Agent 面试第 4 期(58-76 题)· 带答案整理版

说明

源自抖音图文帖的 9 张截图,已逐题重新 OCR 并按「题目 → 一句话答案 → 展开 → 追问 → 踩坑」重写。答案以原帖标准答案为主干,补全了工程落地细节。原截图不完整:第 59、61、62、63、74、75 题缺失;第 64、67、69、72 题题干在截图边界被截断,题号与主题按上下文还原并已标注。

怎么用

先背「一句话答案」搭骨架 → 用「展开」记 3~5 个关键词 → 用「追问准备」自测 → 最后看「踩坑」避开减分项。面试时不要背长句,按关键词现场组织。

来源:https://www.douyin.com/note/7705769211154451712 | 原图:本笔记同目录 Agent面试第4期:这19道把我问懵了(58-76题)_图文/(9 张 webp)

题目索引

题号主题状态
58多用户记忆隔离✅ 完整
59—❌ 截图缺失
60超长对话记忆架构✅ 完整
61—❌ 截图缺失
62—❌ 截图缺失
63—❌ 截图缺失
64编程 Agent 的上下文组装⚠️ 题干还原
65Agent 幻觉缓解✅ 完整
66Agent 安全性✅ 完整
67多 Agent 对等协作⚠️ 题干还原
68多 Agent 错误隔离✅ 完整
69生成—验证—精化循环⚠️ 题干还原、答案补写
70并行执行与调度✅ 完整
71错误恢复机制✅ 完整
72工作流灰度发布⚠️ 题干还原
73幻觉率评估✅ 完整
74—❌ 截图缺失
75—❌ 截图缺失
76节点幂等性✅ 完整

58|多用户场景下,记忆系统应该如何做「隔离」?

题目

多用户场景下,记忆系统应该如何做「隔离」?不同用户的记忆不能混在一起。

一句话答案

每条记忆写入时绑定 user_id(多租户再加 tenant_id),检索时先按用户过滤再召回,公共知识与私人记忆分级共享;删除必须级联清理所有存储位置。

展开

  1. 隔离粒度:优先「共享库 + metadata 过滤」,成本低、易扩展;大客户或合规要求再上独立 collection / 独立库。对应 SaaS 的「逻辑隔离 vs 物理隔离」。
  2. 检索必须 pre-filter:在 ANN 检索前加 user_id = current_user_id,而不是先 top-k 再过滤——否则其他用户的记忆会占满候选集,召回率骤降。
  3. 记忆分级:公共知识(产品信息、FAQ)进共享池,需审核与来源标注;私人偏好、事实、历史进私有区,永不跨用户召回。
  4. 写入治理:user_id 由服务端会话注入,不能由模型生成;条目带来源、时间、置信度;敏感字段脱敏后入库。
  5. 生命周期:删除请求级联清理向量库、缓存、摘要、日志与备份(或加密擦除);换设备/换账号通过导出导入或身份绑定迁移。

原题选择

D. 每条记忆绑定用户 ID,检索时按用户过滤,公共知识共享、私人记忆隔离。

追问准备

  • 概念层:与 SaaS 租户隔离的类比——共享表 + tenant_id + 行级安全(RLS)是逻辑隔离;独立 schema/库是物理隔离;可按客户等级混用。
  • 反例层:记忆只存「用户说过 X」不存上下文,会把特定场景的偏好误当全局偏好;删除只删向量库不删日志缓存,属于「假删除」。
  • 工程层:记忆管理界面要展示「内容 + 来源上下文 + 时间 + 置信度」,支持编辑/删除/关闭某类记忆;删除需告知生效范围。
  • 性能:共享库按 tenant 分区/分片,向量库用 partition key(Milvus)或 payload index(Qdrant),让过滤走索引而不是全量扫描。

采分点

用户 ID 绑定 / 检索过滤 / 权限控制 / 公共 vs 私人记忆;加分项:召回前过滤、共享级别、隐私底线。关键原则是「隔离做不好,比没有记忆更糟糕」。


60|超长对话(100 轮以上)的记忆架构怎么设计?

