快手 AI 全栈一面:幂等窗口、Agent 停止条件与一个会被下游打死的重试器
- 轮次
- 一面
- 结果
- 未通过
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 自我介绍。
- Redis 做幂等,key 的过期时间怎么设?如果消息还没处理完 key 就过期了会怎样?
- 为什么你会先删 key 再处理业务?先删与不删各自的问题是什么?
- Agent 怎么判断分析完成了、然后停下来?模型不输出终止信号怎么办?最大轮次到了但任务没做完,返回给用户什么?
- 线程池的核心线程、队列、最大线程都满了,再来任务会怎样?默认拒绝策略是什么?队列无界时最大线程数还有用吗?
- 线程池参数该怎么配?IO 密集型场景核心线程数怎么定,有依据吗?
- 上下文压缩之后,怎么评估关键信息没丢?答案对但依据错的情况怎么处理?
- 你们组的 Skill 是什么,和 workflow 有什么区别?为什么把 workflow 改成 Skill?
- Skill 的边界怎么定,什么该进 Skill、什么该留在代码里?怎么判断一个 Skill 写得好不好?
- Skill 里模型不按文档走怎么保证?高合规场景下模型越权怎么兜?你们怎么自测 Skill,离线评测的成本怎么降?
- 评测集多少条、覆盖哪些意图?多 Agent 之间上下文怎么隔离?一个 Agent 调用另一个 Agent,返回值格式怎么定?
- MQ 延迟消息有几种实现,你们用哪种?消费失败重试几次,超过次数进死信还是丢弃?核心业务和普通业务的重试策略有什么区别?
- 指数退避的基数取多少,为什么要有抖动?消息丢失可能发生在哪几个环节?生产者确认和消费者确认分别解决什么?
- 你们系统里 QPS 最高的接口是多少,怎么扛的?如果让你重做这个项目,你会删掉哪一部分?
- 手撕:实现一个重试器,传入可能失败的函数,按指数退避重试,最多 N 次,要求带随机抖动,且同一个业务键的重试必须幂等。
《参考解析》
Redis 幂等的 key 与删除顺序。 幂等的本质是「同一业务键在窗口内只允许成功执行一次」,key 的 TTL 就是这个窗口的长度。窗口必须大于「最大可能处理时长 + 下游重试延迟」,否则会出现锁已过期、业务还在跑的并发窗口,第二个请求拿到锁后重复执行。正确做法有三条:其一,TTL 用 P99 处理时长乘一个安全系数,并配合超时熔断,让业务不可能运行超过 TTL;其二,删除时用 Lua 脚本比对 value(或 fencing token)再删,避免 A 的锁过期后被 B 拿到、A 处理完把 B 的锁删掉;其三,value 里放单调递增的 token,写业务数据时校验 token 未被更新,即「锁 + 版本号」双重保护。先删 key 再处理业务的问题在于把幂等窗口缩小到了处理完成之前——一旦删除成功而业务失败,重试进来就是新的一次执行;不删、靠 TTL 自然过期的问题则是失败场景下窗口内无法重试,需要额外的失败标记位。实践上更稳的方案是用「状态机 + 唯一索引」兜底:数据库层面用业务唯一键做最终幂等,Redis 只做前置的快速拦截,不把它当成唯一防线。
Agent 的停止条件要当成一套降级策略。 面试官连问四层,指向的是「停止」不是一个 if,而是多层条件的组合:模型自身输出终止信号(stop token、显式的 finish 动作);状态机判定目标条件已满足(需要抽取的字段齐了、该调用的工具都返回了、校验通过);预算耗尽(最大轮次、最大 token、最大时长);外部强制中断(用户取消、风控、超时)。关键在每一层都要有对应的输出状态,不能把「预算耗尽」伪装成「任务完成」。返回给用户时应当给出结构化结果:已完成的部分、未完成的步骤、失败原因、可继续的入口(例如「已查到 3 条中的 2 条,是否继续」),而不是一段看起来完整实则残缺的答案。工程上还要区分「可重试的未完成」与「不可重试的失败」,前者允许用户点继续,后者要明确报错。
