243 篇 AI Agent 面经的话题统计:上下文、重试、幂等与超时才是高频考点
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 长对话场景下,历史消息怎么保留、怎么删除?删完丢了关键信息怎么办?
- 一次大模型调用的超时时间怎么定?等多久算超时?
- 调用失败后要不要重试?什么时候该停止重试?
- 请求超时了,但服务端可能已经执行成功,怎么避免重复执行?
- 幂等键怎么设计,放在哪一层?
- RAG 项目怎么搭?召回、重排、上下文注入各环节怎么选型?
- 怎么证明 RAG 的效果变好了?用什么样例测、怎么判断结果、改完怎么确认没有退步?
《参考解析》
这份统计值得注意的地方,是它把「AI 名词」和「工程问题」分开了。243 篇面经里,上下文、重试、幂等、超时四项的出现率都在四成上下,RAG 与评测也在同一量级。也就是说,面试官真正想确认的是「这套系统出问题的时候你怎么处理」,而不是你能不能背出某个框架的名字。准备顺序应当是先把项目主流程讲通,再逐条补「失败路径」和「效果验证」。
上下文管理的核心是取舍规则,不是窗口大小。常见做法是分层:system 提示与工具定义常驻且冻结;最近若干轮保留原文;更早的对话压缩成摘要,或者只保留被引用过的片段;工具返回的大块结果(网页、文件、检索结果)只留结论与出处,原文放外部存储按需取回。关键信息不能只靠「留在窗口里」,应当抽成结构化状态(任务目标、已确认事实、待办),压缩时以这份状态为准,避免摘要丢掉约束条件。判断删得对不对,看的是「删完之后模型还能不能完成当前任务」,所以要保留可回溯的原文入口。
超时与重试要一起设计。超时时间按链路的 P99 反推,而不是拍一个整数:首字延迟与整体生成要分开设,流式接口卡在首字和卡在生成中间是两种故障。重试要有上限、退避与抖动,并且区分可重试错误(超时、连接重置、5xx、限流)与不可重试错误(参数错误、鉴权失败、内容被拒)。重试次数还受总预算约束——用户能接受的总等待时间决定了「几次、每次多久」。
幂等的落点在「请求标识 + 唯一约束」。客户端为一次业务请求生成幂等键,服务端在执行前先查这个键是否已处理:未处理则占位并执行,已处理则直接返回上次结果;执行与写结果放在同一个事务里,或者用「先写状态为处理中、成功后改为成功」的两阶段记录。注意超时场景下服务端可能已经执行成功但回包丢了,所以重试必须带同一个幂等键,而不是新生成一个。工具调用尤其需要这一层:转账、下单、发消息这类副作用操作重复执行一次就是事故。
RAG 的链路要能一段一段讲:文档解析与切分(按语义边界切、保留标题层级)、向量化与索引(embedding 模型选型、是否混入关键词检索做混合召回)、召回(top-k 与阈值)、重排(cross-encoder 或规则)、上下文拼装(去重、按相关性排序、控制长度)、生成与引用。每一段都要能说出「这里出问题会表现成什么」。
评测是最容易被追问倒的一环。至少要有一套固定样例集,覆盖典型问题、边界问题与之前出过错的问题;指标分两层——检索层看命中率与召回率,生成层看答案正确性、是否引用了正确出处、是否编造。人工标注一小批作为基准,再用模型评审扩大规模,但模型评审要先用人工标注校准过一致性。改完必须跑回归,把「这次改动让哪几条从错变对、哪几条从对变错」列出来,否则「效果变好了」只是一句感觉。