题目

在长对话场景(如 100 轮以上)中,记忆系统面临什么挑战?如何设计一个能处理超长对话的记忆架构?

一句话答案

分层记忆 + 动态摘要 + 关键事件锚点,核心是「时间越远、记忆越抽象」,用 token 预算约束每一层的占比。

展开

  1. 三类挑战:上下文窗口爆炸;早期关键信息被挤出;寒暄/跑题噪音累积。轮数越多,成本与首 token 延迟也越高。
  2. 分层记忆:最近 N 轮保留原文(短期);N~M 轮做滚动摘要(中期);更早的内容抽成结构化事实/偏好/决策(长期),检索时按当前 query 召回,而不是全量注入。
  3. 动态摘要:摘要的摘要要设压缩比与保真校验,保留「谁、何时、约束、决定、未完成事项」,丢掉寒暄与重复。
  4. 关键事件锚点:用户明确约束、身份信息、关键决定、未完成 TODO 打 tag 永久保留,不参与压缩。
  5. 预算分配:例如系统提示 15% / 近期原文 45% / 检索记忆 25% / 摘要 15%;超限先裁低优先级。压缩异步执行,不阻塞主链路。
  6. 指标:远程召回率(长对话后还能答对早期问题)、摘要保真度、每轮 token、首 token 延迟。

追问准备

  • 概念层:与人类长期记忆类比——大事、情绪强、重复出现的信息进入长期记忆;日常细节留在短期。
  • 反例层:摘要的摘要压缩过度会失真,尤其是否定词与条件(「不要红色」被压成「喜欢红色」);要用锚点、原文回查、摘要版本回滚兜底。
  • 工程层:压缩触发条件可以是轮数、token 阈值或话题切换;摘要要版本化,便于定位信息丢失点。

原题选择

B. 分层记忆:近期原文、中期摘要、远期结构化,关键事件锚点永久保留。

采分点

分层记忆 / 动态摘要 / 关键事件锚点 / 时间越远越抽象 / 远程召回率;加分项:摘要平滑过渡、锚点精炼、信息失真控制。


64|编程 Agent 如何组装代码上下文?(题干还原)

题干还原

原截图在此题处截断,题干按答案与追问还原:编程 Agent(如 Claude Code / Cursor)面对一个大型代码仓库时,应该如何选择和组织上下文? 答案依据原文补全。

一句话答案

不要把整个仓库塞进去,而是按任务动态组装:当前文件 + 语义/符号检索出的相关文件 + 调用链依赖 + 用户显式提及,并卡死 token 预算。

展开

  1. 优先级:当前打开/编辑文件 > 用户 @ 提及的文件 > 检索相关文件 > 调用链/import 依赖 > 仓库概览(README、目录树)。
  2. 检索:先用 grep / AST 精确找符号(函数名、类名、错误码),再用 embedding 找语义相关,最后 rerank;用便宜手段先缩小范围。
  3. 调用链:用 tree-sitter / LSP 解析 import 与调用关系,只拉 1~2 跳,避免把整个依赖图都塞进来。
  4. 预算:按 token 分配,超限时摘要化或裁剪低优先级内容;保留文件路径与行号,方便模型引用和生成 diff。
  5. 动态性:多轮任务每轮重新组装;优先让 Agent 主动搜索(agentic search),而不是一次性把上下文塞满。

追问准备

  • 概念层:为什么不是越多越好——lost in the middle、噪声稀释注意力、成本与延迟上升、关键文件反而被淹没。
  • 反例层:用户提到的函数在另一个仓库,可通过接口定义、包索引、按需拉取源码或只读镜像处理跨仓库依赖。
  • 工程层:排序可用「AST 命中 + embedding 相似度 + rerank + 最近编辑加权」;生成文件、vendor 目录默认降权。

原题选择

D. 动态组装:当前文件 + embedding 检索相关文件 + 调用链依赖 + 用户提及文件,控制在窗口预算内。

采分点

动态上下文组装策略;相关文件检索意识是加分点。反例:塞一堆无关文件,关键文件没进上下文,LLM 改错地方。


65|Agent 的「幻觉」问题怎么缓解?

