阿里云二面面经：Agent 框架选型、工具权限隔离与上下文压缩

《面试题目》

二面

1. 这个 Agent 的用户群体是谁？内部哪些角色在使用，分别用来做什么？
2. Agent 的业务背景、业务价值是什么？
3. 你在这个项目中具体承担哪些工作？
4. 项目为什么选用 LangGraph + Deerflow 框架？
5. 除了 LangGraph/Dearflow，你还了解哪些 Agent 框架？
6. Agent 工具的权限隔离怎么做？什么场景需要切换权限？
7. 群聊和私聊会话的上下文有什么区别？长期记忆是如何处理的？上下文压缩策略是什么？
8. Agent 调用工具时做了哪些异常、超时、重试处理？模型是怎么做负载/排队调度的？
9. 讲一个你实习遇到的线上意外问题，发生原因、怎么解决的？
10. 这个 Agent 开发最大的工程难点是什么？
11. 项目团队规模、日常任务量、服务用户规模大概是什么情况？
12. 项目 2：讲下整体设计。
13. 你的研究方向介绍一下
14. 对自己的评价：业务理解、编程能力分别怎么样？
15. 你平时怎么学习新技术？是看概念、看博客，还是会去读源码？
16. 你会主动去啃开源框架源码吗？举例说明。

《参考解析》

1. 框架选型别只报名字，要给判断维度：LangGraph 的价值在于把流程显式建成图/状态机——节点、边、条件分支、检查点（checkpoint）都可持久化，适合「流程可控但要动态分支」的 Agent；纯 ReAct 循环适合轻量问答，一旦要人工审批、要断点续跑、要并行分支就撑不住了。答选型时给一组维度：编排能力（条件分支、循环、并行）、状态与持久化（能不能中途落库续跑）、可观测与调试、工具生态与接入成本、团队熟悉度与社区活跃度。至于其他框架，能讲清 Dify/Coze 偏低代码编排、AutoGen 偏多智能体对话、CrewAI 偏角色协作、原生 SDK 偏自定义，各占什么位置就够了。

2. 工具权限隔离怎么做：核心是「模型不能自己决定自己有多少权限」。做法是——身份与权限不放在 prompt 里让模型遵守，而是服务端从会话上下文里取当前用户与场景，映射成一组允许调用的工具白名单，未授权的工具在注册表层面就不暴露给模型；每次工具调用前做一次后端校验（谁在什么场景、要对哪个资源做什么操作），高风险写操作要求显式确认或走审批流；数据侧做租户与行级隔离，工具拿不到越权数据；全过程留审计日志（谁、何时、调了什么、参数与结果摘要）。需要切换权限的典型场景是角色变化（员工 / 管理者）、会话类型变化（群聊里能看的和私聊不同）、以及跨租户的代操作，切换要发生在服务端而不是靠模型自述。

3. 群聊和私聊的上下文差异与长期记忆：私聊是一对一连续对话，上下文天然属于同一条主线；群聊是多主体交织的流，必须先把「谁在说、说给谁」解析出来，再决定哪些信息进入当前任务上下文——否则 A 的需求会被 B 的话污染。工程上给每个会话一个隔离的上下文存储，群聊里再按「话题片段」切分并标注参与者。长期记忆只存稳定、可复用、有明确出处的内容（用户偏好、固定身份信息、历史结论），写入走结构化抽取 + 去重 + 冲突处理（新覆盖旧并保留时间与来源），并设 TTL 与定期复核，避免过期信息污染判断。

4. 上下文压缩策略：分层来做——最近的 N 轮保留原文；更早的历史做摘要，但摘要只压缩闲聊和已完成的中间过程，关键实体（单号、金额、时间、用户显式约束）永远保留原文；工具返回的内容按相关性裁剪，只留与当前子目标相关的片段，长文档走检索而不是整段塞进上下文。再往上可以给上下文分配 token 预算（系统指令 / 硬约束 / 历史摘要 / 检索证据各占多少），超预算时按优先级丢最不重要的部分。判断压缩做得好不好，看的是「压缩之后任务成功率有没有掉」，所以要留一个固定用例集做回归。

5. 工具调用的异常、超时、重试与模型排队调度：先把错误分类——可恢复（超时、限流、临时不可用）走指数退避重试，且必须有次数上限和总耗时上限；不可恢复（参数错、权限不足、资源不存在）不要重试，直接失败并把原因回填给规划模块；重试要幂等（带 request_id），避免重复下单这类副作用。模型侧的负载/排队调度讲的是：请求进队列按优先级与配额分发、对单个上游渠道限流并做熔断、多渠道路由与降级（主模型不可用切备用）、按任务复杂度选模型而不是一律用大模型，同时记录排队时长与 P99 延迟做容量评估。

6. 「讲一个线上意外」怎么讲：用固定结构——现象（谁在什么时候发现、影响面多大）、定位过程（看了哪些日志与指标、怎么把范围缩小）、根因、修复动作（先止损再根治）、以及事后改了什么（监控、告警、流程、测试）。挑一个你真参与过的、有一定技术含量的例子，别选「重启一下就好了」这种。收尾时补一句「后来我加了什么监控」，面试官对这句的反应通常最正面。