模拟面试题库#
从各层架构文档中提取的全部面试问题索引。答案见对应的层文档。
跨层并发治理#
🔥 热点拷问#
- 你这个并发设计，本地跑 3 个 Worker、2 个执行槽，跟生产环境差距大不大？你怎么证明这套东西上了生产能用？
- ↳ 那执行槽用 Redis ZSET + Lua 做，Redis 本身是单线程的，如果争抢很频繁，Redis 会不会成为瓶颈？
- 为什么不用 Kafka？你说 Redis Streams 够用，但 Kafka 不是更成熟吗？
常规问题#
- 如果全局执行槽设置为 1 或 10 分别会怎样？
反思与改进#
- 这套并发设计的投入产出比怎么样？
API 接入层#
🔥 热点拷问#
- 你同时搞了同步 SSE 和异步队列两种入口，这不是过度设计吗？直接全部走队列不就完了？
- ↳ 那 SSE 长连接多了不会拖垮 API 进程吗？
- 你的限流用的固定窗口，不觉得粗糙吗？窗口边界突刺怎么办？
常规问题#
- Webhook 告警去重怎么做的？同一个告警反复推怎么办？
- Readiness 和 Liveness 为什么分开？
反思与改进#
- API 设计这块如果重来，你会改什么？
队列与缓冲层#
🔥 热点拷问#
- 你的两阶段消费，Phase 1 扫 4 条流 + Phase 2 BLOCK，这个切换开销大不大？
- ↳ 你说 15 分钟回收阈值是”诊断超时 10 分钟 + 5 分钟安全边际”，那如果诊断真的跑了 14 分钟呢？
- DLQ 里的任务你说要人工排查，有工具吗？实际怎么操作？
常规问题#
- 优先级队列真的有必要吗？场景能举个例子吗？
反思与改进#
- 队列设计过程中踩过什么坑？
编排与调度层#
🔥 热点拷问#
- 分布式执行槽为什么不用 asyncio.Semaphore 或 Redlock？
- ↳ 你说 Fail-Open，Redis 挂了 5 分钟，所有请求都不限流，LLM 不会被打爆吗？
- 重新入队为什么必须在 ACK 之前完成？能不能先 ACK 再入队？
常规问题#
- Pause/Resume 这个机制在审批场景下的实际效果如何？
反思与改进#
- 分布式执行槽有没有可能是过度设计？单机场景 asyncio.Lock 就够了吧？
智能体层#
🔥 热点拷问#
- 你这个 deep 模式，说起来很好听——多 Agent 并行取证、证据归并、RCA 裁决。但你实际跑过吗？deep 跑出来的结果真的比 fast 好吗？有数据吗？
- ↳ deep 的 Agent 之间不互相通信，只通过 Evidence 黑板交互。但如果 MetricAgent 发现 CPU 100%，LogAgent 发现 OOM 日志，这两个信息的关联怎么做？
- 考虑实际工程效果——如果电脑上有一个名为 svchost.exe 的恶意挖矿程序，你的系统光扫进程名能判断出来吗？
- ↳ 那你怎么保证不同告警、多次分析的路径和结果是准确一致的？LLM 本身就是非确定性的。
- 你说排查故障，能做到什么程度？能定位根因吗？能自动修复吗？
深度追问链#
- 如果 fast 和 deep 都跑了但结论不一样，你怎么办？
- ↳ 你怎么定义”正确的诊断”？有 ground truth 吗？
- ↳ 完全相同的输入，两次路径不同但结论相同，算一致吗？
- 知识库没覆盖、工具采集不到的场景，Agent 会不会胡编一个根因？
常规问题#
- Executor 为什么用 astream 而不是 ainvoke？
反思与改进#
- 如果重来，你还会选 LangGraph 吗？
- Agent 开发过程中最难的 bug？
Skill 系统#
🔥 热点拷问#
- 你的知识库里到底存了啥？这个项目看着不需要什么特别的知识吧。
- ↳ 那 RAG 在诊断过程中实际被调用了多少次？占诊断总时间的比例？
- 你的 Skill 是写死 4 个的，有没有想过渐进式披露——系统自动发现和生成 Skill？
- ↳ Skill Router 的分类准确率多少？有测过吗？
深度追问链#
- 你的 SOP 是公开的 awesome-prometheus-alerts，不是真正的企业 SOP。怎么证明对真实企业也有效？
- ↳ Skill Router 分类准确率 80%，重路由成功率 50%，端到端正确率是多少？你算过吗？
- ↳ SOP 本身写得不好或者过时了呢？知识库质量谁来保证？
常规问题#
- Skill-first 路由和直接暴露所有工具给 LLM，区别是什么？有量化数据吗？