题目

Agent 的「幻觉」问题怎么缓解?

一句话答案

把「闭卷生成」改成「开卷作业」:事实类问题强制先检索、答案逐条溯源、低置信度提示或拒答,再用 NLI 校验兜底。

展开

  1. 意图分流:事实类(政策、数字、人物)必须走工具;推理/创作类允许生成,但要标注假设与依据。
  2. 工具优先:检索不到就拒答,不允许「凭记忆」补全;工具返回结构化结果并带来源。
  3. 答案溯源:每个结论带 doc_id / URL / 工具名 / 时间戳,前端可点开原文;无来源的句子不允许进入最终答案。
  4. 一致性校验:用 NLI / LLM judge 判断「答案是否被检索文档支持」,矛盾则重写或拦截。RAG 只降低幻觉率,不能消灭幻觉。
  5. 置信度:综合检索分数、来源一致性、覆盖度打分,低分明确提示「可能不准确」。
  6. 线上度量:幻觉率、溯源覆盖率(目标 >80%)、拒答率(过高说明召回差)、人工抽检。

追问准备

  • 概念层:Agent 幻觉比 LLM 幻觉多一层工具错误——选错工具、参数传错、解析错,都会被模型当成事实继续推理,错误沿 loop 放大。
  • 反例层:检索到正确文档仍然幻觉,需要 NLI 一致性校验 + 引用约束 + 分段生成;光靠 RAG 不够,因为模型会误读文档。
  • 工程层:线上埋点保存 query + 检索 docs + 模型输出 + 人工/用户反馈,计算被标记错误的比例;同时监控溯源覆盖率与拒答率。

原题选择

C. RAG 只能降低幻觉率而不能消灭,还需 NLI 校验答案是否被来源支持,并按意图区分事实类与推理类问题。

采分点

讲清 Agent 幻觉的原理与关键细节。减分项:只说「用 RAG 减少幻觉」、说「让模型更诚实」——LLM 的目标函数决定它改不了,只能靠外部约束。


66|对 Agent 安全性的理解

题目

谈谈你对 Agent 安全性的理解。

一句话答案

假设 Agent 一定会犯错,用最小权限、副作用分级、沙箱、审计和限流,把犯错的爆炸半径控制住。

展开

  1. 权限最小化:工具级、数据级、租户级三层授权;按任务发短期凭证,任务结束即回收。
  2. 危险操作拦截:工具注册时声明 read / write / destructive,destructive 级(rm -rf、DROP TABLE、改生产配置)必须人工 approve;不要用关键词匹配判断。
  3. 沙箱隔离:Docker / Firecracker microVM / gVisor;CPU 1~2 核、内存 1~4GB、网络白名单、只读挂载、执行超时。
  4. 操作审计:记录 who / what / when / 参数 / 结果 / trace_id,日志不可篡改,保留 90 天;敏感参数脱敏。
  5. 限流与配额:每 Agent 每分钟 ≤60 次外部调用;按任务设 token / 金额 / 调用次数预算,超限熔断。
  6. 输入输出安全:工具返回值一律当不可信数据;防 prompt injection;PII 脱敏;输出过审核。

追问准备

  • 概念层:安全的核心不是「让模型不犯错」,而是「犯错后损失可控」。
  • 反例层:只做 prompt 层约束(「不要删库」)挡不住注入;审计日志本身可能泄露敏感信息;沙箱共享宿主网络等于没隔离。
  • 工程层:HITL 不打断体验的做法——按风险分级、批量审批、操作可撤销;多租户场景让 tenant_id 贯穿到工具层。

采分点

权限最小化 / 操作审计 / 危险操作拦截 / 沙箱 / 速率限制;加分项:副作用分级、爆炸半径、可追溯。原文深度版末尾被截断,以上已补全。


67|多 Agent 对等协作如何稳定收敛?(题干还原)

