# 1. 如何统一追踪跨框架、跨进程和 A2A 边界的 taskId、Agent、消息、工具和 Artifact A 应用统一 taskId/spanId、W3C 上下文传播与 OpenTelemetry/OpenInference 标准，跨进程与 A2A 边界关联同一 trace ✓ 正确答案 B 各框架各自用独立 id，无需关联 C A2A 边界无法纳入 trace D 统一 trace 无法覆盖工具调用
# 2. 多 Agent 的权限委托如何做到逐跳收缩，防止低信任 Agent 借上游身份越权 A 每跳用受限 delegated token 收缩 scope、限制不可再委托，并声明能力边界，防低信任 Agent 越权 ✓ 正确答案 B 每跳都继承上游全部权限以简化 C 下游 Agent 应获得用户完整身份 D 权限收缩会破坏任务完成，不应采用
# 3. Checkpoint、消息持久化和重复投递怎样保证幂等，恢复时如何避免重复副作用 A 恢复时重跑整个流程即可，无需幂等 B 应用 checkpoint 持久化状态、消息幂等键去重、副作用原子化，恢复时跳过已完成步骤避免重复 ✓ 正确答案 C 重复投递无副作用，无需处理 D 幂等键会降低性能，应避免使用
# 4. 如何评估 smolagents、DSPy、LlamaIndex 或云托管 Agent 服务，而不预设单一最佳框架 A 应选最流行的框架，无需评估 B 框架选择与任务类型无关 C 应按能力、可控性、生态、成本、锁定等维度建立评估矩阵，并用 POC 在真实任务上按任务类型选型 ✓ 正确答案 D POC 无必要，看文档即可
# 5. 云托管 Agent 服务（OpenAI Assistants、Claude Agent SDK、Vertex AI Agent Builder）与自建编排在状态管理、成本与锁定风险上如何取舍 A 云托管永远优于自建 B 云托管省心但状态在供应商侧且有锁定风险，自建可控但成本高，应按敏感度、预算与锁定容忍度权衡或混合 ✓ 正确答案 C 自建永远优于云托管 D 锁定风险与选型无关
# 6. 策略即代码，用 OPA/Cedar 等策略引擎把权限、配额与行为约束外置，避免散落在各 Agent 提示词中？ A 权限约束应写在各 Agent 提示词中，方便灵活 B 策略即代码会降低安全一致性 C 策略引擎无法动态更新策略 D 应用 OPA/Cedar 等策略引擎把权限、配额与行为约束集中外置，Agent 执行前查询决策，做到硬约束与可审计 ✓ 正确答案
# 7. Agent 能力目录，统一的注册表记录能力、版本、SLA 与负责人，如何支撑发现、路由与治理？ A 能力目录只用于展示，不参与路由 B 目录条目无需更新，永远有效 C 目录与 SLA 无关 D 目录统一记录能力、版本、SLA、负责人，支撑发现、路由与治理，并与运行时数据联动 ✓ 正确答案
# 8. 多 Agent 失败复盘应保存哪些轨迹，又如何避免记录隐私正文和内部思考 A 复盘应保存全部对话与内部思考 B 应保存结构化轨迹、工具调用与来源引用，并对个人数据脱敏、不记录内部思考、按权限访问 ✓ 正确答案 C 复盘不需要记录模型版本 D 脱敏会破坏所有复盘能力
# 9. 框架或 A2A patch 版本变化时，应怎样做 Agent Card、状态机和流事件契约测试 A patch 升级无需测试，直接发布 B 旧客户端无需容忍新字段 C 契约测试只测 schema，不测状态机 D 应对 Agent Card schema、状态机转移与流事件做契约测试，校验双向兼容，并作为 CI 发布门禁 ✓ 正确答案
# 10. 为什么不能假设某个框架是“最佳 Agent 框架”，按任务类型（编码、研究、客服）应如何制定选型评估矩阵 A 存在一个对所有任务都最佳的统一框架 B 应按任务类型（编码、研究、客服）× 评估维度建立矩阵，结合 POC 差异化选型 ✓ 正确答案 C 框架优劣与任务类型无关 D 评估矩阵无需考虑成本与延迟
# 11. 