阿里一面 45 问:Agent 中断恢复、Skill 的生产与进化、分布式事务
- 轮次
- 一面
- 时间
- 2026-09
- 来源
- 牛客网
《面试题目》
项目与中断恢复
- 讲一讲你的实习项目,重点讲项目里遇到的难点以及怎么解决。
- 你的恢复是 graph 的恢复,而不是 agent 的 session 恢复,是吗?
- 在做中断恢复的过程中,你做了哪些事情来保持记忆连续?
- 这个 graph 是你们自己实现的吗?
- graph 其实是一段代码逻辑,里面中间节点会有 Agent 调用,对吗?
- 中断恢复其实都是代码逻辑,不会影响 Agent,是吗?
- 假设整个流程是一个 Agent 的 skill 去执行,需要等待用户、用户可能一小时甚至一天不操作,这个 Agent 应该怎么设计?
- 你有没有了解过字节或一些开源 Agent 对中断和恢复是怎么做的?中断之后对记忆会做哪些操作?
- 有没有看过 Open Claw、DeepSeek Harness 这类开源框架的实现?
幻觉与 Skill
- 不管 Agent 还是 coding agent,调用大模型都会产生幻觉,你了解过的 Agent 是怎么控制、防止幻觉的?
- 不从具体实现讲,从 Agent 设计角度,防幻觉有哪些方法?
- 幻觉也会出现在工具调用,tool call 调错了应该怎么处理?
- 假设你要实现一个 prompt 或一个 skill,如何在这个 skill 中防幻觉?
- 你写过 skill 吗?讲一下生产一个 skill 的完整流程。
- 业务逻辑确定之后,开发 skill 的过程是什么?做领域设计、产出 Spec 这些会做吗?
- skill 写出来之后,如何评估它满足上线质量?
- skill 上线之后,如何做效果监控?
- 有了用户反馈,你如何对这个 skill 做进化?
- 如果要维护非常多 skill、做不到人工优化,怎么自动化做进化?
- 有没有了解过进化相关的框架、算法或论文?
- 如果让你来做一个进化的 Agent,你会怎么做?
多 Agent 协同
- 你的 Agent 会有 Agent-to-Agent 之间的调用吗?
- 你了解过多 Agent 协同下有哪些范式或结构吗?
- Sub-Agent 这种模式适合什么场景使用?
- 主 Agent 给子 Agent 派任务,以 coding 场景为例,怎么保证给到子 Agent 的输入能完成任务、又不会传入过多 context?中间数据传输怎么设计?
- 讲下你的 AI coding 流程,举个新需求的例子,整个 loop 是怎么跑起来的?
- 项目里 harness 是怎么做的?有哪些目录分别做哪些事情?对 Agent 的约束记录在哪里?
- 这些知识会沉淀到一些地方吗?
- 做一个需求时,你会设计多少个 Agent、多少个 Skill?
分布式与存储
- 假设下单场景,订单系统与商家库存系统是两套分布式系统,下单生成订单和扣减库存要么同时成功、要么同时失败,你怎么设计?
- 那你觉得这个分布式事务应该怎么设计?
- 所以是通过事务回滚的方式?那就要求系统支持回滚操作,是吗?
- 回到缓存和数据库,这两者怎么保持一致性?是全量加载到缓存、异步同步 DB 吗?
- 分布式场景下 Redis 分布式锁是怎么实现的?了解过 Redlock 吗?
- Redis 你用过哪些数据结构?
- Zset 底层的数据结构是怎样的?
- 跳表的具体结构是怎样的?假如向跳表里新增一个数据,它会怎么写入?
- 使用 MQ 做一致性,MQ 可以做到不丢消息吗?
- MQ 场景:一个 consumer group 有多台机器消费同一个 topic,但只有一台机器在消费,尽可能说出所有可能的原因。
- 你的主要开发语言是 Java 对吧?
并发
- ConcurrentHashMap 是怎么实现线程安全的?
- ConcurrentHashMap 怎么解决哈希冲突?
- ConcurrentHashMap 里 CAS 的比对然后覆盖的逻辑是什么样的?
- CAS 会产生 ABA 问题,怎么解决 ABA 问题?
- 你还有笔试,是已经约好笔试时间了吗?
