标签题目
稳定性相关面试题
如何保障服务稳定性？
这题考服务稳定性体系化思维，回答要从目标、风险预防、运行时止损、恢复复盘四层展开，而不是只背限流熔断。
强依赖和弱依赖服务应该如何分别保障？
这题考依赖分级治理，关键是先判断依赖是否影响主流程正确性，再分别设计强依赖高可用和弱依赖降级补偿。
注册中心挂了怎么办？
这题考服务发现的控制面故障处理，回答要区分注册中心不可用和业务调用链路不可用。
写单元测试时要注意哪些点？
考察测试工程素养，重点是明确测试边界、可重复性、断言质量、依赖隔离、边界异常用例和覆盖率的正确理解。
服务端限流常见方案有哪些？
服务端限流的核心不是单纯拒绝请求，而是在系统容量有限时，把入口流量、服务调用、关键资源和热点参数控制在可承受范围内，优先保护核心链路稳定性。面试回答应从限流位置、算法模型、分布式实现、限流 key、被限流后的处理、与熔断降级的区别、监控和误伤治理几条线展开。
游戏用 UDP 传输，丢包了怎么办？
UDP 本身不保证可靠、有序和不重复，游戏选择 UDP 是为了把实时性放在第一位，而不是简单地追求不丢包。丢包后的处理要先区分消息类型：位置、朝向、动画等高频状态通常不重传，靠序号、快照、插值、预测和纠偏恢复体验；开火、受击、结算、道具、匹配等关键事件则需要在应用层实现可靠通道，配合 ACK/NACK、选择性重传、冗余或 FEC，在带宽和时延之间做权衡。
redis如何保证高可用的？
redis如何保证高可用的？这道腾讯牛客题的关键是围绕“Redis 高可用”讲清概念、机制、取舍和边界。Redis 高可用通常由主从复制、Sentinel 或 Cluster 实现。主从复制提供副本，Sentinel 负责监控和自动故障转移，Cluster 通过 slot 分片和副本接管提升容量与可用性。
UDP 丢包通常有哪些原因，如何排查和缓解？
UDP 丢包通常有哪些原因，如何排查和缓解？这道腾讯牛客题的关键是围绕“UDP 丢包排查与缓解”讲清概念、机制、取舍和边界。UDP 丢包原因要从发送端、网络和接收端分层看：应用处理慢、socket buffer 太小、网卡 drops、MTU/IP 分片、网络拥塞、NAT/防火墙、接收端队列溢出都可能导致丢包。
Agent 工具调用超时后如何设计降级方案？
这题考 Agent 工具调用可靠性设计，回答要围绕超时预算、重试、降级答案、异步继续、熔断和用户可见状态展开。
同题还出现在 1 个公司岗位
大模型能力超出边界时，AI 产品应如何识别风险并触发兜底流程？
这题考大模型产品的能力边界管理，回答要说明如何识别超能力风险、触发兜底、降低伤害并把失败样本回流。
AI 产品需求什么时候应该做 Agent，什么时候应该做确定性工作流？
这题考 AI 产品需求中 Agent 和确定性工作流的边界判断，回答要用不确定性、自治程度、失败成本、可观测性和混合架构来决策。
代码生成或代码定位场景中，文件过长超过 LLM 上下文窗口时如何处理？
这题考代码生成或代码定位中长文件超过 LLM 上下文窗口的工程处理，重点是检索、切片、结构化上下文和验证，而不是泛泛讨论 long context 退化。
金融场景下 Agent 超时、失败或中断时，如何设计安全重试和兜底？
这题考金融场景下 Agent 执行失败后的安全边界。答案必须围绕资金安全、幂等、状态机、确认、审计、对账和补偿展开，不能写成普通接口超时重试。
同公司岗位有 3 条面经记录
RAG 知识库如何做不停服更新，并保证检索结果一致性？
这题考 RAG 知识库不停服更新和一致性，不是 RAG vs SFT。回答要覆盖版本化索引、离线构建、影子验证、别名切换、缓存失效、权限元数据和回滚。
多 Agent 系统如何设计编排流程，并控制每个 Agent 的任务边界？
这题考多 Agent 编排流程和任务边界。回答重点是 coordinator、planner、executor、reviewer 的流程、契约、状态交接、冲突处理和可观测性，不是泛泛解释 Agent。
