面灵AI→

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》

  1. 自我介绍,重点介绍你的 Agent 相关项目。
  2. 讲讲多个 Agent 之间的协同逻辑。
  3. 基于用户意图的路由机制是怎么实现的?
  4. 路由模型准确率如何?识别出错时有什么兜底处理方案?
  5. 用户一条请求包含多个意图,系统该怎么处理?
  6. 完整介绍项目的整体架构。
  7. 适配层的实现思路是什么?
  8. 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?
  9. Agent 落地之后,主要缩短了哪些环节的耗时?有没有量化指标?
  10. 结合你的项目,介绍 RAG 的完整流程。
  11. 召回率怎么定义、如何计算?
  12. 提升召回率的诸多手段里,哪一类优化收益最明显?
  13. Context Engineering 和 Prompt Engineering 的区别是什么?
  14. 怎么量化评估 Agent 输出结果的好坏?
  15. 正向样本 good case 和错误 bad case,会不会回流到数据集做迭代?
  16. 用户一句自然语言,到最终调用接口执行,完整链路是什么?
  17. 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》。