吉比特前端二面:旅游 Agent 的灰度数据、工具调用准确率与一道高并发设计
- 轮次
- 二面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 做一下自我介绍。
- 讲一个你觉得比较有难点或亮点的项目。
- 这个旅游 Agent 的需求背景是什么?解决了什么业务问题?
- 你们公司原本的旅游平台业务是什么?门票、酒店还是其他?
- 用户进来和 Agent 交互时,一般会问哪些问题?
- 这是一个旅游攻略定制的 Agent 吗?过程中会推门票、酒店等商品链接吗?
- 这个项目里你主要负责前端吗?
- 旅游预订这块是几个人开发的?
- 流式输出的前后端细节很多,如果现在拆分前后端,会不会很麻烦?
- Agent 上线之后有统计数据吗?访问量怎么样?
- PV、UV 分别是多少?
- 现在灰度了多少比例?
- 200 多 UV、10% 灰度,那整个平台日均 UV 是两三千吗?
- 你们重点看哪些业务指标?怎么验证这个 Agent 是正向的?
- 灰度完之后有回收数据吗?
- 除了业务指标,作为内部开发会关注哪些技术指标?
- 响应时间、token 消耗这些指标怎么做优化?
- 你们用的是哪一个模型?
- 是固定模型,还是预备多个模型做切换?
- 工具调用的成功率怎么统计?
- 调用成功了,怎么确保调用是准确的?比如用户要离景点最近的酒店,查出来的不是,怎么确认?
- 线上出现调用不准确,你们怎么发现?
- 公司 Agent 接的知识库是什么?
- 知识库检索的优化你了解过吗?
- 大模型为什么具备语义理解能力?给它两句话,它怎么判断相似?
- 自注意力机制是怎么实现的?
- 两个向量的点积公式怎么算?
- Coze 的工作流和现在的 Agent,这两种模式有什么区别?
- 你们 Agent 的底层用的是什么?用什么 Agent SDK 吗?
- 自研的 Agent 有没有比现成 SDK 更好用?
- 你对自己的定位是全栈开发还是前端?
- 游戏在周年庆开放活动时瞬间十几万 QPS,从前端、后端、数据库、运维各层面怎么做性能优化?
- 反问。
《参考解析》
灰度数据要能自洽。 200 多 UV、10% 灰度,推全量约两三千 UV,这个换算面试官当场做了,说明他在核对数字之间是否对得上。回答指标时先给口径:UV 按去重用户还是设备、统计窗口是哪几天、灰度是按用户哈希还是按流量比例。业务指标看任务完成率、攻略采纳率、商品点击与转化、用户留存与追问率;技术指标看首字延迟、端到端响应时间、token 消耗、工具调用成功率、错误率与降级率。
工具调用成功率不等于准确率。 成功率只能说明请求返回了 200,准确率要看返回内容是否满足用户约束。统计方式包括:在工具层校验参数(日期、地点、价格区间是否合法)、对结果做规则校验(距离排序、库存状态)、用模型或人工抽样评估、在线上埋点记录用户是否采纳与是否追问。发现不准确要靠抽样回放、负反馈入口、以及把「用户改口」当作信号。兜底手段是前置约束(把可选范围收窄)、结果校验失败时重试或换工具、最终由模型说明无法满足。
RAG 的切分与检索。 旅游知识库包含攻略、景点介绍、票务规则、FAQ,切分要按结构(标题层级、表格、条目)而不是固定字数,保留元数据(城市、景点、适用日期、来源),对长文档做父子块或摘要索引。检索可以用 BM25 加向量混合,再加重排;优化方向是查询改写、同义词与实体识别、按元数据过滤、调整 chunk 大小与重叠、评估召回率与答案忠实度。
语义相似与自注意力。 模型把 token 映射成向量,经过多层自注意力,每个位置根据与其他位置的相似度加权聚合信息,从而得到上下文相关的表示。自注意力用 Q、K、V:Attention(Q,K,V) = softmax(QK^T / sqrt(d_k)) V;点积衡量 query 与 key 的匹配程度,除以 sqrt(d_k) 防止维度大时点积过大导致 softmax 饱和。两句话的相似度通常取句向量余弦相似度,而不是直接比较 token 点积。
Coze 工作流与 Agent 的差别。 工作流把步骤、分支、工具调用写在编排里,行为可预测、易调试、成本可控,适合流程稳定的业务;Agent 让模型根据观察自主选择下一步,灵活但路径不确定、调试与成本控制更难。生产系统常用「工作流兜底 + 局部自主」的混合方式。
自研与 SDK 的取舍。 自研能贴合业务、控制提示与工具协议、便于排查;现成 SDK 在记忆、工具调用、重试、可观测性上更成熟,迭代快。判断标准是团队维护成本与业务差异化程度,不是「自研一定更好」。面试官质疑自研效果时,用评测数据回答:同一批任务下成功率、平均步数、延迟与成本各是多少。
高并发活动页的优化分层。 前端:静态资源 CDN、接口合并与缓存、按钮防重、限流与排队页、骨架屏。后端:无状态扩容、读写分离、热点缓存、异步化与消息队列削峰、连接池与线程池隔离、熔断降级。数据库:分库分表、索引优化、库存扣减用乐观锁或队列串行化、热点行拆分。运维:压测与容量规划、弹性伸缩、监控告警、灰度与预案。回答时先判断瓶颈在哪一层,再给手段,不要把所有方案堆一遍。