同题还出现在 1 个公司岗位
Agent Skill 不一定可靠时，如何用 Workflow 和 System Prompt 固定主流程？
这题考 Skill 不可靠时如何用 Workflow 和 System Prompt 固定主流程。答案要覆盖能力探测、节点契约、流程骨架、受控执行、重试降级、前端确认和提示词护栏。
前端 AI 输出流式返回时，SSE 和 WebSocket 如何取舍？
这题考前端 AI 流式输出的传输取舍。答案要说明 SSE 适合单向 token 流，WebSocket 适合强双向实时控制，并覆盖重连、代理、鉴权、取消、背压和兼容性。
Agent 项目如何选择底层模型，依据和验证方法是什么？
这题考 Agent 项目的底层模型选型。答案要从任务类型、工具调用、结构化输出、上下文、延迟成本、安全、评测集、灰度和 fallback 路由来讲。
大模型幻觉在 Agent 服务化中会带来哪些问题，如何治理？
这题考大模型幻觉在 Agent 服务化中的生产风险。答案要聚焦错误工具调用、虚假状态、操作控制、权限、审计、dry-run、确认和事故闭环，而不是泛泛说 RAG 和提示词。
AI Agent 系统从通用 Agent 模式切到 Cline / Code 模式时，如何量化评估效果差异？
这题考 AI Coding Agent 从通用 Agent 模式切到 Cline / Code 模式后的工程评估方法，回答要覆盖任务成功率、代码变更正确性、工具调用稳定性、延迟成本和用户验收。
Agent 记忆出现过期或冲突事实时，如何更新、覆盖和回溯？
这题考 Agent 记忆过期和冲突事实的治理，回答要覆盖事实版本、来源置信度、用户确认、覆盖规则、tombstone、审计回溯和 Prompt 侧只使用当前有效记忆。
同题还出现在 1 个公司岗位
LangGraph 相比 LangChain 在多 Agent 编排中有什么优势，状态快照机制解决什么问题？
这题考多 Agent 编排中框架选型和状态管理能力，回答重点是图式编排、可恢复状态、调试回放、人工介入和长流程可靠性。
同题还出现在 1 个公司岗位
生产级 Agent 如何设计敏感词过滤、停止生成和死循环防护？
这题考生产级 Agent 的运行时安全控制，回答重点是敏感内容过滤、停止生成、工具切换约束、死循环防护、观测告警和人工接管。
LLM 流式输出如何设计断点续传、停止生成和 Token 计费？
这题考 LLM 流式输出的服务端语义设计，回答重点是断点续传、停止生成、幂等状态、Token 计费边界和前后端一致性。
同题还出现在 1 个公司岗位
Agent 沙箱中承载 Skill 时，如何避免工具调用幻觉和多工具切换混乱？
这题考 Agent 沙箱中 Skill 的可靠调用，回答重点是能力声明、工具选择约束、沙箱权限、调用确认、错误恢复和防止模型编造工具能力。
Agent Memory 为什么不能简单塞进 Prompt，渐进式披露如何减少上下文污染？
这题考 Agent Memory 的上下文污染控制，回答重点是为什么不能把全部记忆塞进 Prompt，以及如何通过渐进式披露按任务阶段加载必要记忆。
同题还出现在 1 个公司岗位
Agent 任务中 Human-in-the-Loop 应如何设计确认、纠错和中断流程？
这题考 Agent 任务中的 Human-in-the-Loop 控制点设计，回答重点是确认、纠错、中断、恢复、审计和人机责任边界。
Agent 系统中 Multi-Agent、One-Agent 和 LLM+Workflow 应如何选型？
这题考 Agent 架构模式选型，回答重点是 Multi-Agent、One-Agent 和 LLM+Workflow 在复杂度、可控性、成本、延迟、可观测性和适用场景上的取舍。
同题还出现在 2 个公司岗位