如何用可观测性数据判断“多 Agent 是否真的必要”，而非仅靠直觉 A 应凭直觉判断多 Agent 是否必要 B 多 Agent 必然优于单 Agent，无需数据 C 应对比单/多 Agent 的成功率、成本、延迟、轮数与错误传播，看质量提升是否覆盖成本增加 ✓ 正确答案 D 可观测性无法衡量协作质量
# 12. 多 Agent 系统的“权限逐跳收缩”应在每一跳做哪些验证（声明、能力、上下文） A 每跳只需验证一次 token 即可 B 每跳应验证声明、能力与上下文三个维度，并收缩 scope 后再传递，独立审计 ✓ 正确答案 C 上下文无需验证，只要 scope 合法即可 D 上游验证通过后下游无需再验证
# 13. LangGraph、CrewAI 与 AutoGen 在状态图、角色流程和 Actor 运行时方面的核心差异是什么 A 三个框架完全等价，无差异 B 三者的编排模型都是对话式 C LangGraph 用状态图、CrewAI 用角色流程、AutoGen 用 Actor 对话，分别侧重精确控制、团队分工与动态交互 ✓ 正确答案 D 三者都基于状态图
# 14. Pydantic AI、Mastra、Spring AI/LangChain4j 如何利用各自类型系统和语言生态组织 Agent A 类型系统与 Agent 组织无关 B 三个框架都只用动态类型 C Pydantic AI 用 Python 类型、Mastra 用 TS 类型、Spring AI/LangChain4j 用 Java 类型固化契约，按语言生态组织 Agent ✓ 正确答案 D 类型安全无法用于结构化输出
# 15. 多 Agent 的成本与 token 归因，按 Agent/任务/工具调用的 token 分摊、预算控制与异常消费告警？ A 应按 Agent/任务/工具分摊 token，设置预算并实时累计，异常增长与循环重试触发告警熔断 ✓ 正确答案 B 成本无法按 Agent 归因 C 预算控制只需设一个总预算 D 异常消费无需告警，结算时处理即可
# 16. 跨 Agent 链路 SLO，端到端成功率、时延与重试率如何分层定义并告警，避免只看单 Agent 指标？ A 只需监控单 Agent 指标即可 B 应同时定义端到端与单 Agent 分层 SLO，用 trace 关联，端到端告警下钻定位故障环节 ✓ 正确答案 C 端到端指标与单 Agent 指标无关 D 重试率无需监控
# 17. 跨框架集成（LangGraph 主流程 + CrewAI 子任务 + AutoGen 对话）在状态传递、消息格式与观测上会遇到哪些工程问题 A 各框架状态/消息天然兼容，无需处理 B 跨框架观测无需统一 C 会遇到状态模型、消息格式与观测体系不一致的问题，需用统一契约、适配层与统一 trace 解决 ✓ 正确答案 D 消息格式差异不影响集成
# 18. 多 Agent 系统的统一 Trace 协议（OTel、OpenInference） A 各框架应用各自私有 trace 协议 B 用 OTel 做通用传输底座，OpenInference 增加 Agent/LLM 语义，统一导出并跨框架关联 ✓ 正确答案 C OpenInference 可以独立于 OTel 工作 D Trace 协议无法覆盖 LLM 调用
# 19. Agent 间调用拓扑的静态分析与循环检测，数据流图治理与死锁/循环依赖的预防？ A 循环依赖在运行时自然解决 B 静态分析无法检测调用环 C 应构建调用图、用拓扑排序检测环并要求 DAG，作为 CI 门禁，配合运行时 trace 预防死锁 ✓ 正确答案 D 死锁无需预防，会自动恢复
# 20. 声明式 vs 命令式编排，Graph 声明与代码控制流在可维护性、可调试性与热更新上的取舍？ A 命令式永远优于声明式 B 声明式无法热更新 C 声明式（Graph）可视化、可版本化、可热更，命令式直观、易调试但需重部署，应按流程复杂度与变更频率取舍 ✓ 正确答案 D 两者都不可调试
