阿里淘天 Agent 平台一面:每一层设计追问的都只是代价
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 自我介绍(一分钟)。
- 为什么是三级架构,主 Agent 直接调工具不行吗?编排层本质上是人工写的路由表吗?
- 编排层单独做成一个 Agent,代价是什么?为什么不用规则路由,长尾占比多少?
- 上下文从主 Agent 传到子 Agent,怎么保证不丢?slot 谁定义的,新场景来了怎么办?
- 上下文太长怎么裁?抽取本身用模型,模型抽错了呢?校验错了呢?
- 工具 schema 写多细、description 多长?两个工具名字很像、语义不同,模型老选错怎么办?
- 工具升级、参数加了必填字段,历史会话怎么办?模型怎么知道该用哪个版本?
- 工具调用超时,重试几次?重试时幂等怎么保证?
- 参数哈希里有一个时间戳字段每次都变,幂等键就失效了怎么办?排除易变字段会不会撞键?
- 高危操作(退款、改价、发券)怎么拦?二次确认是人点还是模型点?一天两万单人点得过来吗?
- 权限模型怎么做的,RBAC 还是 ABAC?Agent 以谁的身份调工具,越权怎么防?
- Agent 越权有哪几种,你防住了哪几种?跨用户把 A 的结论用到 B 身上怎么防?
- Prompt injection:用户让 Agent 忽略之前指令怎么防?文档里藏一句注入呢?
- 子 Agent 返回的结论,你怎么知道是对的?抽样比例多少,发现问题怎么回溯?
- 评测集怎么造、多少条、覆盖哪些场景?回流数据有偏吗?
- 上线怎么灰度、看什么指标?成本怎么算,一次任务多少钱?毛利多少?
- 延迟 8 秒用户等不了,怎么优化?并发工具调用会不会让工具侧压力翻倍?
- 这套东西如果明天让你重写,你会改哪?
- 手撕:工具调度器。给一批工具,每个工具有依赖列表和并发配额,按依赖顺序执行、不超过总并发上限,返回每个工具的结果,要求处理环检测和单个工具失败时的下游跳过。
《参考解析》
三级架构的价值与代价。 分层编排的核心收益不是「更智能」,而是缩小候选集:四十多个工具的 schema 一次塞进上下文,工具描述本身就占几千 token,模型的选择准确率会明显下降;先由主 Agent 选「域」,再由域内编排层选具体工具,等于把一次四十选一拆成两次小规模选择。面试官点破「这层本质是路由表」是准确的——如果这层只做静态映射,那它的价值就限于候选集裁剪与权限边界。代价也很实在:多一跳带来数百毫秒延迟、上下文在层间传递会有损耗、每层都要单独评测与维护。规则路由与模型路由的取舍应按长尾占比算账:如果九成请求能被规则覆盖,用规则处理大多数、模型只兜长尾,成本与延迟都更低;模型路由适合意图分布长尾且变化快的场景。回答这类问题要能给出量化的账,而不是只说「更灵活」。
上下文传递的关键是契约而非容器。 用结构化 slot 传递只是形式,真正要解决的是「谁定义、怎么演进、丢了怎么发现」。可行的做法是把 slot 定义成版本化的 schema(字段、类型、必填、来源),主 Agent 填、子 Agent 只读,新增场景时扩展 schema 而不是改代码;同时每个 slot 带来源标记(来自用户原话、来自工具结果、来自模型推断),下游可以据此判断可信度。防止丢失要靠契约测试:对每个 slot 构造「必填缺失」「类型错误」「超长」的用例,验证子 Agent 会明确报错而不是静默用空值继续。新场景来了如果 slot 不够用,正确做法是让子 Agent 返回「缺什么信息」并回问,而不是让主 Agent 猜。