AI 面试系统中，多轮对话记忆如何用 Redis 存储、过期和隔离？
这题考 AI 面试系统里的短期会话记忆设计。回答要围绕 Redis 如何保存多轮对话状态、控制 TTL、做用户/会话隔离、处理并发和失败恢复，不能泛化成抽象 Agent 记忆。
AI 搜索答案错误引用广告主信息时，产品和流程安全护栏如何设计？
这题考 AI 搜索商业化场景下的可信和事故治理，回答要覆盖信息源约束、生成时校验、用户侧呈现、人工审核、投诉处置和模型反馈闭环。
评估 Qwen 这类大模型的泛化能力和鲁棒性时，评测集与切片指标应如何设计？
这题考大模型评测体系设计，核心是把泛化和鲁棒性定义成可切片、可统计、可回归的问题，避免只用一个公开 benchmark 总分判断模型好坏。
使用 AI 编程时，如果模型生成了严重错误代码，应如何定位、修复并建立工程防护？
这题考 AI Coding 不是只会提高效率，还要能处理模型误生成带来的工程事故。高质量回答应从复现、定位、最小修复、测试补齐、流程护栏和团队经验沉淀展开。
AI Coding 落地时，如何给模型提供有效仓库上下文，并限制它触碰事务、权限、资金等高风险链路？
这题考 AI Coding 的上下文工程和风险边界。答案要同时讲清如何给模型足够信息完成任务，以及如何通过范围控制、权限控制、测试和 review 防止它碰坏核心链路。
AI 生成代码进入工程仓库前，如何用沙箱分支、最小改动范围、测试和 review 防止污染主分支？
这题考 AI 生成代码的分支治理和合入门禁。优秀回答要把主分支保护、沙箱隔离、diff 范围、自动化检查、人工 review、回滚审计串成一条工程流程。
高风险在线环境中的 Agent 异常管控体系应如何设计，覆盖权限分级、执行隔离、熔断止损和审计追踪？
这题考的是高风险在线 Agent 的工程治理能力，重点不是说模型更聪明或加人工确认，而是把权限、工具、执行环境、熔断止损、可观测性和审计恢复设计成一套闭环。
Agent 的 think-execute 循环如何控制规划路径，避免偏离业务预期或无限循环？
这题考 Agent 循环规划的可控性，重点是说明为什么需要 think-execute，以及如何用目标约束、状态机、校验器、评估器、停止条件和测试回放确保路径不跑偏。
同题还出现在 1 个公司岗位
AI 平台接口上线前，如何验证模型降级、Prompt 版本追踪、配置回滚和缓存一致性？
这题考 AI 平台接口的上线准备，不是普通接口冒烟测试，而是围绕模型降级、Prompt 可追踪、配置回滚、缓存一致性、灰度观测和事故演练建立发布门禁。
Agent 的计划模式是什么？如何把用户目标拆成步骤、工具调用和可恢复执行状态？
这题考 Agent 运行机制：计划模式不是让模型多想一会儿，而是把开放目标转成可执行、可观测、可重试、可恢复的任务状态机或工作流。
同题还出现在 1 个公司岗位
Agent 调用服务端 API 工具的完整流程是什么？如何完成参数生成、鉴权、执行、错误处理和结果回填？
这题考 Agent 工具调用的工程链路：模型通常不直接访问业务 API，而是由宿主系统基于工具 schema、权限、参数校验、执行器、错误处理和结果回填来完成闭环。
同题还出现在 2 个公司岗位
Agent 的 thinking 阶段如何判断该调用工具还是直接回复，如何设计决策信号和安全约束？
这题考的是 Agent 运行时决策设计：候选人要能说明什么时候直接回答、什么时候调用工具、什么时候追问，以及如何用置信度、权限、安全和回归评估约束决策。
同题还出现在 1 个公司岗位
长上下文推理中 KV Cache 为什么可能被污染，如何做缓存隔离、清理和复用边界控制？
这题考的是大模型推理缓存的正确性与安全边界：KV Cache 本身是某个模型、某段 token、某套位置编码和注意力 mask 下的中间状态；一旦跨请求、跨会话、跨租户、跨模板版本或跨可变上下文错误复用，就可能产生答案串扰、隐私泄漏、事实陈旧或位置错乱。
