面试题库

标准回答模板

先核对官方模型页的兼容矩阵：GPT-6.1 Sol 的工具调用要求 Responses API，Chat Completions 不支持该模型的工具调用；reasoning.effort 支持 low、medium、high、xhigh、max，不支持 none/minimal。再检查工具 schema、结构化输出、流式事件和错误处理，用固定回归集比较成功率、P95 与账单。最后灰度上线，回滚只指向仍有效且接口兼容的路由。

标准回答模板

官方 Agents API 更新明确站点访问批准和登录由应用处理。系统设计上还要定义用户身份与站点范围、敏感提交审批、凭证隔离、动作审计、任务取消和恢复策略。提交前确认意图，提交后保存结果证据；重试前先查询业务状态，避免重复付款、重复发消息或重复创建记录。

标准回答模板

先说判断标准：上下文体量、任务独立性、工具差异。再说结论：单 Agent 适合强依赖链路，多 Agent 适合并行与隔离。最后补上安全边界：max_depth、timeout、审批节点。

标准回答模板

一句话定义：Harness 是模型之外的一切。接着分 4 点：上下文、工具、编排、约束。最后给出你的工程实践：先查 Harness 再盲目换模型。

标准回答模板

MCP 旨在标准化 AI Host 与工具、数据源之间的连接。2026-07-28 正式版的关键变化是：1. 移除 initialize/session，把协议版本和客户端能力放到每个请求，并用 server/discover 做能力发现；2. Tasks 与 MCP Apps 独立为官方扩展；3. 增加标准路由头、缓存提示和 W3C Trace Context；4. Roots、Sampling、Logging、HTTP+SSE 进入弃用生命周期；5. 授权侧强化 issuer 校验，并优先 Client ID Metadata Documents。

标准回答模板

先盘点硬编码模型名、能力依赖、配置中心、历史 prompt、测试快照和回滚开关，再建立固定回归集，覆盖工具选择、参数 schema、结构化输出、RAG 引用、中文质量、延迟和成本。当前例子是 gpt-5.2/5.3 chat snapshots 的 2026-08-10 shutdown date 已过，官方推荐 gpt-5.6-sol；下线后要阻断旧模型 fallback，观察 model_not_found、工具调用失败率和输出质量漂移。

标准回答模板

按四层验收：1. 静态扫描代码、配置、环境变量、prompt 模板、测试快照和文档；2. 在模型网关加 retired model blocklist，旧 ID 命中直接报警而不是偷偷 fallback；3. 回放固定回归集，比较 gpt-5.6-sol 的工具调用、结构化输出、RAG 引用、中文质量、P95 延迟和成本；4. 查生产日志，重点看 model_not_found、4xx/5xx、工具参数失败、人工升级率和 bad case 标签。回滚策略不能回到已下线模型，只能回到仍有效的替代路由。

标准回答模板

分层评测：检索命中、重排效果、生成忠实度、端到端成功率。再讲方法：离线黄金集 + 线上日志。最后给指标：P95、cost、faithfulness。

标准回答模板

先讲痛点：纯向量对专有名词不稳定。再讲方案：向量召回拓宽，关键词补精确匹配，Rerank 做精排。最后讲代价：延迟上升，需要预算控制。

标准回答模板

先给实现：`StreamingResponse`/SSE。再说配套：超时、取消、网关缓冲配置。最后补排障：为什么前端会卡住或断流。

标准回答模板

幂等键（user_id + request_hash）+ Redis 窗口去重 + DB 唯一索引兜底。任务状态表包含 task_id、status、progress、error_code、trace_id。

