多 agent 架構的考點交集：五張證照重複考什麼，又各自獨有什麼

🌏 English version

本文是從官方資料建出來的備考材料，不是應考實錄 —— 作者沒有報考這些考試。所有「考什麼」都指回各家官方 exam guide 或 study guide，來源逐條列在文末。查證日期：2026-08-18。

這是 AI 證照備考系列的技術深潛篇。系列前十五篇是一張證照一篇，這篇反過來：把「多 agent 系統架構」這個被五張證照重複考的主題抽出來，一次講完交集，再標出各家不能互相取代的部分。

省時間的方式是先看交集——因為交集佔了每張證照多 agent 那塊的大半。但只讀交集會過不了任何一張，所以第四節那份獨有考點清單同樣重要。

哪五張，考點各在哪

先修掉一個常見誤解：Google PMLE 的考綱從頭到尾都是「Agent Platform」，很容易被當成多 agent 考試。它不是。 那些字是 Vertex AI 在 2026 年改名為 Gemini Enterprise Agent Platform 造成的產品名替換——Agent Platform Feature Store、Agent Platform Pipelines、Agent Platform Inference，指的是原本的 Feature Store、Pipelines 與 Prediction。PMLE 的骨架仍是傳統 ML 工程（特徵工程、分散式訓練、training-serving skew），官方考試指南裡沒有一條在考 agent 之間怎麼協調。想用 PMLE 證明多 agent 能力，方向是錯的。

另一個門檻要先講：Claude 四張只開放 Claude Partner Network 的組織報名，個人報不了名。下面引用 CCAR-F 是因為它的 Domain 1 是這五份材料裡把編排講得最具體的一份（具體到 stop_reason 與 allowedTools），對理解其他四張有幫助，不是建議你去考。

交集：五張都在考的七件事

一、編排拓樸

AI-500 是唯一把拓樸名稱逐個列出來的：hub-and-spoke、循序、平行、peer-to-peer、orchestrator-subagent。這五個名詞值得當成共同詞彙表背下來，因為另外四張考的是同一組東西，只是不列名：

• NCP-AAI 寫「多 agent 工作流編排」，並在同一個領域列 ReAct 這類推理與行動框架、用邏輯樹與 prompt 鏈做多步推理
• AB-620 寫「在 Copilot Studio 裡設計多 agent 方案」「整合 Foundry agent」「整合既有 agent」
• AB-100 寫「用 Microsoft 365 Copilot、Copilot Studio 與 Microsoft Foundry 設計多 agent 方案」——注意它考的是跨三個產品的組合選型，不是單一產品裡怎麼接
• CCAR-F 只考 hub-and-spoke 一種，但考得最深：coordinator 負責所有 subagent 的通訊、錯誤處理與資訊路由，而且平行執行的正確做法是在單一 coordinator response 裡發出多個 Task tool call，不是分多個 turn

要點回指：AI-500 Develop（30–35%）、CCAR-F Domain 1（27%）、NCP-AAI Agent Architecture（15%）、AB-620 Integrate（40–45% 的一部分）。

二、A2A 與 MCP

三張微軟證照都點名 A2A（Agent2Agent 協定），這是 2026 年的新考點：

• AI-500：「用 A2A 或 MCP 安全地把既有 agent 併入」
• AB-620：「用 A2A 協定建立多 agent 方案」，且認證頁把 MCP 與 A2A 列進「該熟悉」的生成式 AI 概念
• AB-100：「用 MCP 設計 Copilot Studio 的 agent 擴充」

MCP 的考法則四家分歧最大。微軟考的是「架在哪個 Azure 服務上」——AI-500 的目標直接寫「設計並建置 MCP server 與 client，含 Azure Functions、Azure Logic Apps、Azure API Management」，這是實作題不是概念題。Claude 考的是工具本身怎麼設計（Domain 2 Tool Design & MCP Integration，18%）。NCP-AAI 只寫「agent 對 agent 的通訊協定」，不點名任何協定——這是它平台中立的一個副作用，也代表準備時你得自己決定讀哪份規格。

要點回指：AI-500 Develop、AB-620 Integrate、AB-100 Design、CCAR-F Domain 2。

三、每個 agent 的身分與權限邊界

這件事的措辭差異最大，但講的是同一個失效模式：一個被攻破的 agent 不該能把權限擴散到其他 agent。

AI-500 用的是最完整的框架——「Zero Trust 多 agent 方案：每個 agent 的身分範圍、防止橫向移動、法規部署的合規控制對應」。「橫向移動」（lateral movement）是資安詞彙，微軟把它直接搬進 agent 考綱是這五份裡唯一的。

其他家的等價考點：AB-620 的「身分策略」與工具權限；AI-500 架構塊另有「指定工具範圍、權限邊界與驗證方式」；CCAR-F 則從可靠性角度切入同一件事——給一個 agent 18 個工具，比給 4–5 個相關工具的選擇可靠性低很多，每個 subagent 只拿它角色需要的工具。

這兩個角度要一起記：最小權限既是資安控制，也是準確率控制。站內的 Agent 安全的 harness 層與 agent 安全：prompt injection 與信任邊界可以補實務脈絡。