反思与改进#
- 4 个 Skill 够吗？扩展的阻力在哪？
- Skill 设计最成功和最后悔的决策？
AgentHarness#
🔥 热点拷问#
- 预算控制你设了 token 上限和时间上限，实际跑的时候 token 消耗是什么量级？一次诊断花多少钱？
- ↳ 如果我要换一个 LLM Provider，改动量大吗？
常规问题#
- Transition History 有什么实际用处？不就是个日志吗？
反思与改进#
- AgentHarness 的设计初衷是什么？之前出过什么问题？
RAG 知识层#
🔥 热点拷问#
- 说实话，这个项目场景真用得上 RAG 吗？Agent 有 LLM 的训练知识，加上 MCP 工具实时取数据，RAG 的边际价值在哪？
- ↳ 那你有没有做过消融实验？对比有 RAG 和没 RAG 的诊断质量差异？
- 你既有 RAG 又有 LLM Wiki（见 Layer 7 第 7.4 节），这俩看着都是”存知识然后检索回来”，为什么要分成两层？只用其中一个不行吗？
- ↳ 那为什么不能只用 RAG？把诊断经验也切成 chunk 灌进向量库不就行了？
- ↳ 那反过来，为什么不能只用 Wiki？SOP 也让 LLM merge 进 Markdown 页面，召回时关键词匹配不就够了？
- 向量库为什么从 Milvus 迁到 pgvector？当初为什么不直接上 pgvector？
- ↳ 那 Qdrant 呢？它原生支持向量 + BM25 混合，不是更省事？
- ↳ 你的 BM25 索引以前是全量加载到内存的，数据量大了怎么办？
- 纯向量不够要加 BM25，那你有没有考虑过其他方案？比如 query rewriting、HyDE？
深度追问链#
- 如果做消融实验发现 RAG 贡献很小，你会怎么调整？
- ↳ 那 RAG 的价值到底是检索准确度还是别的什么？
- 向量维度 1024，chunk 几千条，用 Milvus 是不是大炮打蚊子？SQLite + numpy 就够了吧？（→ 这正是迁到 pgvector 的原因）
常规问题#
- 结构保护分块解决什么问题？
- RRF 的 k=60 怎么定的？调过吗？
反思与改进#
- RAG 在这个系统里最大的价值和局限分别是什么？
- 如果重来 RAG 这块怎么做？
工具与 MCP 层#
🔥 热点拷问#
- 你的 MCP 工具，实际使用中调用频率和准确度怎么样？有统计过吗？
- ↳ MCP 工具能采集到什么层面的信息？能发现隐蔽问题吗？比如进程伪装、隐藏端口？
- MCP 协议听起来很好，但每个工具调用都要走一次 HTTP 请求到独立进程，延迟开销值得吗？
- ↳ 那如果工具需要的参数 Agent 没给对，或者工具返回了错误结果，Agent 怎么处理？
深度追问链#
- MCP 工具输出是文本，Agent 怎么理解结构化数据？有没有出现过误解工具输出的情况？
- ↳ 你说可以扩展 security_server，但安全检测和运维诊断的知识体系完全不同，复用性有多高？
常规问题#
- 三层工具过滤和权限三态，会不会让系统变得太复杂？
反思与改进#
- MCP 协议的选择你满意吗？
- 工具层最大的教训？
存储与审计层#
🔥 热点拷问#
- 你的知识库只支持 Markdown 上传，实际运维知识可能在飞书、腾讯文档、Confluence、PDF 里。多源知识管理怎么考虑的？
- ↳ 增量同步具体怎么做？文档更新后旧的 chunk 怎么处理？全量重建索引吗？
- 你的 Postgres 8 张表，数据量大了之后查询性能怎么样？考虑过分区吗？
- Wiki 经验沉淀这个功能，有没有出现过”经验误导诊断”的情况？
- ↳ Wiki 为什么不用向量搜索做召回？
深度追问链#
- 多源同步你说”可以做但没做”，这话面试里说出来会不会减分？
- ↳ Wiki 用 LLM 合并诊断经验，合并质量有保证吗？怎么验证？
常规问题#
- 为什么同时用 Postgres 和 Redis，不能只用一个？
反思与改进#
- 存储设计如果重来你会改什么？
- 上线前还差什么？
全链路故障矩阵#
🔥 热点拷问#
- 你列了这么多故障场景，有没有真实遇到过？处理过吗？
- ↳ 如果让你给这个系统做一次混沌工程测试，你会怎么设计？
- 这个系统目前最大的技术短板是什么？如果给你一个月时间，你优先补什么？
反思与改进#
- 如果重来整个系统，架构层面你会怎么改？
- 开发过程中最有成就感的一件事？