工业级AI Agent - 测试题答案

📝 多智能体协作与长期记忆系统测试答案

第一部分：选择题答案

1. C - 任务分解和智能体编排

解析：CEO Agent作为总控智能体，主要负责将复杂任务分解为子任务，并协调各个专业智能体完成工作。

2. B - 确保任务依赖关系无环

解析：DAG（有向无环图）确保任务流程中不会出现循环依赖，保证任务可以按拓扑顺序执行。

3. C - 情景记忆（Episodic Memory）

解析：情景记忆存储在Milvus向量数据库中，属于长期记忆。短期缓冲区和Redis缓存属于短期记忆。

4. C - 确保输出质量

解析：Review Loop通过"执行-评估-修正"的闭环机制，对不合格的输出进行重做，从而保证质量。

5. B - 生成摘要并存入Milvus

解析：当缓冲区达到阈值时，会触发归档流程：生成对话摘要、向量化、存入Milvus长期存储。

6. C - 实时搜索

解析：做梦服务主要负责记忆整理（聚类、去重、提取洞察、矛盾修正、归档），不负责实时搜索。

7. B - 实现并行执行

解析：asyncio.gather 可以同时执行多个异步任务，提高执行效率。

8. B - 从情景记忆中提取

解析：语义记忆是通过LLM从多条情景记忆中抽象提取出的高层次知识。

9. B - 质量审核员

解析：Critic Agent负责对其他Agent的输出进行质量评估和审核。

10. D - 临时记忆

解析：记忆分层架构包括：短期记忆、情景记忆、语义记忆三层，没有"临时记忆"这个概念。

第二部分：判断题答案

1. 错误

解析：多智能体系统通过专业分工、并行执行和质量把控，更适合处理复杂任务。单体Agent容易出现Context爆炸和注意力分散问题。

2. 错误

解析：SOP必须是DAG（有向无环图），不能有循环依赖，否则会导致死锁。

3. 错误

解析：短期记忆存储在内存缓冲区（Buffer）或Redis中，不是Milvus。Milvus存储的是长期记忆（情景记忆和语义记忆）。

4. 错误

解析：做梦服务应该在系统空闲时（如凌晨）执行，避免影响正常业务。

5. 正确

解析：记忆压缩通过摘要生成等方式减少上下文长度，从而降低token消耗。

6. 错误

解析：无依赖关系的Agent可以并行执行，使用asyncio.gather提高效率。

7. 错误

解析：情景记忆存储的是具体事件（Who, When, What），语义记忆才存储抽象知识和经验法则。

8. 正确

解析：Review Loop机制允许Critic Agent审核输出，对不合格的结果打回重做。

9. 错误

解析：Milvus是向量数据库，不是关系型数据库。

10. 正确

解析：混合检索结合了向量相似度搜索和关键词匹配，提高检索准确性。

第三部分：填空题答案

1.

  • Researcher（研究员）
  • Analyst（分析师）
  • Critic（审核员）

2.

  • 情景记忆（Episodic Memory）
  • 语义记忆（Semantic Memory）

3.

  • Standard Operating Procedure（标准作业程序）
  • 执行顺序

4.

  • 去重（或：删除重复）
  • 矛盾修正（或：解决矛盾）

5.

  • asyncio.gather

第四部分：简答题答案

1. 多智能体系统相比单体Agent的优势

答案要点：

  1. 专业分工：每个Agent专注于特定领域，提高专业性和准确性

    • 例如：Researcher专注搜索，Analyst专注分析，各司其职

  2. 并行执行：无依赖的任务可以同时执行，提高效率

    • 使用asyncio.gather实现真正的并行

  3. 质量把控：通过Review Loop机制确保输出质量

    • Critic Agent审核，不合格可以重做

  4. 可扩展性：易于添加新的专业Agent

    • 通过Agent注册机制动态扩展

  5. 避免Context爆炸：每个Agent维护独立的上下文

    • 不会出现单体Agent的注意力分散问题

评分标准：列举3点及以上，每点解释清楚即可得满分。

2. 记忆管道的工作流程

答案要点：

存储流程：

  1. 用户输入进入短期缓冲区（Buffer）
  2. 当缓冲区达到阈值（如8轮对话）时触发归档
  3. 生成对话摘要，使用LLM压缩关键信息
  4. 对摘要进行向量化（Embedding）
  5. 存入Milvus向量数据库作为情景记忆

检索流程：

  1. 接收查询请求
  2. 提取查询关键词
  3. 对查询进行向量化
  4. 在Milvus中执行混合检索（向量相似度 + 关键词匹配）
  5. 返回相关的长期记忆 + 短期缓冲区内容

压缩流程：

  1. 收集短期记忆和检索到的长期记忆
  2. 如果上下文过长（>1000字符）
  3. 使用LLM生成压缩摘要
  4. 保留与当前查询最相关的信息
  5. 返回压缩后的上下文（减少token消耗）

评分标准：三个环节都解释清楚，流程完整即可得满分。

3. Review Loop机制

答案要点：

定义： Review Loop是一种"执行-评估-修正"的闭环质量控制机制。

工作流程：

  1. 执行阶段：Agent（如Researcher或Analyst）执行任务
  2. 评估阶段：Critic Agent审核输出结果
    • 对研究内容：检查信源可靠性、信息完整性
    • 对分析代码：检查语法正确性、逻辑合理性
  3. 决策阶段：Critic给出审核结果
    • PASS：通过，进入下一环节
    • REJECT：拒绝，需要重做
    • REVISION：需要修订，提供改进建议
  4. 修正阶段：如果未通过，将反馈注入上下文，重新执行