题干还原

原截图在此题处截断,题干按采分点与追问还原:多 Agent 对等协作(Peer-to-Peer)模式有什么优缺点?如何设计才能稳定收敛? 答案依据原文采分点补全。

一句话答案

对等协作灵活、易涌现、单点失败可补位,但容易无限协商、群体思维、责任分散;要用轻量协调者、最大轮次、决策规则和异议保护把它约束住。

展开

  1. 适用场景:开放式探索、方案头脑风暴、异质专家会诊;不适合强流程、强时效、强一致任务。
  2. 收益:多视角并行;容错(一个 Agent 挂了别人能补位);可能产生超出单 Agent 的方案。
  3. 风险:收敛慢/无限协商、token 成本高、群体思维(LLM 倾向礼貌附和)、责任分散、输出不一致。
  4. 协作结构:轻量协调者负责议程、计时与收敛判定,但不垄断决策;共享黑板记录结构化发言,做去重与引用。
  5. 决策机制:最大协商轮次 + 决策规则(多数决/加权/弃权)+ 终止条件(共识阈值/边际收益下降/超时)。
  6. 异议保护:固定反方角色(devil’s advocate)、匿名投票、少数派报告单独保留、决策日志可追溯。

追问准备

  • 概念层:与 Paxos/Raft 的相似性——共识、quorum、协调者、轮次/term、超时重试;区别是 Agent 的「投票」语义更模糊。
  • 反例层:10 个 Agent 讨论「今天天气」会过度协作、浪费 token——这类任务应先路由到单 Agent。
  • 工程层:异议保护可组合「反方角色 + 匿名投票 + 少数意见写入报告」;没有决策 owner 时,协调者要在轮次上限处强制收敛。

采分点

容错 / 涌现 / 收敛慢 / 群体思维 / 责任分散;加分项:轻量级协调者、最大协商轮次、异议保护。


68|多 Agent 系统如何做「错误隔离」?

题目

多 Agent 系统中,如何做「错误隔离」?即一个 Agent 出错后,如何防止错误传播到整个系统?

一句话答案

边界校验 + 熔断 + 沙箱 + 结果复核 + 降级路径,核心是「不让错误静默传播」。

展开

  1. 边界契约:每个 Agent 的输入输出都过 schema(Pydantic / JSON Schema)与语义合理性检查(空结果、越权、格式对但内容离谱)。
  2. 隔离:独立 state/context 命名空间,不共享可变全局状态;工具权限与配额隔离;代码执行进沙箱。
  3. 熔断:连续 3 次失败或错误率超阈值即熔断,跳过或降级;半开探测恢复;区分业务失败与系统失败,防误熔断。
  4. 结果复核:关键节点(最终输出前)加 reviewer / critic 做一致性校验;高风险场景加人工 gate。
  5. 可追溯:trace_id 贯穿全链路,每步记录输入、输出、工具调用;错误能定位到具体 Agent 与步骤。
  6. 降级路径:预定义 fallback(缓存、默认值、备用模型、人工、只读模式),返回部分结果时明确标注。

追问准备

  • 概念层:隔离不是「每个 Agent 一个数据库」,而是状态、权限、故障域三者分开。
  • 反例层:复核 Agent 自己也可能错——用独立模型 + 规则校验 + 人工抽检,避免同源盲区。
  • 工程层:共享黑板要版本化、只追加、控制写权限;熔断阈值用历史错误率而非拍脑袋。

原题选择

D. 通过边界校验、熔断机制、沙箱执行和结果复核,防止单个 Agent 的错误扩散。

采分点

边界校验 / 熔断 / 沙箱 / 结果复核 / 降级路径;加分项:可追溯性、隐性错误、误熔断防护。


69|如何设计「生成—验证—精化」循环?(题干还原)

