企业官网建设流程全解析

这课进入更高层的问题：多个 Agent 拆出来之后，怎么组织协作？四种方式各有适用场景，用错一个就是调试地狱。

一、面试现场

面试题

“你的代码修复 Agent 跑到 80k tokens 就开始乱。拆 subagent 还是改 handoff？判断标准是什么？”

谷歌云 AI 平台组三面。候选人做过一个代码修复系统——单 Agent 拥有文件读写、运行测试等工具，处理简单 bug 没问题，一旦涉及 8 个以上文件，context 膨胀到 80k tokens，模型开始"忘记"最初的 bug 描述，重复修改已经改过的文件。

面试官不问"要不要拆"（L02 已经解决了），问的是：拆了之后四种组织方式怎么选。

这不是某一次面试的原题，而是从真实面经和岗位 JD 中提炼的高频判断题。

二、大多数人怎么答的

“让多个 Agent 互相调用就行。” 或者：“上 A2A 协议，用最新的标准。” 两种回答都暴露了同一个问题——没搞清楚四种组织方式各自解决什么问题。让 Agent 互相调用是最笼统的说法，等于没说；A2A 在绝大多数内部系统里根本用不着。

典型误判

“多个 Agent 协作就是让它们互相调用 / 就得上 A2A。”——没区分四种组织方式的适用边界。

三、正确判断框架

四种组织方式，各有各的适用场景。选对了省事，选错了调试成本翻倍。

Subagent：context 膨胀时的降压阀

Main agent 把封闭子任务委托出去，subagent 只看自己需要的信息，做完返回摘要。适用：main context 太大需要隔离。关键判断：subagent 做完后 main 还需要用结果。违反后果：如果 main 拿到摘要后又全量展开看——隔离白做，反而多了一层。

Handoff：阶段性交接，不回头

前一个 agent 做完直接退出，把控制权传给下一个。适用：职责明确、前后无交叠的流水线（planner → coder → reviewer）。关键判断：交接后不需要回到上一个 agent。违反后果：交接没写清"当前状态 + 未完成项"，接手 agent 从头猜。

Orchestrator-Workers：中心分发，并行执行

中心 agent 拆任务、分给 worker、汇总结果，worker 之间不互相通信。适用：任务可拆成并行独立子任务。关键判断：子任务之间没有依赖。违反后果：orchestrator 给 worker 的输入没裁剪，worker 的 context 和 main 一样膨胀。

A2A：跨组织协作，最后才考虑

截至 2026 年 4 月，A2A 仍是早期草案。适用且仅适用于：跨组织、跨平台、长生命周期异步任务。同进程直接函数调用、同团队 REST API、同集群 handoff 都比 A2A 简单得多。违反后果：单机系统硬包 A2A，协议开销没收益，部署和调试反而更难。

四、面试官追问链

追问 1

“Context 已经 60k tokens，subagent 还是 handoff？”

看后续是否还需要用 subagent 产出的结果。如果 main 还要基于子任务结果做下一步决策——用 subagent，它做完回来汇报。如果是纯阶段性交接（planner 做完 coder 接手，planner 不再参与）——用 handoff，省掉回传开销。

追问 2

“三个 Agent 都是 Python，跑在同一个 K8s 集群，你还会上 A2A 吗？”

不用。同语言、同集群、同团队控制——直接 handoff 或 orchestrator 更简单。A2A 的协议开销（Agent Card、Task 状态机、JSON-RPC）在这个场景下没有收益。只有协作跨组织或跨平台时，A2A 的标准化才真正显出价值。

加分题

“Orchestrator-Workers 和’中心 agent + 一堆 tool’的区别？”

方向：worker 自身是 agent，能做多轮决策和推理；tool 是一次性函数调用，输入输出确定。当子任务需要多步推理时用 worker，当子任务是确定性操作时用 tool。

五、落地案例

实战拆解

代码修复系统从单 Agent 到 Orchestrator-Workers 的演进：同一个业务场景里四种组织方式的对比。

**v1 单 Agent。**一个 coder agent 拥有 file_read / file_write / run_test 工具。简单 bug 没问题，涉及多文件时 context 跑到 80k 就开始乱——重复修改已改过的文件、"忘记"最初的 bug 描述。

**v2 引入 Subagent。**Main coder 把"修一个文件"丢给 file-subagent，subagent 只看 bug 描述 + 该文件 + 相关依赖，返回 diff。Main 只保留 diffs 和 test results，context 大幅缩减。

**v3 拆 Handoff。**任务变复杂后拆成 planner → coder → reviewer。Planner 做完退出不再回来，coder 专注实现，reviewer 专注检查。每个角色只看自己需要的上下文。

**v4 Orchestrator-Workers。**一次要同时修 3 个独立文件时，orchestrator 同时派 3 个 coder worker 并行，各自只看自己的文件和 bug 描述，汇总后给 reviewer。

六、上线坑点

坑 1：Subagent 隔离失败

Subagent 做完，main 还要全量看一遍——隔离白做，反而多了一层延迟。

坑 2：Handoff 交接不清

交接没写清"当前状态 + 未完成项 + 下一步"，接手 agent 从头猜，效率比单 agent 还差。

坑 3：把单机系统硬包 A2A

协议开销没收益，部署和调试反而更难。内部系统直连更简单。

七、本课总结与面试锦囊

一句话结论

多 Agent 不是拆了就赢。Subagent 降压、Handoff 交接、Orchestrator 并行、A2A 跨组织——四种方式各有适用场景，用错一个就是调试地狱。

面试锦囊

先说：四种组织方式解决不同问题——subagent 降 context 压、handoff 做阶段交接、orchestrator 做并行分发、A2A 做跨组织协作。

再说：选择标准看三个维度——需不需要结果回传、子任务能不能并行、是不是跨组织。

最后补：绝大多数内部系统不需要 A2A。同进程直连、同集群 handoff 永远比协议标准化更简单。

判断 Checklist

☐ Context 膨胀需降压 + 需要结果回传 → Subagent

☐ 阶段性职责清晰 + 不需回传 → Handoff

☐ 并行独立子任务 → Orchestrator-Workers

☐ 跨组织跨平台 + 长生命周期异步 → A2A

别再踩的坑

• Subagent 做完 main 全量看——隔离白做

• Handoff 交接不写状态——接手 agent 从头猜

• 内部系统硬包 A2A——协议开销没收益

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】