工具 schema 与工具选择。 工具描述不是越长越好。模型对工具的选择依赖名称、一句话用途与参数名,描述过长会稀释关键信息、增加 token 成本,也会让相似工具更难区分。经验做法是:名称用「动词 + 对象」且语义唯一,描述控制在一两句话内说清「什么时候用、什么时候不用」,参数给类型、枚举与一个最短示例,把长篇说明放到工具返回的错误信息里按需暴露。两个工具容易混时,最有效的是改名与合并(把相似能力合成一个带 mode 参数的工具),其次是在描述里写反例。改名的代价是历史 prompt 与评测集要同步更新,所以要建立工具注册表与版本号:注册表里同时挂 v1/v2,工具描述里带版本,历史会话按会话开始时冻结的工具表执行(这与多轮缓存的设计一致),新会话用新版本。工具参数加必填字段属于破坏性变更,应当新版本 + 迁移期双版本并存,而不是原地改。
幂等键的设计。 trace_id + 工具名 + 参数哈希 的方向是对的,问题在于参数里含时间戳、随机数、分页游标这类易变字段。处理原则是「先规范化再哈希」:对参数做规范化(字段排序、去掉已知易变字段、时间戳截断到业务可接受的粒度、浮点归一化),并且幂等键要以业务实体为主键而不是以请求为主键——退款用订单号 + 金额 + 操作类型,改价用商品 ID + 目标价,这样即使参数里带了时间也不会撞。排除易变字段导致不同请求撞键的风险,用「业务主键 + 操作类型」自然规避;真正无法确定业务键的场景,才退化为参数哈希并在服务端做冲突检测(键相同但参数不同则报冲突而不是静默复用)。幂等键要在进入重试之前生成一次并透传,重试时复用。
高危操作与越权。 高危操作的多层拦截是合理的(模型层禁止、编排层白名单、执行层二次确认),但「人点」在日均两万单的量级上不可行,实际应按风险分级:低金额、低影响的操作走自动化 + 事后审计,高金额、不可逆的操作走人工审批或延迟执行窗口(例如给用户 5 分钟撤销期)。权限上,Agent 不应以系统身份无条件调用工具,而应携带「用户身份 + 代理授权范围」的双重凭证,工具侧做数据行级过滤(只能读写该用户或该租户的数据)。越权的类型至少四类:调用未授权工具、拿到越权数据、伪造身份、把 A 用户的结论用到 B 用户身上。第四类最隐蔽,防护靠「结果归属校验」:子 Agent 的返回必须带 tenant/user 标记,编排层在合并结论时校验归属,跨用户复用直接拒绝。Prompt injection 的防护是分层的:输入侧检测明显指令、系统提示与用户内容隔离、工具返回内容标注为「数据」而非「指令」、高危操作强制走二次校验;但必须承认文档内嵌注入无法完全防住,所以防线要放在「即使被注入也做不了危险动作」上,即最小权限与审批,而不是靠提示词。
评测集、灰度与成本。 评测集的结构应是「人工构造 + 线上回流 + 对抗样本」三层,人工部分保证覆盖意图与边界,回流部分保证贴近真实分布,对抗部分专门覆盖注入、越权、超长上下文。回流数据天然有偏(都是出过问题的),所以要按线上流量分布做重加权,并保留一批「从没出过问题」的常规样本做回归。灰度看四类指标:任务完成率、平均轮次、人工接管率、P99 延迟,同时看单位任务成本。成本估算要拆输入与输出:平均轮次 × 每轮上下文 token × 单价,工具调用与重试另计;毛利要算上人工接管与失败重试的成本,只报单次调用成本会低估。
工具调度器的手撕要点。 结构上分三部分:依赖图(邻接表 + 入度)、就绪队列(入度为 0 且配额允许)、资源账本(每个工具声明的并发配额与全局并发上限)。执行循环是「取出就绪工具 → 申请配额 → 提交执行 → 完成后释放配额、把下游入度减一」。环检测用拓扑排序的剩余节点数判断,剩余不为 0 即存在环,应报错而不是死等。面试官提示的「把等待和执行分开」正是死锁的解法:如果父工具占着配额等子工具,而子工具又在等配额,就会互相卡死;两阶段做法是先只做依赖解析与配额预留(不占用执行槽),再统一提交执行,或者把「等待子工具」的父任务从配额账本中释放、只保留逻辑依赖。单个工具失败时,下游直接标记为 skipped 并向上传播原因,不要让它一直等依赖。
如果重写会改哪。 一个诚实的回答是「砍掉不必要的编排层,改成规则 + 小模型分类」:如果九成请求能规则命中,多一层的延迟与维护成本就不划算。判断标准是长尾占比与规则覆盖率的变化趋势——长尾在缩小就继续用规则,长尾稳定且规则维护成本上升才值得上模型编排。