阳光保险 AI 应用开发一面：意图树、MCP 工具与多路检索

《面试题目》

1. 自我介绍。
2. 在百度实习学到了什么？
3. 项目都是 AI 写的吗？开发过程中你的角色是什么？
4. AI 完成需求的流程是什么？所有需求都直接交给 AI 吗？
5. RAG 项目的知识库量级大概是多少？
6. 意图识别树讲一下。
7. MCP 工具都实现了哪些？
8. 意图澄清是你做的吗？支持多轮澄清吗？
9. 开发 Agent 项目用了什么框架，还是纯手搓？
10. 你提到多路检索，什么时候会用到图检索？
11. Harness 工程讲一下。
12. 你现在开发用什么工具？国内的用哪些？
13. 什么时候毕业？接下来还打算找实习吗？

《参考解析》

意图识别树：本质是把开放用户输入路由到有限业务能力。根节点先做领域分类（咨询、办理、查询、投诉），每个分支再用规则/小模型/大模型细分意图，叶子节点绑定具体的工具或流程。工程上要做置信度阈值：高置信直接路由，低置信走澄清或转人工；要维护意图之间的互斥与优先级，避免“退款”被分到“查询”。意图树比纯大模型分类的好处是可解释、可兜底、可增量加节点；坏处是维护成本高，所以常用“模型分类 + 树形后验校验”的混合方案。评测要看每个节点的准确率、混淆矩阵和 bad case，不要只看整体准确率。

MCP 工具：MCP 是模型与外部工具/数据源之间的标准化协议，服务端暴露 tools、resources、prompts，客户端负责发现和调用。实现工具时要定义清晰的 name、description、JSON Schema 参数、超时和错误码；工具内部做鉴权、参数校验、幂等和审计，不要把权限判断交给模型。常见工具包括订单查询、保单查询、知识检索、工单创建、人工转接。工具描述要写“什么时候用、什么时候不要用”，否则模型会乱调。

意图澄清：多轮澄清的关键是“只问必要的问题”。维护一个槽位表（比如险种、时间、订单号），每轮检查缺哪些必填槽位，用最多一两个问题补齐；用户回答后做槽位解析和确认，避免重复问。要设置最大澄清轮数，超过就转人工；用户改口时要能覆盖旧槽位并清空依赖它的下游结果。澄清问题要自然，不要像表单审讯。

多路检索与图检索：多路检索通常指向量、关键词、结构化查询并行召回再融合。图检索适合实体关系密集的场景：保险里产品、条款、责任、除外责任、理赔条件之间是图结构，用户问“这个病能不能赔”需要沿“疾病-责任-条款-除外”多跳推理，纯向量召回容易漏掉关键除外条款。图检索的代价是图谱构建和维护成本高，所以只在关系型问题多、且结构化数据足够时用，不要为了技术时髦上图谱。

Harness 工程：这里通常指把模型调用、工具调用、上下文装配、重试降级、日志追踪、评测回放收拢到一层可控的执行框架。好处是业务代码只描述意图，行为可复现、可观测、可回滚；坏处是抽象泄漏时排查困难。设计上要给每次运行生成 trace ID，记录每步输入输出、token、耗时和错误；工具调用要有白名单、超时、最大步数；上线前用回放集验证，出问题能定位到具体步骤。

AI 辅助开发：可以讲“需求拆解 → 让 AI 生成初稿 → 人工评审 → 单测/静态检查 → 小流量验证”的流程，强调不是所有需求都直接交给 AI：涉及资金、隐私、权限的需求必须人工设计和复核。常用工具可以提 Claude Code、Cursor、通义灵码等，但重点讲你怎么验证生成结果，而不是工具名单。