质量保证机制：

  • 多维度评分（准确性、完整性、清晰度）
  • 提供具体的问题列表和改进建议
  • 设置最大重试次数（如2次），避免无限循环
  • 每次重做都会参考上次的反馈

评分标准：解释清楚定义、流程和质量保证机制即可得满分。

第五部分：代码分析题答案

1. 这段代码实现了什么功能？（3分）

答案： 这段代码实现了基于DAG的SOP任务流执行引擎。它按照拓扑排序的方式执行SOP中的所有节点，确保每个节点在其依赖节点完成后才执行。

关键特性：

  • 自动识别无依赖的节点
  • 并行执行所有就绪节点
  • 检测循环依赖

2. ready 列表中包含的是什么类型的节点？（2分）

答案： ready 列表包含的是所有依赖已满足的节点，即：

  • 该节点的所有依赖节点都已经执行完成（在executed集合中）
  • 该节点本身还未执行（在pending字典中）

这些节点可以立即执行，不需要等待其他节点。

3. 为什么使用 asyncio.gather 而不是循环调用？（3分）

答案： 使用asyncio.gather的原因：

  1. 真正的并行执行：

    • asyncio.gather可以同时执行多个异步任务
    • 循环调用是串行执行，效率低

  2. 性能优势：

    1
2
3
4
5
6

    # 串行：总耗时 = t1 + t2 + t3
for node in ready:
    await execute_node(node)

# 并行：总耗时 = max(t1, t2, t3)
await asyncio.gather(*[execute_node(n) for n in ready])

  3. 充分利用资源：

    • 多个Agent可以同时调用API
    • 等待IO时不会阻塞其他任务

4. 如果SOP中存在循环依赖，会发生什么？（2分）

答案： 如果存在循环依赖，会抛出RuntimeError("检测到循环依赖")异常。

原因：

  • 当存在循环依赖时，所有剩余节点的依赖都无法满足
  • ready列表为空，但pending字典不为空
  • 触发if not ready条件，抛出异常

示例：

1
2

A依赖B → B依赖C → C依赖A  # 形成环
→ 无法找到任何就绪节点 → 抛出异常

附加题答案（选做）

内容创作SOP设计

SOP定义：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47

{
  "name": "内容创作SOP",
  "description": "从研究到发布的完整内容创作流程",
  "nodes": [
    {
      "id": "research",
      "name": "主题研究",
      "agent_type": "researcher",
      "task_template": "深度研究主题：{{input}}，收集相关资料、数据和案例",
      "dependencies": [],
      "review_required": true
    },
    {
      "id": "outline",
      "name": "大纲生成",
      "agent_type": "analyst",
      "task_template": "基于研究结果生成文章大纲：{{results.research}}",
      "dependencies": ["research"],
      "review_required": true
    },
    {
      "id": "data_analysis",
      "name": "数据分析",
      "agent_type": "analyst",
      "task_template": "对研究数据进行分析并生成可视化图表",
      "dependencies": ["research"],
      "review_required": true
    },
    {
      "id": "content_draft",
      "name": "内容撰写",
      "agent_type": "researcher",
      "task_template": "根据大纲和数据分析撰写文章：{{results.outline}}",
      "dependencies": ["outline", "data_analysis"],
      "review_required": true
    },
    {
      "id": "final_review",
      "name": "最终审核",
      "agent_type": "critic",
      "task_template": "审核文章质量、数据准确性和逻辑完整性",
      "dependencies": ["content_draft"],
      "review_required": false
    }
  ],
  "final_output_node": "final_review"
}

DAG流程图：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

                    research (研究)
                    /              \
                   /                \
            outline (大纲)      data_analysis (数据分析)
                   \                /
                    \              /
                  content_draft (撰写)
                         |
                         |
                  final_review (审核)

节点说明：

  1. research节点：

    • Agent：Researcher
    • 任务：收集主题相关资料
    • 依赖：无
    • 输出：研究报告

  2. outline节点：

    • Agent：Analyst
    • 任务：生成文章大纲
    • 依赖：research
    • 输出：结构化大纲

  3. data_analysis节点：

    • Agent：Analyst
    • 任务：数据分析和可视化
    • 依赖：research
    • 输出：图表和分析结果

  4. content_draft节点：

    • Agent：Researcher
    • 任务：撰写文章内容
    • 依赖：outline + data_analysis
    • 输出：文章草稿

  5. final_review节点：

    • Agent：Critic
    • 任务：质量审核
    • 依赖：content_draft
    • 输出：最终文章

并行执行优化：

  • outline和data_analysis可以并行执行（都只依赖research）
  • 提高整体执行效率

评分标准：

  • 节点定义清晰（3分）
  • 依赖关系合理（3分）
  • Agent分配恰当（2分）
  • 流程图正确（2分）

💡 学习建议：对照答案检查自己的理解，重点关注错误的题目，回到笔记中复习相关知识点。

📝 答案日期：2026-03-26

Aries's Blog