# 1. OpenAI Agents SDK、Claude Agent SDK、LangGraph 的 Agent 抽象差异（handoff/subagent/graph）与选型依据？ A 三种 SDK 的抽象完全相同，只是品牌不同 B handoff 适合接力转交、subagent 适合独立子任务委派、graph 适合固定流程精确控制，按任务结构与控制粒度选型 ✓ 正确答案 C LangGraph 不支持状态持久化 D Claude Agent SDK 不支持子 Agent
# 2. Agent 的 Skill/插件化能力封装（如 Agent Skills）如何设计版本管理与权限边界？ A Skill 只要写好 prompt 即可，无需版本管理 B Skill 可以访问所有数据，不用限制 C Skill 用语义化版本管理依赖与兼容，声明能力范围并按授权执行，敏感操作审批、全程审计 ✓ 正确答案 D Skill 的权限在调用时由模型自行判断
# 3. LangGraph 的状态管理(State Management)机制，StateGraph 中节点(Node)、边(Edge)和条件路由(Conditional Edge)如何建模复杂 Agent 工作流？Checkpointing 如何实现断点恢复？ A StateGraph 用节点、边与条件路由显式建模流程，状态用 reducer 定义更新语义，Checkpoint 实现断点恢复与中断续跑 ✓ 正确答案 B Checkpoint 只保存最终结果 C LangGraph 的条件路由由模型每次自由决定 D 并行分支不需要汇合节点
# 4. CrewAI 的角色化(Role-Based)多 Agent 协作，如何定义 Agent 的角色、目标和背景故事？Crew 的任务编排(Task Orchestration)与顺序/并行执行模式？ A CrewAI 的角色定义只需要 role 字段 B CrewAI 的所有任务必然串行执行 C role/goal/backstory 构成角色化提示，任务通过依赖 context 传递信息，支持顺序、层级与并行执行模式 ✓ 正确答案 D 任务输出不需要结构化定义
# 5. OpenAI Agents SDK 的 Handoff 机制，Agent 间任务移交的设计模式、上下文传递和 Guardrails 集成方式？与 LangGraph 的 subgraph 方案对比？ A Handoff 与 subgraph 是同一机制 B Handoff 不传递对话历史 C Guardrails 只能绑定全局，不能绑定单个 Agent D Handoff 是执行期动态移交控制权并继承上下文，Guardrails 在转交前后校验，与静态嵌套的 subgraph 相比更适合对话式场景 ✓ 正确答案
# 6. Claude Code Skills (项目级 .claude/skills/) 体系:如何封装团队最佳实践为可调用 Skill (spec-driven skill、review skill、debug skill)？ A Skill 用 SKILL.md 声明名称描述与步骤，把 spec 驱动、评审与调试等团队实践封装为模型可调用单元并持续迭代 ✓ 正确答案 B Skills 只是存放文档的文件夹，不影响模型行为 C Skill 的 description 随便写即可，模型会自己理解 D Skills 只能写 prompt，不能带模板与脚本
# 7. Skills 与 MCP Server 的边界:何时用 Skill (专家知识封装)、何时用 MCP Server (外部工具/数据接入) 的工程决策？ A Skill 封装静态知识与流程（怎么做好），MCP Server 接入可执行工具与数据（能做什么），按内容形态与副作用选型并常组合使用 ✓ 正确答案 B Skill 与 MCP Server 功能相同，可互换 C MCP Server 也可以封装评审清单 D Skill 可以执行数据库写操作
# 8. Skills 的版本管理、共享分发、API 化与 Skill Marketplace (Anthropic 官方、第三方) 在企业落地的真实工程价值？ A 第三方 Marketplace 的 Skill 可以直接用于生产 B Skill 通过语义化版本、分层分发与 API 化实现工程化治理，Marketplace 作参考，生产 Skill 自建并受控维护 ✓ 正确答案 C Skill 不需要 owner 与 review，能跑就行 D 社区 Skill 永久免费维护
# 9. 