要點回指：AI-500 Architect + Secure（20–25%）、AB-620 Plan（30–35%）、CCAR-F Domain 2。

四、記憶的三層，以及 context 怎麼壞掉

AI-500 把狀態切成三層，這是最好用的心智模型：session state、共享團隊狀態、長期語意記憶，而且要求「含生命週期與租戶隔離」。NCP-AAI 的講法是「短長期 context 的記憶機制」加上「有狀態編排」；CCAR-F 則給了一條很容易被忽略的實作事實——subagent 不會自動繼承 coordinator 的對話歷史，必須在 prompt 裡明確傳入所需的上下文。

AI-500 更進一步，把四種 context window 失效模式逐一命名：

這四個詞在另外四家的考綱裡都找不到。 官方把它們逐一命名，代表題目很可能給症狀要你判斷是哪一種。而反過來說，這四種病在 CCAR-F 是以「整合多個 subagent 結果時不要把 15 個 subagent 的完整 output 直接串接」這種操作建議出現的——症狀相同，考法不同。

要點回指：AI-500 Architect + Evaluate（20–25%）、NCP-AAI Cognition/Planning/Memory（10%）、CCAR-F Domain 5 Context Management & Reliability（15%）。

五、可觀測性：trace 關聯與 agent replay

多 agent 的可觀測性跟單一服務的差別在跨 agent 關聯。四家的要求：

• AI-500：跨服務 trace 關聯、agent 推理路徑的結構化記錄、agent replay 擷取以重現除錯；實作面指名在 Foundry 做 tracing（token、prompt、correlation ID、告警、執行追蹤）
• NCP-AAI：監控儀表板與可靠性指標、日誌與異常追蹤、持續與前版做 benchmark（Run, Monitor, and Maintain 那塊）
• AB-620：用 Application Insights 監控 agent
• AB-100：解讀遙測資料做效能與模型調校

agent replay 是 AI-500 獨有的措辭，也是最值得單獨弄懂的一個——它要求你能把一次執行完整重放，而不只是看日誌。

一個查證上的坑要順帶標記：NCP-AAI 的 Run, Monitor, and Maintain 這塊，官方網頁寫 5%、官方 PDF study guide 寫 7%，兩份都在 nvidia.com。同一份表格的 Deployment and Scaling 也對不上（網頁 13%、PDF 5%）。準備時把它當不確定區間，別挑一個當事實。

要點回指：AI-500 Evaluate（20–25%）、NCP-AAI Run/Monitor/Maintain（5–7%，兩版矛盾）、AB-620 Integrate、AB-100 Deploy（40–45%）。

六、人在迴圈

四家都考，而且都不只是「加一個確認按鈕」：

• AI-500：架構塊要求設計含 subagent、控制迴圈與 human-in-the-loop 的工作流，並設計支援 HAX（human-AI experience） 的控制項；編排塊要求 human-in-the-loop 的核可流程、覆寫、邊界案例
• AB-620：「建立 human-in-the-loop 的 agent flow」是明列技能，跟「在 agent flow 裡做錯誤處理」並列
• NCP-AAI：獨立成一個 5% 的領域（Human-AI Interaction and Oversight），含透明機制（可解釋推理、決策可追溯）
• CCAR-F：沒有獨立 domain，但 Domain 1 的核心概念就是它的極端版本——當某個工具呼叫順序是業務邏輯必要條件時，用程式碼強制執行，不要只靠 prompt

最後那條值得單獨記住：「先改 prompt」在這類題目裡通常是錯誤選項。

要點回指：AI-500 Architect + Develop、AB-620 Plan、NCP-AAI Human-AI Interaction（5%）、CCAR-F Domain 1。

七、guardrail 有四個介入點，部署有三種發布法

AI-500 的 guardrail 框架是這五份裡最結構化的：「多重介入的 guardrail 策略，涵蓋使用者輸入、工具呼叫、工具回應與輸出」，再加上用合成資料做 guardrail 測試與驗證、shift-left（Foundry 的 AI Red Teaming Agent）。

四個介入點這個切法值得直接拿去用——多數人只做輸入與輸出兩點，漏掉工具呼叫與工具回應，而後兩者正是多 agent 系統實際被打穿的地方。

部署面：AI-500 明列 DTAP、藍綠、金絲雀；NCP-AAI 是容器化擴展（Docker、Kubernetes）與負載平衡加 MLOps 的 CI/CD；AB-100 則要求為 Copilot Studio 的 agent／connector／action、Foundry Agents service、自訂模型分別設計 ALM，並設計模型與資料變更的稽核軌跡。

要點回指：AI-500 Secure/Govern/Deploy（20–25%）、NCP-AAI Deployment and Scaling（5–13%，兩版矛盾）＋ Safety/Ethics/Compliance（5%）、AB-100 Deploy（40–45%）。

