🛡️ 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:
- OCR 提取:有 PDF 和图片类 → OCR 识别文字内容。
- 文本清洗:解析后杂乱 → 剔除换行、乱码、多余空格等噪声。
- 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
- 平台化分工协作-底座与业务分层(§5 demo 里降级即
status=manual) - LangGraph线程隔离与状态持久化(§5 HITL 是降级转人工的执行机制)
- Agent系统-项目深挖(§2 工具路由、§8 Pydantic State)
- 面试收集 MOC