面试题 · Agent
搜索「成本」匹配到口述回答，相关段落已展开。查看匹配内容 ↓
在多智能体（Multi-Agent）系统中，常见的调度策略有哪些？请说明其实现机制及在任务分配、资源协调方面的考量。
1. 中心化调度（Centralized）
2. 去中心化调度（Decentralized）
3. 混合式调度（Hybrid）
按学习路线查看教程、项目和面试题。
| 机制 | 原理 | 适用场景 |
|---|---|---|
| 合同网 | 招标-投标-中标三阶段协商 | 动态任务分配 |
| 市场机制 | 基于效用/成本的竞价 | 资源竞争场景 |
| 联盟形成 | Agent组队完成复杂任务 | 多技能协作需求 |
冲突消解
负载均衡
通信优化
| 场景特征 | 推荐策略 |
|---|---|
| 任务依赖复杂、规模小 | 中心化 |
| 高可用要求、规模弹性 | 去中心化/混合式 |
| 实时性要求高 | 预分配+局部协商 |
| 异构Agent能力差异大 | 基于能力的合同网 |
建议系统学习该知识点
场景切入
假设你做一个多客服分配系统，订单来了要把任务派给哪个客服机器人，你是让一个中央调度器全权分配，还是让客服们自己抢单？你觉得哪种更好？
层层追问
多智能体系统里任务怎么分给各个Agent？……如果Agent间要共享资源呢，比如只有一个GPU，怎么协调？……那通信量太大怎么办？
直球架构
聊聊多智能体系统的调度策略，中心化、去中心化、混合式各有什么实现机制？在任务分配和资源协调上分别要考虑哪些点？
好，这道题问的是[[多智能体]]系统的调度策略，我觉得本质是在问：如何把一堆任务高效地分给一群[[智能体]]，同时协调好它们对共享资源的竞争。说白了就是人和活怎么匹配，以及大家抢东西时怎么不打架。
先说最常见的分类。中心化调度就是有一个主控Agent，它看到全局信息，统一派活。这种方式实现简单，能做出全局最优的分配，但问题是主控挂了整个系统就瘫了，而且规模一大它就成瓶颈。所以我一般只在任务依赖复杂但规模小的场景用，比如一个工厂里几台机器人协同装配，由中央控制器统一调度。
去中心化调度正好反过来，每个Agent自己决策，通过协商达成一致。典型的机制是 合同网协议 和拍卖机制。合同网就是招标、投标、中标三步走：一个Agent发布任务，其他Agent根据自身能力报价，然后发包方选一个中标。这招在动态任务分配里特别灵活，比如物流仓库里空闲的机器人主动竞标抢订单。但它的通信开销很大，而且很难保证全局最优。
真正落地最常用的是混合式调度，上层一个中心做粗粒度协调，下层各个Agent自主执行。比如一个电商平台的客服系统，上层调度器把退款、退货、咨询这些大类任务分给不同的Agent群，每个群内部再自己协商谁处理哪个具体工单。这样既避免了单点故障，又保留了灵活性。
任务分配这块，核心机制除了合同网，还有市场机制和联盟形成。市场机制就是每个Agent基于效用或成本出价，适合资源竞争的场景，比如多台GPU抢训练任务。联盟形成则是让多个Agent组队完成复杂任务，比如一个智能体负责规划路径，另一个负责抓取物体，一起完成搬运。
资源协调上，我重点关注的几个坑：先说冲突消解，多个Agent同时访问同一个资源怎么办？常用互斥锁或令牌环，但分布式环境下我会用 Raft 共识算法保证一致性。然后看负载均衡，不能让一个Agent忙死、其他闲死。我会做动态任务迁移，监控每个Agent的负载，超过阈值就触发重分配。或者用工作窃取，空闲Agent主动去拉任务。另外还要看通信优化，尽量减少广播，用局部通信代替，只跟相关Agent交换信息。
这里有个我特别想提的点：去中心化调度里，如果Agent的决策模型是基于 强化学习 训练的，那在动态环境下很容易出现策略振荡，就是大家今天学到的策略明天就失效了。这个在工业界怎么解决？其实可以引入一个经验回放池，让Agent定期回顾历史数据，或者用 联邦学习 的思路做分布式策略更新。
最后说说我的选型倾向。如果任务依赖复杂、规模小，我选中心化。如果要求高可用、规模弹性，我倾向去中心化或混合式。如果实时性要求高，我会用预分配加局部协商，因为拍卖的通信延迟扛不住。还有个前提：Agent的能力必须是可量化的，否则合同网里的报价就变成瞎报，分配质量会崩。所以上线前我会先跑仿真，用历史数据回放，对比不同策略的吞吐量和平均响应时间，确保不会出现任务饿死或资源死锁。
总之，多智能体调度没有银弹，我会把混合式看成默认选项，然后根据业务特点在中心化和去中心化之间做微调。