【AI Agent面试题】Agent 间怎么通信、共享上下文？
消息传递、共享黑板与"只传结论"——多智能体协作里最容易被上下文爆炸拖垮的一环
多 Agent 系统里，一个规划者要把子任务派给检索、写代码、跑测试几个执行者，执行者的产物又要回流汇总。面试和实战里绕不开的具体问题是：这些 Agent 之间靠什么把消息递过去？共享的上下文放在哪、谁能读谁能写？为什么很多多 Agent 系统跑着跑着就变慢、变贵、答非所问？答案的核心，往往落在"传什么"而不只是"怎么传"。
两种基本通信范式：消息传递 vs 共享黑板
Agent 之间交换信息，工程上基本就两条路，很多系统是两者混用：
- 消息传递（Message Passing）
：Agent A 直接把一条结构化消息发给 Agent B，点对点或经由一个编排器路由。像函数调用/RPC，也像人之间发消息——谁给谁、说了什么都是显式的。子 Agent 干完活，把结果作为一条消息回传给调用它的父 Agent。
- 共享黑板 / 共享内存（Blackboard / Shared Memory）
：不点对点发，而是所有 Agent 读写同一块公共空间（一个 KV 存储、一份文档、向量库或状态对象）。谁有产出就写上去，谁需要就去读。这来自经典的 Blackboard 架构：多个"专家"围着一块黑板，各自看黑板现状、补上自己那块，直到问题解决。
两者不是二选一。常见做法是：用消息传递做"控制流"（谁该干活、任务派发与回收），用共享黑板做"数据流"（大块中间产物的沉淀与复用）。
| 维度 | 消息传递 | 共享黑板 / 共享内存 |
|---|---|---|
| 信息流向 | 显式、点对点（A→B） | 隐式、多对多（写/读同一处） |
| 耦合度 | 较松，接口清晰 | 较紧，都依赖公共状态 |
| 适合 | 任务派发、结果回传、握手 | 中间产物沉淀、多方复用 |
| 主要风险 | 消息越滚越长、层层转发放大 | 并发写冲突、脏读、状态膨胀 |
关键陷阱：为什么会"上下文爆炸"
这是本题真正的采分点。多 Agent 系统最容易踩的坑，是把"全量上下文"当消息传来传去。
设想一个规划者把同一份长背景（用户原始需求 + 全部历史 + 检索到的十几篇文档）原封不动分发给 5 个子 Agent，每个子 Agent 又把自己收到的全部内容连同产出一起回传，规划者再把 5 份结果拼在一起喂给下一轮……几轮下来，会同时发生几件糟糕的事：
- Token 成本爆炸
：同一段背景被复制进 N 个 Agent 的上下文，费用近似乘以 N；层层嵌套还会指数级放大。
- 窗口溢出
：中间产物不断累积，很快顶满上下文窗口，早期关键信息被挤出或被迫截断。
- 信噪比下降
：模型要在一大堆无关细节里找重点，容易被"淹没在中间"（lost in the middle），推理质量反而变差。
- 延迟升高
：每一跳都在处理更长的输入，端到端越来越慢。
核心结论：Agent 间应当传"结论 / 摘要 / 结构化结果"，而不是传"全量上下文"。让每个 Agent 只拿到完成自己那步所必需的最小信息。
"只传结论"落地：把上下文当预算来管
把上下文当成一份有限预算，围绕它设计通信协议，常用手段有：
- 回传结论而非过程
：子 Agent 内部可以有很长的思考和中间步骤，但对外只输出压缩后的结果（结论、关键数据、引用链接/ID），把冗长推理留在自己肚子里。
- 结构化契约
：约定固定的输出 schema（如 JSON 字段summary/result/refs），而不是自由长文，天然限制体积并便于机器聚合。
- 引用代替内嵌
：大块产物（长文档、代码、数据集）写进共享黑板，消息里只传一个 ID 或路径引用，需要的 Agent 按需去取，避免全量随消息流动。
- 按需分发
：编排器给每个子 Agent 裁剪上下文——只投喂与其子任务相关的那一小片，而非广播全部。
- 汇总层压缩
：多个结果回流时，先经一个"汇总 Agent"或规则做去重/压缩，再进入下一轮，掐断累积膨胀。
# 反例：把全量上下文塞进每条消息（会爆） msg = { to:"coder", context: FULL_HISTORY + ALL_DOCS + REQ } # N 个子 Agent = N 份拷贝 # 正解：黑板存大件，消息只带结论 + 引用 blackboard.put("doc_42", long_document) # 大件落到共享内存 msg = { to: "coder", task: "按规格实现登录接口", inputs: { spec_ref: "doc_42", summary: "需支持手机号+验证码" }, # 只给必需的一小片 } # 子 Agent 回传时同样只给结论 reply = { from:"coder", result_ref:"pr_7", summary:"已实现，3 处待评审" }共享黑板的一致性别忽略
用共享内存做数据流时，多个 Agent 并发读写同一状态会带来写冲突与脏读：A 还没写完 B 就读到了半成品，或两个 Agent 同时改一个字段互相覆盖。工程上常用版本号 / 乐观锁、追加式（append-only）写入、明确的 key 命名空间划分、单点写多点读等手段兜底。这一致性问题本身可单独展开，此处只需记住：黑板不是随便共享就完事，读写协议要设计。
一套可复述的心智模型
面试里可以这样收口：控制流走消息传递、数据流走共享黑板；消息里只放结论与引用，大件留在黑板按需取；每个 Agent 只拿最小必要上下文，回传前先压缩。这样既让协作解耦清晰，又把 token 成本、窗口占用和延迟都摁在可控范围内。
一句话总结
Agent 间通信靠消息传递做控制流、共享黑板/内存做数据流；而决定系统会不会崩的关键，是只传结论、摘要与引用，而非全量上下文——让每个 Agent 拿最小必要信息、回传前先压缩，才能挡住 token 成本、窗口溢出和延迟三重上下文爆炸。
这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
👇👇扫码免费领取全部内容👇👇
1. 成长路线图&学习规划
要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。
这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。
2. 大模型经典PDF书籍
书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）
3. 大模型视频教程
对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。
4. 2026行业报告
行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
5. 大模型项目实战
学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。
6. 大模型面试题
面试不仅是技术的较量，更需要充分的准备。
在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
7. 资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