标签题目
服务治理相关面试题
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。
为什么使用责任链模式，它的好处是什么？
考察责任链模式的适用场景和工程取舍，重点是把多步骤可变流程拆成可插拔节点，同时控制顺序、终止、观测和性能。
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。
MCP 客户端调用服务端工具的完整交互流程是什么？
这题考 MCP 工具调用协议的端到端理解，回答时要按连接握手、工具发现、模型决策、客户端分发、服务端执行、结果回传和安全边界展开。
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
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
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。
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 推理服务如何做流量调度，兼顾模型副本、队列长度、KV 资源和延迟 SLO？
这题考 LLM 推理服务的请求路由和服务治理。回答要围绕模型副本选择、prefill/decode 队列、KV cache 资源、batching、优先级、SLO 和故障降级展开，避免泛泛而谈负载均衡。
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。
MCP、Function Call 和 A2A 在 Agent 系统中分别解决什么边界，如何协同？
这题考 Agent 系统的协议和责任边界。Function Call 解决模型到宿主工具调用意图的结构化表达，MCP 解决宿主和外部工具/资源服务之间的标准化连接，A2A 解决 Agent 与 Agent 之间的任务委托和协作。三者层级不同，不能混成同一个概念。
当 Agent 有 100 个 Tool 时，如何做工具分组、动态子集检索、schema 治理、监控和 meta-tool/Skill 收口？
这题考的是大规模工具接入后的 Agent 治理能力。100 个 Tool 不能简单全部塞进模型上下文，否则会带来选择混乱、token 成本、schema 冲突、误调用和监控不可解释。好的回答应从工具分类、检索式候选集、契约治理、调用观测和能力收口几层展开。
同题还出现在 1 个公司岗位
开发 MCP 服务时，如何设计 resources/tools/prompts、输入输出 schema、权限和可观测性？
这道题考察的是 MCP 服务的能力建模和治理能力，而不是会不会写一个 HTTP endpoint。好答案要从 resources、tools、prompts 三类能力暴露开始，定义清晰的输入输出 schema、权限和错误语义，再补上发现机制、版本兼容、超时重试、可观测性、回放和审计，保证 Agent 能安全、稳定、可追踪地使用 MCP 服务。
生产中的 AI 服务如何保障全天稳定运行，覆盖资源、限流、降级、监控和模型依赖治理？
这道题考 AI 服务稳定性治理。好答案要覆盖容量、GPU/模型资源、流量控制、依赖失败、降级策略、监控告警、灰度发布和故障演练。
MCP 接入多个测评工具时，如果不同工具对同一问题返回格式不统一，应该如何设计统一输出协议或适配层？
这题考 MCP 多工具输出治理。多个 MCP 工具返回格式不统一时，应在工具和 Agent Runtime 之间加适配层，统一 envelope、内容块、结构化数据、错误协议、元数据、版本和审计，而不是让模型解析各类私有格式。
Agent 工具调用限制中间件应如何设计，才能约束候选工具范围、调用预算、权限校验和循环停止条件？
这题考 Agent 工具调用限制中间件。重点是 runtime/executor 如何通过 allowlist、预算、权限、参数校验、循环检测和停止条件约束工具调用，而不是只在 prompt 里提醒模型少调用。
超大模型部署到计算集群时，如何按计算图切分并做分布式模型管理？
这题考超大模型部署系统设计。关键是把模型表示为计算图，按依赖、内存、计算量、通信和 SLA 做图切分与设备放置，再用分布式模型管理处理分片版本、加载、路由、健康检查、灰度和回滚。
Agent 工具服务为什么要独立部署并注册到 Nacos，而不是直接用 MCP 暴露工具？
这题考 Agent 工具服务的工程化部署边界：Nacos 解决服务发现和治理，MCP 解决模型侧工具协议，二者不是同一层能力，不能简单互相替代。回答时要强调在已有微服务治理体系下，Nacos 更适合管理真实工具服务的实例、健康、配置和流量，MCP 更适合统一工具契约、schema 和 Agent 侧调用方式。
MCP 在 Agent 工具接入中解决什么问题，适合哪些场景，又有哪些落地边界？
这题考 MCP 在 Agent 工具接入中的协议价值和工程边界。高质量回答要说明它解决的是 Agent 与外部工具、资源、提示模板之间的标准化连接问题，并能覆盖工具发现、resources/tools/prompts、schema、跨进程接入、权限、审计、超时、版本和服务治理。
对接多家国内大模型官方 API 时，如何设计统一调用网关来屏蔽接口差异？
这题考察的是多大模型供应商接入时的工程抽象能力，不是简单写几个 if else 适配接口。好的统一调用网关要把业务层看到的协议收敛成稳定的内部模型契约，同时把供应商差异隔离在 adapter 层：消息格式、模型名、参数范围、流式协议、错误码、限流、鉴权、计费、上下文长度、工具调用、JSON 输出能力都不能泄漏给上层。架构上通常分为统一 API、路由与策略、provider adapter、可靠性治理、观测与审计、配置和灰度几个部分。回答要强调边界：网关不是只做转发，而是承担能力抽象、故障隔离、降级切换、成本治理和可观测性；但也不能把所有模型能力抹平成最低公约数，否则会损失模型特性。因此设计上要有基础统一契约和可扩展 capability 描述，既屏蔽常见差异，又允许业务显式选择高级能力。
用 LangChain 编排 AI 工作流时，如何和原生调用、自研引擎做选型，并分析各自优缺点和瓶颈？
这题考察的是 AI 工作流编排的技术选型，而不是问 LangChain 好不好。高质量回答要先拆清楚业务复杂度：只是单轮模型调用、少量 prompt 链、RAG 检索增强、工具调用、长流程状态机、多 Agent 协作，还是需要可视化编排、回放、权限、灰度和审计。原生调用的优势是简单、可控、性能和依赖风险低，适合链路短、业务稳定、团队希望自己掌握协议的场景；LangChain 的优势是生态组件多、原型快、抽象现成，适合探索期和标准 RAG/Tool/Agent 流程，但瓶颈是抽象层厚、版本变化、调试复杂、性能和可观测性需要补强；自研引擎适合业务流程复杂、稳定性和治理要求高、需要平台化复用的场景，但成本高、周期长，容易重复造轮子。最终选型不是三选一的宗教问题，而是按阶段演进：原型期可以用框架提速，核心生产链路要收敛成自己的稳定接口和可观测执行模型。
Agent 批量任务并发执行时，如何设计动态限流、优先级调度、背压机制和故障隔离，避免系统雪崩？
这题考生产级 Agent 批量任务的稳定性治理。回答要覆盖容量评估、动态限流、优先级调度、背压、隔离、降级和观测，而不是只说加队列或重试。
生产级 Agent 如何工程化实现自我校验、链路复盘、错误归因和动态修正？
这题考生产级 Agent 的质量闭环工程化。重点是把自我校验、链路复盘、错误归因和动态修正落到运行时、数据、评测和前后端体验中，而不是让模型简单反思一句。
高并发场景下如何设计 Agent 服务的弹性伸缩、核心监控指标和告警策略？
这题考生产级 Agent 服务治理。回答要把弹性伸缩、监控指标、告警策略和容量保护结合起来，而不是只讲加机器。