面灵AI→

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》

  1. 做一下自我介绍。
  2. 讲一个你觉得比较有难点或亮点的项目。
  3. 这个旅游 Agent 的需求背景是什么?解决了什么业务问题?
  4. 你们公司原本的旅游平台业务是什么?门票、酒店还是其他?
  5. 用户进来和 Agent 交互时,一般会问哪些问题?
  6. 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?
  7. 这个项目里你主要负责前端吗?
  8. 旅游预订这块是几个人开发的?
  9. 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?
  10. Agent 上线之后有统计数据吗?访问量怎么样?
  11. PV、UV 分别是多少?
  12. 现在灰度了多少比例?
  13. 200 多 UV、10% 灰度,那整个平台日均 UV 是两三千吗?
  14. 你们重点看哪些业务指标?怎么验证这个 Agent 是正向的?
  15. 灰度完之后有回收数据吗?
  16. 除了业务指标,作为内部开发会关注哪些技术指标?
  17. 响应时间、token 消耗这些指标怎么做优化?
  18. 你们用的是哪一个模型?
  19. 是固定模型,还是预备多个模型做切换?
  20. 工具调用的成功率怎么统计?
  21. 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?
  22. 线上出现调用不准确,你们怎么发现?
  23. 公司 Agent 接的知识库是什么?
  24. 知识库检索的优化你了解过吗?
  25. 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?
  26. 自注意力机制是怎么实现的?
  27. 两个向量的点积公式怎么算?
  28. Coze 的工作流和现在的 Agent,这两种模式有什么区别?
  29. 你们 Agent 的底层用的是什么?用什么 Agent SDK 吗?
  30. 自研的 Agent 有没有比现成 SDK 更好用?
  31. 你对自己的定位是全栈开发还是前端?
  32. 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?
  33. 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。