当前位置：首页 > news >正文

用 4 台云服务器，跑通一套“能面试”的多智能体系统

news 2026/8/5 7:34:53

用 4 台云服务器，跑通一套“能面试”的多智能体系统

配套课程：《AI Agent 系统设计面试现场》
关键词：多智能体协作 · 分布式部署 · 意图识别 · 规划执行 · 上下文管理 · 智能检索 · 评估反馈

0. 为什么写这篇

学完《AI Agent 系统设计面试现场》你会发现：面试官要的不是“我用了 RAG 和大模型”，而是当真实问题摆在面前时，你能不能从混乱输入里识别意图、从复杂任务里拆出 Plan、从失败执行里定位根因、从上下文爆炸里保住关键信息。

这篇不是概念科普。我把课程里的五大主线（意图识别 / 规划执行 / 上下文管理 / 智能检索 / 评估反馈）落成了一套真能跑、且跨 4 台机器分布协作的多智能体系统，并把一次端到端调用的真实链路、指标、甚至“失败→自愈”的全过程记录下来，作为你面试时可以直接讲的项目。

1. 系统架构：5 类 Agent，4 台机器

课程强调 Agent 不是单体脚本，而是有职责边界、可编排、可观测的协作体。本系统拆成 5 个 Agent + 1 个编排网关：

角色	Agent	职责（对应课程主线）	部署机器
网关 / 编排	`gateway`	串起整条链路，做失败重试与根因回溯调度	m1
意图识别	`intent`	三层意图机制（L1 归一 / L2 分类 / L3 澄清）	m1
规划	`plan`	G4C 计划 + Replan 根因回溯	m1
执行 / 工具	`exec`	TAO 工具选择 + 工具注册表	m2
上下文 / 检索	`memory`	`f(Context)`上下文管理 + 零依赖 RAG	m3
评估 / 反馈	`eval`	量化指标 + 反馈闭环 + 看板	m4

架构图（跨机内网调用）：

┌──────────────────────── m1 (120.46.194.24) ───────────────────────┐ 用户 ──POST /chat──▶ gateway ──▶ intent(8001) ──┐ │ ├──▶ plan(8002) │ └──▶ memory(8004, m3 内网) ←── exec 也会调 ├──▶ exec(8003, m2 内网) ──┘ └──▶ eval(8005, m4 内网) m2 exec ──▶ memory(8004, m3) m4 eval ──▶ dashboard(8006)

每个 Agent 是独立的 HTTP 服务进程（标准库http.server，零三方依赖），通过内网192.168.0.0/24互相寻址。这样做的好处：

职责隔离：某个 Agent 挂了不影响其它（配合 systemdRestart=on-failure）。
贴近生产：真实多智能体系统本就是“服务网格”形态，而不是单机if/else。
可观测：每次调用都有全链路Trace，可直接喂给 Eval 出指标。

2. 部署实战（华为云 FlexusX + Ubuntu 24.04）

4 台8vCPU / 16GiB的 FlexusX，Ubuntu 24.04，全部在同一个 VPC、同一可用区，内网互通（实测延迟 < 0.3ms）。

核心部署脚本（deploy.py）做三件事：

逐文件 SFTP 上传代码（agentkit/包 +service.py+demo_run.py）。这里踩过一个坑：用 tar 包整体上传再解压，会出现文件内容被串号的情况（实测service.py的 md5 居然和__init__.py一致）。改成逐文件上传后稳定。
写 systemd unit 并托管。比nohup &可靠得多——SSH 会话断开后进程不会被回收：

[Unit] Description=AgentKit intent After=network.target [Service] Type=simple WorkingDirectory=/opt/agentkit Environment=AGENT=intent Environment=AGENTKIT_CONFIG=/opt/agentkit/config.json ExecStart=/usr/bin/python3 /opt/agentkit/service.py Restart=on-failure RestartSec=2 [Install] WantedBy=multi-user.target

从 m1 内部探活各 Agent（注意：健康检查要走内网地址，不能从本地机器直连私网）。

启动后服务状态：

● agentkit-exec.service active (running) ● agentkit-memory.service active (running) ● agentkit-eval.service active (running) ● agentkit-dashboard.service active (running)

跨机连通性实测（m1 → m2 私网）：

$ curl -s http://192.168.0.40:8003/health {"status": "ok", "agent": "exec"}

3. 端到端实测：一次调用干了什么

以课程里的“面试主线剧情”为场景，发一句话：

用户：那个最划算的帮我订了

系统走完的完整链路（节选自真实Trace）：

阶段	Agent	关键输出
意图	intent	`那个`→`机票`（指代消解），意图=`book`，置信度 0.92
规划	plan	G4C 计划：检索→对比→下单
检索	memory	RAG 命中《机票产品知识》片段
对比	exec	`最划算`排序：航司B(650) < 航司C(720) < 航司A(880)
执行	exec	下单失败：`missing param: destination`（缺目的地）
重规划	plan	根因回溯：失败点在执行层，但根因在输入层（缺参数）
澄清	gateway	从用户画像补全`destination=上海`
重试	exec	下单成功，订单号`ORD_xxx`