题干还原

原截图在此题处截断,题干按追问与踩坑还原:如何设计一个「生成—验证—精化」的迭代循环?怎样避免无效重试和过度精化? 原文标准答案未截到,以下按主题补写。

一句话答案

生成 → 可执行的验证反馈 → 定向修正,构成有界循环;用 rubric、错误分类和守门 Agent 控制轮次与收益。

展开

  1. 循环骨架:Generator → Verifier/Critic → 结构化反馈(问题位置 + 原因 + 修改建议 + 严重度)→ Refiner;最多 N 轮。
  2. 停止条件:rubric 全部通过、达到分数阈值、轮次上限、边际收益低于阈值、超时或超预算。
  3. 反馈质量:验证信号必须可执行,避免「再改改」这种模糊反馈;验证器独立于生成器,规则 + 模型混合。
  4. 重试策略:先分类错误;临时错误退避重试;质量错误要换 prompt / 参数 / 检索 / 工具,不要原样重放。
  5. 防过度精化:守门 Agent 判断「已足够好」;保留 best-of 版本;冻结已通过段落;用 diff 防止改坏正确部分。
  6. 成本控制:小模型做 verifier、缓存中间结果、限制轮次与 token。

追问准备

  • 概念层:与人类改稿类比——初稿、审稿意见、定向修订;关键是审稿意见要具体。
  • 反例层:验证信号本身错了(验证 Agent 误判),会越改越差;用多验证器投票、规则兜底、人工抽检校准。
  • 工程层:区分可重试/不可重试错误,可用异常类型 + 错误码 + 分类器;重试时微调 prompt(如「上次失败了,请换个思路」)。

采分点

迭代精化 / 验证反馈 / 最大轮次 / 守门 Agent / 错误分类;踩坑:同 prompt 同参数重试必得同错;过度精化会改坏正确细节。


70|并行执行能带来什么收益和风险?如何调度?

题目

在 Agent 工作流中,并行执行(Parallel Execution)能带来什么收益?有什么风险?请设计一个并行执行的调度策略。

一句话答案

用 DAG 找无依赖节点并行,收益是延迟与吞吐,代价是 token、合并冲突和限流;用并发度控制、屏障同步、短路与降级兜底。

展开

  1. 收益:串行总耗时 Σt 降为 max(t)(理想情况);同一时间处理更多请求,吞吐提升。
  2. 风险:token 成本上升;多个输出需要合并,可能信息冲突或风格割裂;并行调工具触发 API 限流;部分失败;调试与重放更复杂。
  3. 调度:依赖分析建 DAG → 拓扑分层 → 同层并行;并发度按下游配额设(如搜索最多 3 并发);屏障同步后进入下一阶段;统一超时与取消。
  4. 容错:单节点失败可重试、降级或用其余节点结果凑合;只有关键节点失败才整体失败。
  5. 优化:短路(已有正确答案就取消其余节点)、hedged request(慢节点补发备份请求)、流式合并。
  6. 指标:加速比 = 串行时间 / 并行时间;P95 延迟、token 成本、失败率。

追问准备

  • 概念层:与 MapReduce 类比——map 并行、shuffle/合并、reduce 汇总;合并阶段往往才是瓶颈。
  • 反例层:5 个并行 Agent 中 4 个很快、1 个很慢,总等待由最慢决定——用超时降级、备份请求、拆分慢任务或缓存优化。
  • 工程层:并行还是串行的判断标准——是否存在依赖、是否时延敏感、成本预算、下游限流、结果一致性要求。

原题选择

C. 并行可降低延迟但增加成本和合并复杂度,需依赖分析、并发度控制和屏障同步。

采分点

延迟降低 / 依赖分析 / 并发度控制 / 屏障同步 / 加速比;加分项:短路优化、风格统一、资源竞争限流。


71|如何设计 Agent 工作流的「错误恢复」机制?

题目

设计一个 Agent 工作流的「错误恢复」(Error Recovery)机制。当某个节点失败时,系统应该如何决策——重试、跳过、降级还是中止?