《参考解析》
「graph 恢复 vs session 恢复」这道追问在问什么。 面试官在区分两种恢复语义:一种是「流程编排层的恢复」——图的节点执行到哪、哪些已完成、下一步走哪条边,这是确定性的代码状态;另一种是「Agent 会话层的恢复」——模型的对话历史、记忆、工具调用上下文,这是半结构化的语义状态。只做前者,恢复后能继续跑流程,但模型可能「忘了刚才聊到哪」,于是重复提问或前后矛盾;只做后者,历史都在,但不知道流程进行到哪一步,可能重复执行副作用。完整方案是两者都存,并在恢复时把「流程状态」渲染成一句明确的上下文告诉模型(「你正在进行第 3/5 步,已完成 A、B,用户刚才确认了 C」)。
记忆连续性怎么保。 三个手段:① 把关键事实结构化(不是靠原文),比如「用户选择的方案 ID、已确认的金额、拒绝过的选项」,存成 KV 并在每轮注入;② 消息带轮次与会话 ID,拼接时按序、分段摘要;③ 恢复时先做一次「状态对账」——把存储的状态与外部真实状态(订单是否已创建、文件是否已上传)比对,不一致就以外部为准,避免「记忆说做了、其实没做」。这条最容易被忽略,但生产上最常见的事故就是它。
等待用户很久的 Agent 怎么设计。 把「长等待」当成一种正常状态而不是异常:请求进来时创建 run,遇到需要用户输入的节点就把状态落库、释放连接(不能让一个 socket 挂一天),并生成一个可恢复的令牌(深链/通知)。用户回来时凭令牌恢复。配套要有 TTL 与过期清理、状态版本号(配置变了旧 run 要能识别)、以及幂等(用户重复点击不重复执行)。这就是「事件驱动的持久化工作流」,不是「一个长连接跑到底」。
防幻觉的四层设计。 ① 输入层——检索到的事实作为唯一依据,要求引用来源,没有依据就允许说「不知道」;② 决策层——把开放式生成改成受约束的选择(枚举、schema、工具参数),缩小自由发挥空间;③ 执行层——工具调用前做参数校验与权限校验,调用后校验返回、失败要能被感知(超时、非 2xx、字段缺失都要显式处理),不能让模型「假设成功」继续往下走;④ 输出层——关键数字/结论做程序化核对(与检索片段或数据库比对),不一致就降级为「需要人工确认」。补一句:防幻觉不能只靠提示词,提示词只能降低概率,兜底要靠程序和流程。
Tool call 调错怎么处理。 分错误类型:参数格式错(用 schema 校验直接拒绝并回灌错误信息,让模型改正)、参数语义错(比如查错了用户,要有权限与范围校验,越权直接拒绝而不是交给模型判断)、工具本身失败(重试有上限、退避、区分可重试与不可重试)、以及「模型选错了工具」(在返回里附上可用工具清单与选择提示,或加一个路由器先用规则/小模型定工具)。所有调用要有 trace,事后能复现「为什么选了它」。
Skill 的生产流程。 一个可复用的顺序:领域建模(这个 skill 负责哪类任务、输入输出是什么、边界在哪)→ 写 Spec(触发条件、步骤、可用工具、成功判据、失败处理)→ 写最小版本 → 用真实样例跑(至少覆盖正常、边界、恶意输入三类)→ 评估(准确率、遵循率、平均步数、成本)→ 上线 → 监控(成功率、人工接管率、异常分布)→ 迭代(把失败案例沉淀成评测用例,改提示词或加工具)。关键认知:skill 不是一段提示词,而是「提示词 + 工具 + 校验 + 评测集」的打包。
怎么评估与监控。 评估要分层:能力层(能不能做完)、质量层(结果对不对、格式对不对)、效率层(步数、token、时延)、安全层(越权、注入、敏感信息)。上线后监控同样分这四层,并保留抽样人工评审。没有评测集的 skill 不算上线,只能算实验。
Skill 怎么自动进化。 三步闭环:收集(线上失败样本 + 用户反馈 + 人工标注)→ 归因(分成「知识缺失、工具缺失、提示词歧义、模型能力不足」四类)→ 自动生成候选改动(补示例、改指令、加工具)→ 用评测集回归 → 通过才发布。可用的技术包括 few-shot 自动挑选、提示词优化(OPRO/APE 这类)、以及把成功轨迹蒸馏成示例。难点在「评测集要能覆盖真实分布」和「改动不能过拟合」,所以每次进化都要留一份 held-out 集。回答时给出这套闭环比报论文名更有用。
多 Agent 范式。 常见四种:主管-工人(supervisor/worker,一个编排者派活、汇总)、流水线(pipeline,按阶段串行,每段专职)、辩论/评审(多角色互评后收敛)、以及层级(agent 树,每层负责不同粒度)。Sub-Agent 适合「子任务边界清晰、上下文可独立、结果可校验」的场景,比如代码检索、单文件重构、资料汇总;不适合需要全局上下文强相关的任务。主给子的输入要「少而准」:只传任务目标、必要约束、以及子任务需要的文件/片段,用结构化字段而不是整段对话;返回只要求「结果 + 证据 + 未解决项」,中间过程不往上带,避免上下文爆炸。
