快手 Agent 面试：多智能体通信与推理模型
本场面试题
- 多 Agent 怎样分工，子 Agent 之间怎样通信？
- 推理模型的原理与使用边界怎样理解？
面经与参考答法
快手 Agent 面试：多智能体通信与推理模型
公司为快手，方向为 Agent。原文没有给具体岗位、部门、轮次或面试日期；自述实习、论文与项目追问约 40 分钟，之后记录流程结束。原文“cc”没有展开，本页不将其还原成某个产品或具体版本。
以下问题根据候选人公开自述选录，经历未获外部认证。原帖未提供完整现场答案；短答与例子均为编辑教学补充，不代表候选人实际作答、项目实现或企业标准答案。
选录多 Agent 设计与通信、推理模型两组。实习论文项目深挖没有具体题目，不重建细节；最长回文子串是清晰已见算法题，本页未展开。
（1）多 Agent 怎样分工，子 Agent 之间怎样通信？
先用单 Agent 加工具作基线，只在任务可分、需要独立上下文或故障隔离时拆分角色。用结构化任务和结果合同表达目标、输入引用、依赖、任务标识、版本与终态，按时长和依赖选择同步调用或异步消息。共享状态仍需权威来源、权限及重复和迟到结果处理，收到消息不等于任务完成。 教学例子：B 依赖 A 的分析结果，协调器在 A 的结果通过版本和内容检查后才解锁 B；不把队列收到消息当作 A 已经分析完成。此例是通用架构说明，没有假定“cc”指哪款产品。
（2）推理模型的原理与使用边界怎样理解？
这类模型通常通过面向推理的训练，并在推理时投入更多计算以处理多步问题；具体训练方法与内部实现因模型而异，不能只从可见长回答推断机制。复杂推理可能受益，简单任务则要衡量额外延迟和成本；最终答案仍需测试或证据核验，更多思考不能保证事实正确。 教学例子：带可检查结果的多步约束题可比较不同思考预算；一个简单字段抽取也许直接模型更合适。把两者放同一成功标准下测量，而不是默认推理模型总是更优。