一句话答案

先分错误类型,再判节点是否关键,最后选重试/降级/跳过/中止;用错误预算和预定义兜底防止无限恢复。

展开

  1. 错误分类:瞬时(网络/限流/超时)→ 退避重试;永久(参数错/工具不存在/权限)→ 修正或中止;质量(格式/校验失败)→ 修正后重试;业务(无结果/不满足)→ 换路径或降级。
  2. 关键性判断:关键路径节点(输出是后续节点输入)不能跳过;增强路径(可选优化)可以跳过。
  3. 恢复策略:重试 ≤3 次 + 指数退避 + 抖动;降级(默认值/备用模型/缓存/人工);跳过;中止并向用户报错。
  4. 错误预算:全局限制重试与降级次数,超限强制中止,防止恢复本身拖垮系统。
  5. 预定义兜底:每个节点声明 on_failure 策略与兜底值,不要把决策留到运行时。
  6. 监控:重试成功率、降级率、错误分布、恢复耗时。

追问准备

  • 概念层:与数据库回滚的异同——事务是原子性回滚;工作流多用 Saga 补偿,回滚本身有代价,且要求幂等。
  • 反例层:非关键节点降级用默认值,但默认值恰好是错的——要标注「已降级」、二次校验、必要时人工复核。
  • 工程层:错误分类器可用异常类型 + 错误码 + 规则 + 模型;关键节点的兜底行为必须在设计期写清楚。

原题选择

D. 根据错误类型和节点关键性,选择重试/降级/跳过/中止,并设定错误预算上限。

采分点

错误分类 / 关键性判断 / 重试 / 降级 / 中止 / 错误预算;加分项:预先定义兜底行为、重试成功率监控、次优降级。


72|Agent 工作流如何做灰度发布?(题干还原)

题干还原

原截图在此题处截断,题干按追问与踩坑还原:Agent 工作流如何做灰度发布?流量切分和回滚要注意什么? 答案依据原文补全。

一句话答案

按可归因、可粘性的维度切流,新旧版本并行;成功率之外必须监控输出质量;回滚要能处理长任务并保证状态兼容。

展开

  1. 切流维度:用户/租户(体验稳定、可对比)、地区(合规/延迟)、请求类型(低风险先灰度)、内部白名单;同一用户保持版本粘性。
  2. 灰度节奏:1% → 5% → 25% → 50% → 100%,每阶段设观察窗口与自动/手动 gate。
  3. 监控:除成功率、延迟、成本外,必须看质量——人工抽检、LLM judge、业务指标、拒答率、工具错误率,防「静默失败」。
  4. 版本化:prompt、模型、工具、代码、配置整体打版本,保证可复现;新旧版本的状态 schema 要向前兼容。
  5. 回滚:一键切回;长任务等待完成或中断 + 补偿;checkpoint 要能跨版本恢复。
  6. 实验形态:canary、A/B、shadow(影子流量只观察不返回)。

追问准备

  • 概念层:灰度与 A/B 的区别——灰度关注「新版本是否可用」,A/B 关注「哪个版本更好」。
  • 反例层:只监控成功率会漏掉静默失败(不报错但答案变啰嗦、漏关键信息);要抽样人工评估。
  • 工程层:切分维度按「可归因、可粘性、样本量足够」选;长任务回滚用版本标记 + 幂等重放 + 断点续跑。

采分点

流量切分 / 质量监控 / 静默失败 / 版本化 / 回滚与状态一致性。


73|如何评估 Agent 的「幻觉率」?