生产级 RAG 的数据解析与入库流水线如何设计，如何处理 PDF、DOCX、表格、图片和多格式文档？
生产级 RAG 的数据解析与入库流水线应从文件接入、格式识别、内容解析、结构保留、规范化切分、embedding、索引落库、权限和质量监控全链路设计。PDF、DOCX、表格、图片、Markdown、TXT 和富文本的解析策略不同：PDF 要区分数字文本和扫描件，DOCX 要保留标题层级和表格，表格要理解 sheet、表头和单元格关系，图片要 OCR 或生成视觉描述，多格式文档要保留统一的 document、section、chunk 和 asset 元数据。入库侧要支持幂等、版本、增量更新、失败重试、死信队列、ACL 过滤、向量库和关键词索引协同，以及可回溯的解析证据。
RAG 处理大表格时，如何切块、限流和错峰，避免索引写入与消息队列被压垮？
这题考的是候选人能否把大表格 RAG 从“把每一行都扔进 embedding 和向量库”升级为可控的数据管道：先减少无效 chunk，再用限流、批量、队列削峰、错峰调度和可观测性保护索引系统与消息队列。
ReAct 的思考-行动-观察循环如何驱动 Agent 工具调用，和普通 CoT 有什么区别？
这题考的是候选人是否理解 ReAct 把模型推理和外部行动交织起来：模型不是一次性输出答案，而是在思考、选择工具、观察结果、继续推理的闭环中逐步完成任务；它和普通 CoT 的关键区别是能通过工具调用改变外部状态并用真实观察修正推理。
Agent 工具调用失败后，如何通过 trace 定位是意图识别、工具选择、参数生成还是工具服务本身的问题？
这题考的是 Agent 工具调用失败后的分层定位能力。好的回答不能只说看日志，而要把一次请求拆成意图识别、工具检索与选择、参数生成、执行前校验、工具服务调用、结果解释几个 span，并让每一层都有输入、输出、置信度、候选集、错误码、耗时和重试信息。定位时先判断用户意图是否被理解错，再看工具候选和最终选择是否合理，然后检查参数 schema、枚举、时间范围、权限上下文等是否正确，最后才归因到工具服务的网络、鉴权、超时、限流或业务错误。
向量数据库检索到语义相关但时间过久的历史信息时，RAG 系统应如何判断能否使用？
这道题考察 RAG 系统面对“语义相关但时间过久”的向量检索结果时，如何把相关性判断升级为证据可用性判断。回答要说明不能只看 embedding 分数，而要结合问题的时效敏感度、文档时间戳、版本、生效范围、来源权威性、与新证据的冲突情况和业务风险来决定使用、降权、补检、拒答或提示不确定。好的方案还要覆盖元数据过滤、时间衰减、动态检索、冲突检测、评估指标和上线监控。
RAG 什么时候只用静态知识库，什么时候需要接入动态网页检索？
这道题考察 RAG 检索源选择和系统边界设计。回答要说明静态知识库适合权威、可治理、更新频率低或组织受控知识，优势是稳定、可审计、低延迟、低风险；动态网页检索适合新闻、政策、价格、版本、故障状态、市场信息等变化快且静态库无法覆盖的问题，优势是新鲜度和覆盖面。高质量回答应给出 query 路由、混合检索、来源可信度、成本延迟、安全合规、冲突处理、引用和评估方案，而不是简单说“静态不够就联网”。
Agent 的 self-refine 自我修正如何处理 API 返回字段缺失、冗余或结构不符合预期？
这道题考察 Agent 自我修正是否能和工程化 API 契约治理结合起来。好答案不能把 self-refine 说成让模型再想一遍，而要说明先用确定性 schema 校验发现字段缺失、冗余字段、类型错误和结构不匹配，再根据错误类型决定丢弃、补默认值、结构化转换、重调 API、降级或交给模型生成修复计划。边界是不能让模型凭空编造缺失事实；所有修复都要可追溯、有限重试、重新校验，并用错误率、修复成功率和幻觉字段率验证效果。