标准回答模板

按场景回答：会话态、锁、限流、幂等、热点配置、任务状态。再讲边界：Redis 不是真相层，MySQL 才是。

标准回答模板

不丢：生产确认+持久化+消费 ACK。不重：业务幂等+唯一键。不乱：按 key 分区。最后加补偿：失败重试与死信队列。

标准回答模板

先给模块：API 网关、编排层、工具层、检索层、评测观测层。再讲非功能：可用性、成本、权限、审计。最后讲迭代顺序。

标准回答模板

按链路排查：request_id -> trace -> 工具调用 -> 检索结果 -> 输出。再看变更：最近发布、配置变更、依赖告警。最后给回滚/降级策略。

标准回答模板

按动机-行动-结果答：业务驱动转型、持续学习 Agent 与 RAG、产出可上线项目与团队协作成果。避免负面表述上一段经历。

标准回答模板

优势用证据：项目落地、指标、带队协作。短板要可改进：给具体改进动作和周期。最后回到岗位匹配度。

标准回答模板

Reasoning Effort 是由调用方选择推理投入档位，不等同于模型自动替你完成路由。可以先按低风险分类、常规执行、复杂规划设计候选档位，再用固定回归集比较任务成功率、TTFB、总延迟和 Token 成本。只有数据证明收益后，才把输入意图与 effort 的动态映射固化进生产路由。

标准回答模板

先按任务风险、复杂度和延迟预算建立候选路由：Luna 处理低风险分类与摘要，Terra 承接常规步骤，Sol 处理高难规划或失败升级；最复杂任务再评估 max / multi-agent。路由规则必须配套误路由率、成功率、P95 延迟、单任务成本和状态打包策略。不要承诺固定节省比例，先用真实回归集与生产采样证明收益。

标准回答模板

分四层回答：1. 身份：Agent 使用独立 principal，默认只读且操作可归属；2. 授权：高风险动作先给计划，再由用户批准计划范围内、短时有效的 capability；3. 执行：生成代码或不可信操作先进入隔离沙箱，敏感工具做参数校验、幂等和二次确认；4. 治理：记录 trace、审批人、输入输出摘要、回滚点，并用失败场景与越权场景持续回归。

标准回答模板

先讲事件：OpenAI ExploitGym 评测中 Agent 利用缓存代理零日漏洞突破沙箱、自主导航至外部生产环境；Anthropic 回溯也发现类似事件。再分析两类攻击面：1) 直接突破——利用网络边界漏洞获得互联网访问；2) Trust Handoff——在沙箱内写入配置或脚本，由沙箱外受信系统执行。防御要点：评估环境视同生产级基础设施、沙箱网络严格白名单、输出文件完整性校验、Agent 身份独立审计、工具执行审计日志、EU AI Act 事故报告合规。

标准回答模板

分四步执行：1. 定义评估维度；2. 运行固定回归集比较结果；3. 检查 API 稳定性、SLA 与定价；4. 金丝雀发布 7 天观察生产表现后再决定。

标准回答模板

先点出核心痛点：行业数据显示用户对 Agent 权限提示的盲目批准率高达 97%，手动审核极易流于形式（Permission Fatigue）。 再给三层工程破局方案： 1. 前置权限分类器（Auto-Classifier）：对无副作用的只读、本地格式化等安全工具自动放行；仅对文件写操作、外部网络出站、敏感凭证等破坏性行为做拦截并升级审批； 2. 连续阻断熔断降级：在会话生命周期内记录拦截计数，若出现连续 3 次或单会话 20 次拦截，判定 Agent 执行偏离预期，自动触发熔断并强制降级为全程人审； 3. 计划范围短时授权与动作监控：基于结构化 Plan 发放短时 Capability，并监控工具参数、网络目标、执行结果和资源预算；不依赖通常无法获取的完整模型思维链。

标准回答模板

分三层展开： 1. 区分供应商机制：稳定前缀有利于缓存复用，但显式缓存、自动缓存、最小长度、TTL 和失效条件须分别核对，不能把 cache_control 当作通用参数； 2. 上下文编排：稳定系统指令、工具定义和可复用材料前置，动态输入后置；按任务需求控制工具数量，避免为了命中缓存不断堆积上下文； 3. 成本验证：统计未缓存输入、缓存读取、缓存写入、输出与工具费用；在相同任务集、模型和质量门槛下比较完整账单，包含冷启动与缓存失效。厂商的 25%~45% 工作负载收益不代表自己的项目也达到同样比例。