🛡️ 业务降级与问题定位方法论

说明

面试被追问「业务降级是什么?PDF 格式乱怎么处理?出问题你怎么定位?」的完整回答。分两半:降级(可靠性兜底)+ 定位(分层排查体系)。


1. 业务降级(Bedrock 兜底)

「夜幕降级」口误→应纠正为业务降级。核心:系统遇异常时,主动放弃部分自动化能力,保障核心业务跑通,而不是直接报错崩溃。

触发时机:PDF 解析失败 / 大模型调用超时 / JSON(Pydantic) 校验失败 / 自动化流程走不通。

降级动作(以商家资质审核为例):

“我们不直接返回报错,而是把这单资质文件标记为需人工,流转给人工审核人员处理,不再继续走自动审核链路。”

一句话记忆

“业务降级 = 结构化校验/解析/LLM 都失败且重试无效时,自动把任务打标转人工,宁可人工兜底也不崩,保住核心流程可用。”

实现要点(面试展开)

  • 分级重试(重试 N 次缩退)→ 再进降级。
  • 降级标记写入 state(review_status="manual"),配合 §5 HITL 走人工断点。
  • 记录降级原因到 error_log 供审计复盘。

2. PDF 文件格式不统一 / 杂乱怎么处理

资质 PDF 格式杂乱(扫描件/图片/版式不一)。三段式流程:

  1. OCR 提取:有 PDF 和图片类 → OCR 识别文字内容。
  2. 文本清洗:解析后杂乱 → 剔除换行、乱码、多余空格等噪声。
  3. 强制结构化 + 校验:用 Pydantic v2 把解析出的信息强制结构化为统一字段,做类型/规则校验;校验不过则(重试后)触发降级转人工。

藏在”强制结构化”里的术语
发言里「百单体壳」= Pydantic;「Jason 解析」= JSON 解析。回答时用规范词:Pydantic Schema 结构化 + JSON 校验。

# Pydantic v2 强制结构化样本(抽取营业执照字段)
from pydantic import BaseModel, Field, field_validator
 
class LicenseInfo(BaseModel):
    company_name: str
    unified_code: str = Field(min_length=18, max_length=18)
    legal_person: str
 
    @field_validator("unified_code")
    @classmethod
    def alnum(cls, v: str) -> str:
        if not v.isalnum():
            raise ValueError(f"统一信用代码非法:{v}")
        return v
 
# 解析出的原始 dict → 强制结构化(失败抛 ValidationError → 触发降级)
try:
    lic = LicenseInfo.model_validate(raw_fields)
except Exception:
    # 重试 N 次仍失败 → 业务降级 → status=manual
    state["review_status"] = "manual"

补充:OCR 也可能把「某公司」误识成「某公同」(相似字),可用 State Diff 对比 + 原始日志回溯在定位阶段发现这类校验失败根因。


3. 问题定位方法论(分层金字塔)

被问「路径长、操作多、出问题怎么定位?」——别只答「打日志 + 看快照」,要分层。

定位金字塔(自下而上):

Layer 4: 业务指标监控(What)   ← 用户报障、业务大盘
Layer 3: 链路追踪(Where)      ← 哪个节点/环节慢了/挂了
Layer 2: 状态快照(Why)        ← State 在哪个节点被改坏了
Layer 1: 明细日志(How)        ← 具体入参、出参、报错
  • Layer 1 明细日志:每个 LangGraph 节点打入参/出参日志,记录 task_id、会话 ID、输入数据、模型原始返回、异常全落日志;用 task_id 能打包整条任务所有节点日志。
  • Layer 2 状态快照:LangGraph 自带 checkpoint,每跑一个节点全局 State 做快照保存 → 出故障后回看每个节点执行后的 State,看是哪个环节把数据改坏(定位是解析问题 / RAG 召回不对 / 还是大模型出错)。
  • Layer 3 链路追踪:哪个节点慢 / 挂了,落在调用链。
  • Layer 4 业务监控:从报障/大盘定位到是哪一类单被影响。

关键术语纠正(音频转文字易错,正式说规范词):

  • 「节点入餐出餐」→ 节点入参(Input)/出参(Output)
  • 「rog 召回」→ RAG 召回
  • 「chat point china point」→ Checkpoint 快照

一句话记忆

“定位靠四层:明细日志(入参出参+task_id可打包)→状态快照(checkpoint 回看是哪步改坏)→链路追踪(哪节点慢/挂)→业务监控(影响面);其中 checkpoint 快照能直接看出解析、RAG、还是大模型的问题。“


4. 分层日志示例(Layer 1 落地)

import logging
from functools import wraps
 
logger = logging.getLogger("agent")
 
def log_node(fn):
    @wraps(fn)
    def wrapper(state, config):
        task_id = config["configurable"]["thread_id"]
        logger.info("[%s] IN  %s", fn.__name__, state)
        try:
            out = fn(state, config)
            logger.info("[%s] OUT %s", fn.__name__, out)
            return out
        except Exception as e:
            logger.error("[%s] ERR %s", fn.__name__, e, exc_info=True)
            raise
    return wrapper
 
@log_node
def extract_text(state, config):
    # OCR / PDF 解析节点
    ...

相关笔记