百度 AI Agent开发一面(PISG)

1. 自我介绍

2. 介绍一下你的项目

3. MCP 和 Skill 的区别是什么

MCP 更像标准化的能力接入协议，解决的是“模型怎么发现、描述和调用外部工具”的问题；Skill 更像高层动作抽象，解决的是“把多个工具和步骤封装成一个可复用能力”的问题。MCP 关注接口层和通信层，Skill 关注语义层和任务层。一个 Skill 可以内部调用多个 MCP 工具，但对上层 Agent 来说它仍然是一个原子动作。生产里如果把两者混为一谈，最后会变成工具越接越乱，Agent 决策空间越来越大，稳定性越来越差。

4. 你怎么理解上下文窗口，哪个部分最占用 token

上下文窗口不是“能塞多少文本”的问题，而是“哪些信息值得留在模型视野里”的问题。真正占 token 的通常不是用户那一句问题，而是多轮历史、工具返回、系统提示、长文档切片和中间状态摘要。很多任务里，工具返回和历史摘要比用户输入更长，也更容易把窗口挤爆。上下文管理的关键不是机械截断，而是决定哪些信息必须保留、哪些可以压缩成状态、哪些可以延后检索。

5. 记忆系统应该怎么设计，为什么不能把所有历史都写进去

记忆系统至少要分成短期记忆、长期记忆和事件日志三层。短期记忆负责当前任务连续性，长期记忆负责跨会话复用的偏好和事实，事件日志负责恢复和审计。不能把所有历史都写进去，是因为很多内容只是一次性噪声，写多了只会污染检索。长期记忆最怕的是“错误沉淀”，一旦把模型自己编的中间解释写进去，后面每轮都会把错当成真。

6. 长任务 Agent 为什么常常不是死在模型能力，而是死在状态恢复

因为长任务里最致命的问题不是某一步答错，而是中断之后接不上。比如工具超时、用户插入新需求、网络断开、服务重启，这些情况都会打断执行链。没有状态恢复能力，系统就只能从头再来，导致重复调用工具、重复写入、重复扣费甚至重复外发。真正可用的长任务 Agent 一定有 checkpoint、事件日志和可重放机制，模型只负责局部推理，系统负责把任务连续性保存下来。

class TaskState:
    def __init__(self, goal):
        self.goal = goal
        self.step = 0
        self.done = False
        self.history = []

    def checkpoint(self):
        return {
            "goal": self.goal,
            "step": self.step,
            "done": self.done,
            "history": self.history[:]
        }

7. 如果让你设计一个多 Agent 协作系统，任务怎么拆才合理

任务拆分不能按“角色好听”来拆，要按目标边界、权限边界和失败隔离边界来拆。比如一个 Agent 负责检索证据，一个负责生成结果，一个负责审查合规，一个负责汇总状态，这种拆法比“规划者、执行者、点评者”更稳。因为每个 Agent 的输入输出都更明确，出问题也更容易定位。多 Agent 的价值不在于角色多，而在于职责边界清晰、上下文互不污染。

8. 设计一个 AI 漫剧创作 Agent，你会怎么搭

可以拆成世界观设定 Agent、剧情规划 Agent、角色一致性 Agent、分镜生成 Agent、对白润色 Agent 和评审 Agent。输入不是一句“帮我写个故事”就完了，而是题材、时长、角色设定、禁用内容、风格参考和目标受众。中间要维护一份显式 story state，包括角色关系、时间线、关键伏笔、已用设定和未回收线索。最难的是人物前后一致和长剧情闭环，系统不能只靠每轮 prompt 临时记忆，必须把角色卡和剧情状态外置，否则越写越飘。