携程 Agent 开发一面:多智能体协同、意图路由与判错兜底连环追问
- 轮次
- 一面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 自我介绍,重点介绍你的 Agent 相关项目。
- 讲讲多个 Agent 之间的协同逻辑。
- 基于用户意图的路由机制是怎么实现的?
- 路由模型准确率如何?识别出错时有什么兜底处理方案?
- 用户一条请求包含多个意图,系统该怎么处理?
- 完整介绍项目的整体架构。
- 适配层的实现思路是什么?
- 项目支持历史记录导出吗?海量数据的读写和导出怎么优化?
- Agent 落地之后,主要缩短了哪些环节的耗时?有没有量化指标?
- 结合你的项目,介绍 RAG 的完整流程。
- 召回率怎么定义、如何计算?
- 提升召回率的诸多手段里,哪一类优化收益最明显?
- Context Engineering 和 Prompt Engineering 的区别是什么?
- 怎么量化评估 Agent 输出结果的好坏?
- 正向样本 good case 和错误 bad case,会不会回流到数据集做迭代?
- 用户一句自然语言,到最终调用接口执行,完整链路是什么?
- LangChain 和 LangGraph 的差异,各自优势是什么?
《参考解析》
多智能体协同,先讲拓扑再讲通信。常见的三种形态:主管式(一个 supervisor 负责拆解与分派,子 Agent 各自带工具,结果回给主管汇总)、交接式(handoff,当前 Agent 判断该换人时把控制权和上下文一起交出去)、群聊式(多个角色轮流发言、由裁判收敛)。选哪种取决于任务有没有明确的阶段边界——流水线清晰的用主管式,跨领域咨询类的用交接式,需要多视角辩论的才用群聊。工程上真正难的不是分工,而是三件事:上下文怎么裁(不能把全部历史塞给每个子 Agent,要按角色给最小必要上下文)、什么时候停(要有最大轮次和收敛判据,否则两个 Agent 会互相客气到超时)、失败怎么传(子 Agent 失败要能带着原因回到上游,而不是吞掉返回一句「处理失败」)。
意图路由不要只输出一个标签。可用的实现有三类:规则/关键词匹配(快、可解释,适合高频固定说法)、小模型分类(微调过的分类头,延迟低)、向量相似度检索(把用户话 embed 后跟意图样例比对,冷启动友好)。生产上通常是组合:规则先兜明显 case,向量召回候选意图,再用小模型在候选里做精排。更关键的是输出结构——除了意图标签,还要给置信度和已抽到的槽位,让下游知道这一跳是确定的还是猜的。只返回单标签的路由器,在遇到「我要改签顺便问下行李额」这种话时一定会错。
路由判错怎么兜底,面试官最爱追。分三级:置信度高且槽位齐 → 直接执行;置信度中等或槽位缺 → 走澄清追问(把候选意图列出来让用户选,或只追问缺的那个槽位),而不是硬猜;置信度低或明显超出范围 → 兜到通用问答或转人工,并记一条可用于回流的路由日志。另外两个工程细节要主动说:一是可观测性,每次路由都要落 trace(原文、候选意图、分数、最终决策、后续是否被用户纠正),否则没法算准确率;二是破坏性操作的二次确认,改签、退款、下单这类动作即使路由置信度很高也要用户确认一次。准确率的口径也要说清楚:离线用标注集算 top-1 与 top-3,线上看「用户是否在下一轮纠正了意图」这个隐式反馈,两者不能混着报。
一条请求多个意图,本质是任务编排。步骤是:意图拆解(让模型把一句话拆成子任务列表,标注依赖关系)、排序(有依赖的串行、无依赖的并行)、逐个执行、结果合并成一段话或分条返回。容易踩的坑:拆得太碎(把「查订单并改地址」拆成五个子任务,用户等不及)、顺序错(先退款再查是否可退)、部分失败的处理(一个子任务失败,是整体回滚还是给部分结果 + 说明)。涉及钱的场景一定要在合并结果后加一次整体确认,而不是每个子任务各问一遍。
架构与适配层,考的是解耦意识。适配层是防腐层:把模型厂商、工具、渠道的差异收敛成一套内部接口——统一的 chat/stream 调用、统一的工具描述格式、统一的错误码、统一的超时与重试策略、统一的 token 计量。实现上用注册表 + 能力声明(每个 provider 声明自己支持流式/函数调用/多模态),别用 if-else 堆厂商分支;换模型只改配置不动业务代码,这是面试官想听到的那句话。架构图讲的时候按「接入层 → 编排层 → 能力层(模型/工具/检索)→ 数据层」四层说,每层一句话讲职责,比堆名词有效。
历史记录导出与海量数据。同步 select 全量再拼字符串是最容易被否的答法,正确姿势是异步:提交导出任务进队列 → 游标分页(按 id > last_id 而不是 offset)流式读 → 边读边写 NDJSON/CSV 到对象存储 → 完成后给一个带过期时间的签名下载链接 → 任务状态有状态机(排队/生成中/完成/失败/过期)。再加几条:按时间分区裁剪、只导出必要字段、大字段截断、单用户并发导出限流、导出文件定期清理。如果被问「为什么不直接查库」,答案是长事务会拖垮主库、大结果集会把内存打爆。
收益量化别只说「效率提升了」。按环节拆:人工处理一次要多久、Agent 处理一次要多久、一次解决率、平均往返轮次、转人工率、用户满意度。数据来源可以是埋点日志的前后对比,也可以是小流量 A/B。要主动交代口径的局限——样本期是否赶上大促、用户结构有没有变,否则一个漂亮的百分比反而会被追问穿。RAG 全链路、评测体系与框架选型那几问的答法,见《携程 Agent 开发一面真题:RAG 召回率、上下文工程与 LangGraph 选型》。