同一件事，四家四個名字

備考時最花時間的不是理解概念，是發現「這兩個名詞其實是同一件事」。這張表是本文最實用的部分：

用法：讀完一家的材料後，用這張表把名詞翻譯過去，另外三家的同一塊就不用重讀，只要補獨有的部分。

不能互相取代的部分

這是交集之外的清單。每一條都只能從那張自己的官方材料補，通用的 agent 經驗轉移不過去。

AI-500 獨有：四種 context window 失效模式的名詞、agent replay、Zero Trust 多 agent 的合規控制對應、MCP server 架在 Azure Functions／Logic Apps／API Management、Foundry 的 AI Red Teaming Agent、DTAP、用 Hugging Face Transformers 實作進階多 agent 能力（這條在別家完全沒有）。

NCP-AAI 獨有：那 7% 的 NVIDIA Platform Implementation——NeMo Guardrails、NIM microservices、NeMo Agent Toolkit、TensorRT-LLM、Triton Inference Server，加上架構塊的知識圖譜關聯推理。除了這 7%，這張的其餘九個領域是五份材料裡廠商中立度最高的，準備它對實際工作的轉移價值也最高。

AB-620 獨有：Copilot Studio 的 agent flows、computer use（官方寫的是「configure and monitor computer use」，監控是同一條技能的一部分）、Fabric data agent、adaptive cards、Power Platform 的 solution 與 Pipelines ALM。

AB-100 獨有：含總持有成本的 ROI 準則、自建／購買／擴充的取捨、model router 把請求導向最合適的模型、Microsoft AI Center of Excellence、以及三組選型分界（自建 vs 擴充 Copilot、標準 NLP vs 生成式編排、task agent vs autonomous agent）。這張考的是判斷不是實作，讀書補不完。

CCAR-F 獨有：靠 stop_reason 而不是解析回應文字終止 agentic loop、coordinator 的 allowedTools 必須含 Task、平行 subagent 要在單一 response 發多個 tool call、fork_session 與 --resume 的適用分界。這些是 SDK 層細節，換一家平台就不成立。

一個練習專案能蓋掉多少

如果你要同時準備兩張以上，做一個專案比讀兩份材料划算。這份清單對應上面七件事，做完能蓋掉交集，蓋不掉獨有那節：

1. 做一個 orchestrator-subagent 架構，至少三個 subagent，其中兩個要能平行執行 →（一）
2. 把其中一個工具做成 MCP server，另一個 agent 用協定接入而不是直接呼叫函式 →（二）
3. 給每個 subagent 不同的憑證與工具白名單，並實際測一次「A 被打穿後能不能碰到 B 的資源」 →（三）
4. 明確實作三層狀態：單輪 session、跨 agent 共享、跨 session 的長期記憶，並各自寫下 TTL →（四）
5. 加 correlation ID 串起所有 agent 的 trace，並把一次完整執行存成可重放的紀錄 →（五）
6. 在一個不可逆動作前加核可節點，而且用程式碼擋，不是在 prompt 裡寫「請先確認」 →（六）
7. 在四個介入點各放一道 guardrail（輸入、工具呼叫、工具回應、輸出），用合成資料測它們會不會誤擋 →（七）
8. 最後跑一次藍綠或金絲雀切換，確認舊版流量能回滾 →（七）

補獨有考點的最短路徑：微軟線用 Foundry 官方文件與多 agent 工作流自動化架構文；NVIDIA 線只能買 DLI 課或讀自家產品文件；Claude 線讀 Agent SDK 文件。

只讀一份的話，讀哪一份

AI-500 的 study guide。 理由是三個：22 條子目標是這五份裡覆蓋最完整的多 agent 檢核表；它是免費公開網頁，不需報名也不需夥伴資格；而且它把很多別家沒命名的東西命名了（四種 context 失效模式、四個 guardrail 介入點、agent replay）。

但要知道它的偏誤：整份繞著 Microsoft Foundry，名詞是微軟的。想要中立版本，讀 NCP-AAI 的十個領域描述——那份只有 7% 綁 NVIDIA 產品，其餘九個領域的措辭可以直接當通用詞彙表用。

會過期的東西（下次複查看這裡）

參考資料

• AI-500 官方 study guide（四塊權重與 22 條子目標）
• AB-620 官方 study guide（三塊權重，含多 agent 協作四條）
• AB-100 官方 study guide（三塊權重與 change log）
• NCP-AAI 官方認證頁（十個領域與權重表）
• Claude Certified Architect – Foundations 官方認證頁（含 exam guide 下載）
• Google Professional ML Engineer 官方考試指南（用來確認它不考多 agent 協調）
• Model Context Protocol 官方文件
• Agent2Agent（A2A）協定官方文件
• 用 Agent Framework 建多 agent 工作流自動化方案（微軟架構文）
• Microsoft Foundry 官方文件
• Claude Agent SDK 文件

站內相關

• 2026 年工程師 AI 證照有哪些
• 微軟 AI-500 備考路徑
• NVIDIA NCP-AAI 備考路徑
• 微軟 AB-620 備考路徑
• 微軟 AB-100 備考路徑
• Claude Certified Architect Foundations 備考指南
• Google PMLE 備考路徑
• Agent 安全的 harness 層
• agent 安全：prompt injection 與信任邊界
• 多 agent 錯誤傳播與復原
• LangGraph agent 編排