diff --git "a/Extra-Chapter/Extra04-\345\270\270\350\247\201\351\227\256\351\242\230Q&A.md" "b/Extra-Chapter/Extra04-\345\270\270\350\247\201\351\227\256\351\242\230Q&A.md"
new file mode 100644
index 0000000..6c26b80
--- /dev/null
+++ "b/Extra-Chapter/Extra04-\345\270\270\350\247\201\351\227\256\351\242\230Q&A.md"
@@ -0,0 +1,131 @@
+# 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
+
+---
+
+### <a id="q1"></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
+
+---
+
+### <a id="q2"></a>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。
+
+---
+
+### <a id="q3"></a>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>
+
+---
+
+### <a id="q4"></a>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；  
+- 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。
+---
+
+### <a id="q5"></a>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。
+
+---
+
+### <a id="q6"></a>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>
+
+---
+
+### <a id="q7"></a>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）。
+
+---
+
+### <a id="q8"></a>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。
+
+---
+
+### <a id="q9"></a>9. 后续若有课程，会放在哪些平台？
+**答：** GitHub 仓库、Datawhale B 站、Datawhale 官网。
+
+---
+
+### <a id="q10"></a>10. 零基础是否适合？
+**答：** 适合，**循序渐进**学习即可。
+
+---
+
+### <a id="q12"></a>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**。
+
+---
+
+### <a id="q13"></a>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）。
+
+---
+
+### <a id="q14"></a>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>
+
+---
+
+### <a id="q16"></a>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。
+
+---
+
+### <a id="q17"></a>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>
+
+---
+
+### <a id="q18"></a>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）。
+
+---
+
+### <a id="q19"></a>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>
+
+---
+
+### <a id="q21"></a>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。
+
+---
+
+### <a id="q22"></a>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**。
+
+---
\ No newline at end of file