Extra04-常见问题Q&A.md 6.1 KB
Extra Chapter : COMMON Q&A
Hello-Agents 常见问答（FAQ）
版本：v1.0（最后更新：2025-11-10） 此处收集为首次课程宣讲上的常见问题Q&A
1. 多智能体系统，如何实现多线程并行？已有框架吗？
问： 任务规划智能体输出的计划中存在可并行步骤，想让多个执行智能体自助认领并自动处理依赖。是否已有框架支持，还是需要定制？
答：
- 可采用“API 级调度”：将不同 Agent 绑定到不同 API/服务端点，按需轮询/选择调用，结合 CI/流水线在用到时触发；
- 流程建议：任务规划 Agent 做依赖拆解 → 执行 Agent 只做各自子任务（不直接承担跨任务依赖管理）；依赖由规划/调度层统一处理；
- 是否需要定制：与业务强相关；一般在通用框架之上做个性化编排更稳妥
2. 主流 Agents 框架有哪些？Hello‑Agents 解决什么问题？
答：
- 主流框架请参考课程第六章（更新快，建议自行持续跟踪）； https://github.com/datawhalechina/hello-agents/tree/main/docs/chapter6
- Hello‑Agents 以教学/上手学习为目的，帮助快速掌握与实践核心概念与方法。
3. Agent 一定需要 RAG 吗？
答：
- 非必须。
- 课程第八章提供了 RAG 的实现示例，可按需选用。 https://github.com/datawhalechina/hello-agents/tree/main/docs/chapter8
4. Hello‑Agents 如何与 LangGraph 联合使用？谁调用谁？
答：
- 通过 A2A 协议对接；调用方向由你的编排层/网关决定：
- 由 Hello-Agents 作为编排方：在任务规划后，按 A2A 约定触发 LangGraph 子图节点；
- 由 LangGraph 作为编排方：在状态机节点中把 Hello-Agents 作为外部工具/子代理调用；
- 由 Hello-Agents 作为编排方：在任务规划后，按 A2A 约定触发 LangGraph 子图节点；
- 关键是统一 Agent Card（接口描述、输入/输出模式、能力声明）与错误/超时/重试策略，确保可观测与可回溯。 ---
5. A2A 与 ANP 能否更详细讲解并提供示例？
答：
- 可参考 Datawhale《动手学 Agent 应用开发》前沿拓展——智能体通信协议（ANP 开源技术社区发起人常高伟老师讲解）：
https://www.datawhale.cn/learn/content/220/5053 - A2A 的学习资料建议结合上文及课程示例理解“Agent Card/Function Calling 类比”和调用约定。
6. 本地部署还是 API？
答： 课程第七章同时提供两种方式的教程，均可完成学习与实验。 https://github.com/datawhalechina/hello-agents/tree/main/docs/chapter7
7. Hello‑Agents 看起来功能很全，上生产还需要增强什么？
答：
- 以业务场景理解为起点，明确业务认知/边界；
- 框架定位是“实际可用的教学与原型基座”，若不满足生产要求，建议基于框架做二次开发/工程化补强（鉴权、监控、回溯、灰度、成本/时延优化等）。
8. 这些案例能写进简历吗？
答： 可以。前提是吃透原理与实现，能讲清你的职责、方案与效果。建议自己能实操一遍为核心去出发。
9. 后续若有课程，会放在哪些平台？
答： GitHub 仓库、Datawhale B 站、Datawhale 官网。
10. 零基础是否适合？
答： 适合，循序渐进学习即可。
11. 课程 1.1 与 2.1 内容相似，各自侧重点？
答：
- 2.1：按发展时间线梳理，并扩展了案例与专家系统；
- 1.1：更基础/概览。
12. 在职同学如何学？与工作流（如 n8n）的“一句话区别”？
答：
- 学习：聚焦“怎么把 AI 落地”，结合工作场景做小步快跑的迭代；
- 一句话区别：工作流适合流程明确、规则清晰的问题；Agents更适合复杂/不确定、需要一定自主性与推理的问题（当工作流无力覆盖时，用 Agents）。
13. 是否讲了 Agent 测试/评估方法？
答： 有。见第十二章：智能体性能评估，其余章节也包含相应闭环测评。 https://github.com/datawhalechina/hello-agents/tree/main/docs/chapter12
14. 最低硬件配置 / 租服务器显卡建议？
答：
- Agentic RL 章节：建议 ≥ 4GB 显存；
- 其余内容：走 API 路线即可完成全程学习，无硬件刚需。
15. 学习过程中会介绍 DeepResearch 和一些开源/现成框架吗？
答： 会，见第五章、第六章。 https://github.com/datawhalechina/hello-agents/tree/main/docs/chapter5 https://github.com/datawhalechina/hello-agents/tree/main/docs/chapter6
16. 用 LangGraph 写的更像“大模型工作流脚本”，真正落地要考虑什么？
答： 课程第四部分聚焦项目构建；实践中还需关注：需求边界、数据接入、权限与合规、观测与回溯、评测与迭代、成本与时延控制等工程化要点（结合你的业务具体化）。
17. 系统提示词很长、每次调用 Token 多导致慢，如何平衡？
答： 做上下文/记忆压缩与管理，参考第九章（如检索式上下文、摘要、结构化记忆、分阶段对话等）。 https://github.com/datawhalechina/hello-agents/tree/main/docs/chapter9
18. KAG、知识图谱与 Agent 有关系吗？
答： 可作为 Agent 的工具使用，在需要结构化知识/关系推理时提供支持。同时当前很多Agent也在使用该工具作为Agent的上下文管理工具。
19. RL、LLM、RLHF 按第 1 章“学习型 Agent / LLMs Based Agent”分类分别属于？
答： 都不直接属于该分类的两类；它们更像是 Agent 的组成部分/训练与推理相关技术。