分布式事务怎么答。 先给结论:订单 + 库存这种跨服务场景,优先「最终一致 + 补偿」,而不是强一致。方案对比:本地消息表(可靠消息,业务侵入小,要消费端幂等)、事务消息(RocketMQ,半消息 + 回查)、TCC(Try 预占、Confirm 确认、Cancel 释放,控制力强但要写三个接口并处理悬挂/空回滚/幂等)、Saga(长流程编排 + 补偿,适合多步)、Seata AT(自动 undo log,简单但全局锁影响性能)。选型依据是「一致性要求 + 业务能否接受中间态 + 补偿成本」。要能说清 TCC 的三个坑:空回滚(Try 没执行就收到 Cancel,要记录事务状态直接返回成功)、悬挂(Cancel 先于 Try 到达,要拒绝后续 Try)、幂等(重复 Confirm/Cancel 结果一致)。
缓存与 DB 一致性。 常见策略是 Cache Aside:读时未命中回源并回填,写时「先更新 DB 再删除缓存」。为什么会不一致:并发下「读旧值回填」覆盖了删除(延迟双删缓解)、删除失败、主从延迟。更强的方案是订阅 binlog 异步失效(Canal),把「删缓存」从业务代码里解耦;对一致性要求极高的场景干脆不让缓存做判断依据。全量加载 + 异步同步适合「读多写少、数据量小」的配置类数据,不适合频繁变更的业务数据。
Redis 锁与 Redlock。 单实例是 SET key val NX PX ttl + Lua 校验删除;主从架构下主节点写完还没同步就宕机,锁会丢,Redlock 用「多数派独立节点加锁成功 + 总耗时小于 TTL」来降低这个风险,但它在网络分区与时钟漂移下仍有争议(Martin Kleppmann 的批评)。工程结论:锁用来减少并发冲突,正确性靠「幂等 + 唯一约束 + 状态机」兜底;对强一致要求高的资源,用数据库行锁/乐观锁版本号更可靠。
Zset 与跳表。 Zset 是「字典(member→score)+ 跳表(按 score 排序)」双结构,字典保证 O(1) 查分数,跳表保证按分数范围查询与排名。跳表是多层链表:底层是完整有序链表,每层以概率 1/2 向上建索引,查找从最高层开始,向右走到超过目标就下降一层,期望 O(log n)。插入时先找到每层的前驱节点,随机决定新节点的层数(层数不超过当前最大层 +1),然后在各层插入并更新前向指针与 span(用于 ZRANK)。删除反向操作。相比红黑树,跳表实现简单、范围查询天然有序、并发下更容易做无锁(各层独立更新)。
MQ 能不能不丢。 只能做到「尽量不丢」,要靠三段各自保证:生产端(同步发送 + 重试 + 确认机制,或事务消息)、Broker(刷盘策略:同步刷盘 + 主从同步复制,acks=all)、消费端(处理完再提交位点,失败重试,幂等消费)。任何一段用异步都可能丢。所以「不丢」等于「不丢 + 可能重复」,业务必须幂等。
只有一个消费者在消费的所有可能原因。 ① 分区/队列数只有 1(或者远少于消费者数);② 分区分配不均——消费者加入/退出触发 rebalance 后分配策略导致倾斜,或某些消费者订阅了不同的 tag/filter;③ 消费能力差异——某台机器处理快、其他机器卡在下游超时,导致 lag 集中;④ 消费线程数配置不同(有的实例 consumeThreadMin/Max 设得很小);⑤ 消息 key 高度集中,几乎所有消息都路由到同一个分区;⑥ 部分消费者根本没启动成功或订阅关系不一致(group 名不同、topic 名不同);⑦ 消费被限流/被熔断,实际在处理但速率极低;⑧ 客户端版本差异导致的分配协议不一致。排查顺序是先看「分区分配结果」,再看「各实例的消费 TPS 与耗时」,最后看订阅配置。
ConcurrentHashMap。 JDK 8 的实现是「数组 + 链表 + 红黑树」,锁粒度降到单个桶:put 时若桶为空用 CAS 直接放头节点,否则 synchronized 锁住该桶的头节点再插入;链表长度 ≥8 且数组长度 ≥64 时转红黑树(否则先扩容),查询 O(log n)。哈希冲突用链地址法,spread 把高位异或到低位减少碰撞。size 用 baseCount + CounterCell[] 分段计数(类似 LongAdder)避免热点。扩容支持多线程协助迁移(ForwardingNode 标记已迁移的桶)。CAS 的「比对再覆盖」就是 compareAndSwapObject/Int:只有当内存中的值等于期望值时才写入新值,否则失败重试,依赖 CPU 的 cmpxchg 指令。ABA 问题是一个值从 A 改成 B 又改回 A,CAS 以为没变过;解法是加版本号(AtomicStampedReference)或用 AtomicMarkableReference 标记是否被改过。
AI coding 的 loop(举新需求)。 读需求与相关代码 → 写一份可验收的 SPEC(接口、数据结构、边界、测试用例)→ 让模型出最小实现 → 跑测试 → 按失败项逐个修 → 自查 diff(范围、异常处理、无关改动)→ 补文档与测试 → 提交。把「验收标准」写成可执行脚本是关键,否则人只能靠读代码判断对错。