在 .cursorrules / AGENTS.md / .claude/skills/ 三种 AI 编程规范载体之间的取舍与跨工具同步策略？ A 仓库级规范放 AGENTS.md 作为单一事实源，工具特有偏好放专属配置，Skills 管流程资产，派生文件由源生成防分叉 ✓ 正确答案 B 三种载体内容相同，随便放哪个都行 C .cursorrules 是跨工具通用标准 D Skills 应该放仓库规范
# 10. Claude Code 的 Hooks 系统 (PreToolUse/PostToolUse/Stop) 在 AI 编程工作流的工程价值:自动 lint/格式化/security scan？ A PreToolUse 可在写文件前校验拦截，PostToolUse 可自动 lint 格式化，Stop 跑完整检查链，形成写码-检查-修复闭环 ✓ 正确答案 B Hook 检查与 CI 检查可以完全不同，各查各的 C Hooks 只能用于日志记录，不能拦截操作 D 高危安全扫描结果直接放行，交给人工看
# 11. Deep Research 类长程任务 Agent 的规划-执行-验证循环与断点续跑如何工程化？ A Deep Research 一次检索全部资料后直接写报告即可 B 研究结论不需要与证据对应 C 研究循环按规划-执行-验证迭代，证据池带来源可回溯，计划、证据与进度持久化为检查点支持断点续跑 ✓ 正确答案 D 研究过程的检索内容全部塞进上下文
# 12. AutoGen 的群聊(Group Chat)模式，多 Agent 对话中的发言者选择策略(round_robin/auto/manual)、消息过滤和终止条件的设计？ A 终止条件只需要轮次上限一种 B round_robin 策略下模型决定谁发言 C 群聊消息不需要过滤，全部注入即可 D 发言者选择支持轮流、模型选择与人工指定，消息需过滤与截断，终止用关键词、函数判定与轮次上限保证有产出地收敛 ✓ 正确答案
# 13. Pydantic AI 的类型安全(Type-Safe) Agent 开发，如何利用 Pydantic 模型定义工具输入输出、依赖注入(Dependency Injection)和结构化输出验证？ A 校验失败时直接把错误抛给业务层 B Pydantic 模型只用于配置管理 C 用 Pydantic 模型定义工具与输出契约，边界自动校验并回传重试，依赖注入让工具可测且与输出解耦 ✓ 正确答案 D 依赖注入与类型安全无关
# 14. Skill 开发本身:什么时候该自研 Skill vs 复用社区 Skill (避免维护负担)？ A 社区 Skill 直接拿来用，出了问题再修 B 高度定制或维护不可靠时自研，通用实践复用成熟社区 Skill 并评估其质量与许可，Skill 数量最小化且专人维护 ✓ 正确答案 C 所有 Skill 都自研最可控 D 复用 Skill 不需要评估维护状态
# 15. 多 Agent 编排 (subagent) vs Skill 单 Agent 调用的工程取舍:成本、延迟、可观测性边界？ A subagent 一定比 Skill 单 Agent 便宜 B Skill 单 Agent 天然支持子任务并行 C 两种架构的成本结构完全相同 D subagent 上下文重复成本高但可并行且边界清晰，Skill 单 Agent 省 token 但串行，按子任务的隔离需求与并行性取舍 ✓ 正确答案
# 16. Skill 在 PRD/SDD 工作流的天然贴合:spec → Skill → Agent 调用 → 可复现执行？ A 可复现执行只需要固定模型版本 B PRD 工作流与 Skill 无关，Agent 自由发挥即可 C 把解析与实现规格的方法论封装为 Skill，让 Agent 按统一标准执行，版本化加模板与回归用例保障可复现 ✓ 正确答案 D Skill 只适用于调试场景
# 17. Agent 框架选型评估标准，从编排灵活性、可观测性、多模型支持、社区生态、生产就绪度五个维度如何对比主流框架？ A 五个维度中只有社区生态重要 B 所有框架五个维度表现完全相同 C 按编排灵活性、可观测性、多模型支持、社区生态、生产就绪度五维评估，业务硬约束过滤后加权打分并原型实测 ✓ 正确答案 D 生产就绪度只与部署方式有关