线程池参数与 IO 密集型的线程数。 线程池满员后的行为由拒绝策略决定,JDK 默认是 AbortPolicy(抛 RejectedExecutionException);此外还有 CallerRunsPolicy(调用线程自己执行,天然反压)、DiscardPolicy、DiscardOldestPolicy。队列无界时最大线程数确实永远用不上——任务先在队列里排队,只有队列满了才会扩到 maximumPoolSize,这是很多人配错的地方。参数推导的依据是利特尔法则:并发线程数 ≈ QPS × 平均 RT(秒)。IO 密集型任务的 RT 大部分在等待,所以线程数可以远大于 CPU 核数,常见经验值是核数 × (1 + 等待时间/计算时间),但更可靠的是先按 QPS × RT 估算,再用压测验证。CPU 密集型则接近核数(或核数 + 1)。配完必须配套:有界队列、明确的拒绝策略、线程池隔离(不同下游不共用)、以及队列长度和拒绝数的监控。
上下文压缩的评估。 「压缩完再答一遍看答案对不对」只能证明结果可用,不能证明依据没丢,因为模型可能用压缩后的残缺上下文猜对。可操作的评估分三层:事实层用抽取式比对,把压缩前后的事实三元组(实体、数值、时间、约束)抽出来做集合差异;指令层用规则校验,检查系统约束、禁用项、输出格式是否仍在;推理层才看最终结果,但要求模型同时输出依据链(引用了哪几条上下文),再人工或模型评审依据链是否完整。工程上还可以做「压缩前后同题对照」:同一批问题分别用原始上下文和压缩后上下文各答一次,比较答案一致性、依据引用覆盖率与 token 节省比例,把三者放在一张表里看,避免为了省 token 牺牲正确率。
Skill 与 workflow 的取舍。 workflow 是确定性编排:步骤、分支、调用顺序由代码写死,优点是可控、可测、成本可预估,缺点是无法处理长尾、每加一种情况就要改代码。Skill 是把「这类任务该怎么做」的知识与流程交给模型按需加载,由模型决定顺序与工具选择,优点是覆盖面广、维护成本低。把 workflow 改成 Skill 的常见动机是分支爆炸与维护负担:原来几十个 if 分支,每来一个新场景就要发版。边界划分的原则是「确定性逻辑进代码,判断与表达进 Skill」:权限校验、计费、幂等、数据读写这些必须确定的行为放代码;怎么写、按什么顺序问、遇到异常怎么补救放 Skill。判断一个 Skill 写得好不好,看三点:新模型能否零样本按它做事(可复现性)、同一输入多次执行结果是否稳定(稳定性)、出错时能否定位到 Skill 的哪一条(可诊断性)。自测手段是构造一组意图覆盖用例跑离线评测,成本控制靠小模型初筛加人工复核高分与低分两端。
带抖动与幂等的重试器。 作者自陈的三个问题都成立:抖动加在固定值上等于没加,正确做法是 full jitter(sleep = random(0, base * 2^n))或至少 decorrelated jitter,目的是把重试打散、避免重试风暴同步;不可重试的错误(参数校验失败、4xx 业务错误)必须白名单式分类,只对超时、限流、5xx、连接失败重试;幂等键必须在进入重试器之前生成一次并透传,不能在每次重试里重新生成。完整实现还需要:最大重试次数与总时长上限、尊重下游返回的 Retry-After、熔断与半开(连续失败到阈值就停止重试直接失败)、以及重试指标(次数、成功率、放大倍数)。面试官那句「会把下游打死」指的是重试放大:下游 500 时如果每一层都重试 3 次,三层叠加就是 27 倍流量,所以重试只应放在最外层,内层失败要快速向上抛。