给建筑师一块地，他不会立刻开始砌砖。他会先画图、计算承重、考虑采光、规划管线。等蓝图确认了，施工队才进场。

给 AI 编程助手一个需求，它默认会立刻开始改代码。不是因为它不懂"设计先行"，而是因为它的循环机制鼓励行动——Think-Act-Observe 循环里，“Act"是核心能力。模型被训练成"有帮助的”，“有帮助"在编程场景里通常意味着"动手改”。

在 MCP 出现之前，每个 AI 工具集成都是一次定制开发。想让 ChatGPT 连数据库？写一个插件。想让 Claude 调 GitHub API？写一个 Function Calling 定义。想让 Copilot 访问你的内部系统？写一个 Custom Tool。

附件下载：Agent 面试题整理.pdf — 方便打印或离线阅读

为什么需要多个 Agent

开场问题，用来区分"看过文章"和"动手搭过"。

有一个反直觉的现象：同一个模型，拆成多个独立实例让它协作，效果往往比单个实例更好。

不是算力增加了（三个实例的总 token 消耗比一个实例多），不是能力提升了（每个实例都是同样的模型）。提升来自角色分离——当每个 Agent 只关注问题的一个方面时，它做得比"全能 Agent"更专注、更深刻。

如果你用过 Claude Code，你可能注意到它有一个 /skills 命令，可以列出已安装的"技能"。写作规范、架构设计方法、TDD 流程、代码审查策略——听起来像一个插件市场。

上一篇文章聊了上下文压缩——它解决的是"当前会话能记住多少"的问题。但编程助手还需要另一种记忆：跨会话的长期记忆。