千问 Agent 社招一面:Neo4j 建图、工具误调用与上下文溢出
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 简单介绍一下自己,以及做过的 Agent 项目。
- 你在团队里是什么角色?目前主要负责 Agent 开发吗?
- 你会写前端吗?之前有没有做过前端开发?
- 看你的项目主要使用 Java,为什么以 Java 技术栈为主?有没有用过 Python 等其他技术栈?
- 展开讲一下最近做的 Agent 项目,包括完整的技术方案和整体架构。
- 为什么选择 Neo4j 来实现这套方案?图数据库在这里承担什么职责?是不是通过不同节点之间的关系进行查询,再由不同节点对应不同的工具调用?
- 现在已经有 LangGraph 这样的图式 Agent 运行时框架,为什么没有选择它,而是采用当前方案?
- 这个项目最大的技术难点是什么?有没有遇到比较有挑战性的问题?
- 调用工具时,有没有出现过选错工具,或者本来不需要调用工具却调用了的情况?
- 整个执行链路里,有没有反复推理、观察反馈和重试的过程?比如工具参数传错时,如果直接拒绝执行,是不是这次请求就失败了?有没有让模型观察错误、接收反馈再纠正的过程?
- 图谱是怎么建设出来的?整个建设过程大致是什么样的?
- 建模阶段是由领域专家来做吗?有没有采用一些方法论,比如本体(Ontology)?
- 实体和关系的抽取,是人工完成,还是交给大模型完成?
- 你提到大模型会「辅助提取草稿」,具体是什么意思?这个过程是怎么做的?
- 在这个过程中,语义消歧是怎么处理的?
- 项目里有没有遇到过上下文溢出的情况?你们是怎么解决的?
- 你提到会用结构化对象承接上下文,这个对象的主要结构是什么?包含哪些字段?也就是说会把原来的上下文信息转成结构化状态来传递,对吗?
- 最近讨论比较多的 Agent 新框架、自学习方向,你了解过吗?平时会关注哪些新开源的框架或者模型?
- 新框架内置的 Trace 插件,与独立的可观测平台有什么区别?
- 你刚才提到的新技术,具体会用到哪些场景?
《参考解析》
-
为什么选 Neo4j:当业务知识天然是实体和关系(设备、部件、故障、处置方案),用图数据库能直接表达多跳关系并做路径查询,比在关系库里反复 join 更自然。Agent 侧的价值是把「有哪些实体、彼此什么关系、可以调哪些工具」变成可查询的结构,而不是把知识塞进提示词。风险是运维成本和写入复杂度,所以只把需要多跳推理的部分放进图。
-
为什么不用 LangGraph:如果业务已经在 Java 栈上、需要复用已有的服务治理和权限体系,引一个 Python 运行时成本很高;自研的控制流可以精确控制状态持久化和并发。要能承认代价——自己实现了状态管理、断点恢复和可观测,维护成本在自己身上。反过来如果团队没有强绑定,LangGraph 这类框架能省很多事。
-
工具选错或不该调却调了:原因通常是工具描述含糊、工具数量太多、提示里没有「什么时候不该调」的说明。解法是收紧描述和参数 schema、给正反例、按场景分组暴露工具,以及在循环里加「已有信息是否足够」的判断。
-
参数错误后的重试与纠正:工具报错不应该直接终止,而要把结构化错误(哪个字段、期望什么)回传给模型让它修正一次;连续失败再降级。这是把错误当反馈,而不是当失败。要注意限制重试次数,避免无限循环。
-
图谱建设:先定本体(实体类型、关系类型、约束),再由领域专家确认;抽取上先用规则和词典做高置信部分,大模型辅助生成草稿(候选实体、候选关系、出处),人工审核后入库。语义消歧靠上下文、别名表和实体链接(把「A 型号的控制器」链接到具体实体),冲突时以权威数据源为准。
-
上下文溢出怎么解决:分层——稳定内容(系统提示、工具定义)放前缀并保持冻结,会变的状态用结构化对象追加,长工具结果落文件只留摘要和引用,接近上限时压缩中间轮次并保留关键结论。结构化状态对象通常包含任务目标、当前进度、已确认的事实、待办、以及引用列表。
-
内置 Trace 与独立可观测平台:框架内置的 Trace 只覆盖框架内的调用链,方便开发调试;独立平台能跨服务采集、长期存储、做聚合分析和告警,还能关联业务指标。生产环境两者都要:内置的用于单次调试,平台的用于趋势与归因。
-
技术难点怎么讲:挑一个有时间线和取舍的——比如多跳查询的延迟、图谱更新的幂等、工具调用的确定性。按「现象 → 排查 → 方案 → 结果 → 代价」讲,别只说「很难但解决了」。
-
技术栈选择:Java 为主通常是团队与基础设施的约束(服务治理、监控、发布体系),Python 用于模型侧实验和数据处理。要能说出两边怎么协作——模型服务化后被 Java 侧调用,而不是混在一套代码里。