APIConnectionError: Connection error.这类错误先看网络能不能正常访问 Base URL再看你的代码里 base_url 有没有写错比如多写了/v1或者少了/api。统一通道的地址就是https://taotoken.net/api不要自己加路径。如果确认地址没错还是连不上检查是不是本地网络环境有特殊设置换个网络环境再试。第三类reading choices 报错。这个最典型KeyError: choices或者TypeError: NoneType object is not subscriptable出现这个说明resp.choices是空的或者结构不对。常见原因是模型 ID 写错了通道返回了一个错误结构你的代码却按正常结构去取choices[0]。排查方法是先把原始响应打印出来print(resp)看返回的到底是什么。如果是错误信息那就是模型 ID 或者参数问题。另一个原因是请求被限流返回了空结果。加个判断if not resp.choices: raise RuntimeError(f空响应{resp})这样报错更清晰不会让你在一堆KeyError里迷路。第四类OAuth 或鉴权相关报错。如果你用 Claude Code 这类工具可能遇到OAuth error: invalid_grant这类问题多半是工具侧的鉴权配置和统一通道冲突。解决思路是把工具的三件套配全Base URL、Key、Model ID一个都不能少。以 Claude Code 为例settings 里ANTHROPIC_BASE_URL、ANTHROPIC_API_KEY、ANTHROPIC_MODEL都要填缺一个就可能走默认鉴权流程报 OAuth 错。如果你用 Cline 或 CC Switch 这类工具同理Base URL 填https://taotoken.net/apiKey 填你的Model ID 填实际模型。第五类Agent 之间死循环。这个不报错但链路跑不完。表现是 planner 和 validator 来回踢皮球轮次用尽才停。解决办法是在编排器里加最大轮次和超时前面配置里的max_rounds和timeout_seconds就是干这个的。另外给每个 Agent 的输出加结构化约束比如要求返回 JSON减少歧义。排查通用心法先隔离再定位。通道问题就单独测通道Agent 问题就单独测 Agent别一上来就跑完整链路。我踩过的坑里有一半是因为想一步到位结果报错信息混在一起根本分不清是哪层的问题。分层测试逐层确认效率反而高。把这几类错误对照表存下来下次报错先查表能省很多时间。面试时如果被问“你遇到过什么坑”挑 401 和 reading choices 这两个讲因为它们最能体现你对通道和响应结构的理解。6. 按路线图自查与下一步动手学到这里你应该有了一个能跑的 Multi Agent 项目也知道了常见坑怎么排。接下来最重要的是自查你到底掌握到什么程度面试能不能扛住追问。我给你一份自查清单对照着打分。概念层你能用自己的话解释 Agent 的感知-思考-行动循环吗能说清 Single Agent 和 Multi Agent 的适用边界吗能讲出 ReAct 模式大概在做什么吗这三个能流畅回答概念关就过了。工程层你能独立配好统一 Key 通道吗能写出可复制的 Agent 配置吗能控制轮次和超时防止死循环吗能分层排查 401 和 reading choices 吗这四个能动手做工程关就过了。项目层你有一个能演示的 Multi Agent 项目吗能讲清每个 Agent 的职责划分吗能说出你踩过的两三个坑和解决方案吗能现场切换模型证明统一管理吗这四个能答上来项目关就过了。面试层你能三分钟讲清一个业务需求怎么拆成 Multi Agent 吗能解释为什么这么拆而不是那么拆吗能说出失败降级策略吗这三个能应对面试关基本稳了。自查完下一步就是动手。如果你还没有项目从最小的开始做一个“网页内容总结 Multi Agent”planner 拆解总结维度retriever 抓取内容executor 生成摘要validator 检查摘要是否覆盖要点。这个项目小到一天能跑通但五脏俱全面试时足够讲。如果你已经有项目下一步是优化稳定性。把 prompt 改成结构化输出加上重试和降级跑够二十遍确认不崩。然后准备你的面试话术重点讲职责划分和踩坑经验这两块最能体现真实经验。需要长期做编码和 Agent 项目的可以了解 Coding Plan适合持续开发和多模型协作场景。想先验证模型效果的可以直接去模型对话页面试。要拿 Key 和看接入细节的走 API Keys 和接入文档。这几个入口按你的需求选不用全走一遍。最后说一句实在的Multi Agent 协作不是靠看会的是靠跑通的。你今天把配置复制下来跑通一条链路比看十篇文章都值。面试官追问的从来不是概念是你有没有真做过。动手就是最好的准备。