题目

如何评估 Agent 的「幻觉率」(Hallucination Rate)?请设计一个幻觉检测的评估方案。

一句话答案

抽取可验证的原子事实,逐条用外部工具核查,按「错误陈述 / 总陈述」计算,并按严重程度分级统计。

展开

  1. 定义:Agent 输出中与事实不符的可验证陈述占比;事实类与推理类分开统计。
  2. 流程:事实抽取(LLM/规则)→ 判定是否可验证 → 工具核查(搜索/DB/知识库)→ 标注支持/矛盾/未知 → 统计。
  3. 分级:致命幻觉(编造政策、医疗金融建议)> 严重幻觉(错误数据、张冠李戴)> 轻微幻觉(日期偏差、表述不准);可加权或分别报告。
  4. 难点:原子事实抽取本身有误差;内部数据无法外部验证;推理错误与事实错误要区分;时效性。
  5. 工程:LLM-as-Judge 初筛 + 工具精查 + 人工抽检校准;维护黄金集做回归测试。
  6. 指标:幻觉率、溯源覆盖率、拒答率、用户反馈错误率。

追问准备

  • 概念层:幻觉与「信息错误」不完全相同——幻觉是模型生成了无依据内容;信息错误可能是数据源错或过期。
  • 反例层:输出的是合理推理但结论错,属于事实错误,不算严格意义的幻觉;要看「是否有依据」。
  • 工程层:错误分析要按「数量 × 严重度」排序,不能只看数量最多的类型;分类控制在 5~8 个大类。

原题选择

B. 提取输出中的事实陈述,用外部工具验证真伪,分级统计错误比例。

采分点

事实抽取 / 事实核查 / 分级统计 / 外部验证 / 幻觉分级;加分项:张冠李戴、内部知识幻觉、不可验证陈述。


76|Agent 工作流节点的「幂等性」为什么重要?

题目

Agent 工作流节点的「幂等性」为什么重要?怎么设计一个可安全重试的节点?

一句话答案

任何有外部副作用的节点都要假设会被重试至少一次;用幂等键 + 先查后写 + 读写分离 + 下游去重,保证只生效一次。

展开

  1. 为什么:LLM 限流、工具超时、网络抖动让重试成为常态;不幂等会重复发邮件、重复扣款、重复建单。
  2. 幂等键:request_id + 业务唯一键(订单号 / 用户 + 操作 + 时间窗),由服务端生成并贯穿所有重试。
  3. 先查后写:执行前查幂等表/状态机;已处理直接返回上次结果;状态用 pending / success / failed。
  4. 读写分离:外部副作用带幂等键;State 更新走内存/checkpoint,天然可重放。
  5. 下游不支持去重:本地去重表、唯一约束、发送记录、延迟对账;支付用商户订单号,邮件用 message_id 或去重窗口。
  6. 读操作天然幂等;缓存与日志也要考虑重复写入。

追问准备

  • 概念层:幂等性与重试策略的关系——先判幂等,再决定是否重试;重试用指数退避与最大次数。
  • 反例层:邮件服务商不提供去重,可本地记录发送状态 + 延迟对账 + 人工复核;支付必须用商户订单号做唯一键。
  • 工程层:代码实现「先查后写」可用唯一索引、事务、Redis SETNX、状态机;幂等键不能由模型生成。

原题选择

B. 重试是常态,写操作节点必须带幂等键 + 先查后写,避免重复副作用(重复邮件/重复扣款)。

采分点

指出重试导致副作用累积的风险;加分项:幂等键 + 先查后写 + 读写分离设计。


待补题目(原图未覆盖)

9 张截图并未覆盖全部 19 题,以下题号没有题干与答案,未做编造:

题号情况
59截图缺失。位于 58 记忆隔离与 60 长对话记忆之间,推测仍属记忆系统
61截图缺失
62截图缺失
63截图缺失。位于 64 上下文组装之前,推测属上下文工程相关
74截图缺失
75截图缺失。原图仅保留该题末尾的追问与踩坑,主题为「错误分析 / 错误趋势追踪」

第 74/75 题残留片段

  • 工程落地层:如何做「错误趋势追踪」——看某类错误是否随版本迭代在减少?
  • 踩坑:不要只看「数量最多的错误类型」,要按「数量 × 严重度」排序;错误分类控制在 5~8 个大类,太粗分析不出根因,太细没人记得住。

补齐对应截图后,可按本文同样格式续写。


相关笔记