BP0 · 项目全景串讲稿#

定位：面试官问”介绍一下你的项目”时的 8-10 分钟串讲稿。每个亮点点到为止、留钩子引导追问。

30 秒 · 项目是什么#

ShoppingX 是一个对话式全球购物 Agent。用户用自然语言说需求——“想买便宜又抗造的旅行三件套，预算 300，不要塑料的”——系统跨 6 个电商平台并行检索、比价、算关税运费、按偏好精挑，给出带购买理由的商品卡清单。用户偏好沉淀为长期记忆，下次对话自动生效。

数据 138 万条商品，技术栈 FastAPI + LangGraph + Qdrant + OpenSearch + BGE-M3/Reranker + Langfuse 全链路可观测 + WebSocket 实时推送。已公网部署，支持注册在线体验。

1 分钟 · 为什么做成 Agent 不做 Workflow#

早期版本是固定流水线，system prompt 写死工具调用顺序。问题：用户说”最近什么旅行包比较火”只需查品类知识库，但 Workflow 全链路跑一遍——白费 5 轮检索。

改成 Agent 后 Think 阶段自己判断调什么工具。后来进一步重构成意图驱动：planner 解析意图输出 tasks，模型按 tasks 组合工具子集。品类查询两步出结果，完整购物才走全链路。

一句话：工具次序没有一行代码强制，全靠模型自主选择。

2 分钟 · 三个技术亮点（每个 40 秒）#

亮点 1 —— “机制兜底不靠 Prompt 祈祷”#

弱模型做子 Agent 时无视终止规则——不停重搜或自行调 shopping_summary。教训：LLM 是概率模型，prompt 规则它可能不遵守。 四层 fork 安全、阶段状态机、检索预算、token 预算闸——全是代码硬约束。

亮点 2 —— “Harness 统一治理框架”#

修 bad case 不是修 prompt 是修 Harness。6 个 Hook 点，新增检查 = 加一个文件 + 一行装饰器。statewright 发现”缩小工具空间比修 prompt 效果更好”——阶段状态机动态收窄可用工具。

亮点 3 —— “延迟减法与流式体验”#

端到端 83s 压到 40s，主 loop 9 轮→5 轮。核心洞察：96% 延迟是 LLM 解码。四刀——子 Agent 关 reasoning、planner 确定性预置、收尾不逐件重写、追问轮不开 reasoning。收尾流式：商品卡先出（items_preview），文案逐字补（summary_delta）。

2 分钟 · 一个真实事故故事#

跨 5 平台并行 fork，第四个子不停换关键词重搜 7 圈，第五个自己调 shopping_summary 输出推荐文案。主 loop 期望 JSON 候选拿到自然语言。5 分钟超时，空白页面。

根因：prompt 规则对弱模型不可靠。修法：四层机制全部上线——深度闸、超时+迭代上限、结果截断、循环检测。另外阶段状态机拦住子 Agent 调终结工具。

效果：弱模型还是会尝试死循环/越权——但每次都被机制拦住，优雅降级返回已有候选。

1 分钟 · 工程基础设施亮点#

• Cache Breakpoint 压缩：12 轮后 token 压到 47%，保住前缀缓存命中
• 跨会话偏好记忆：curator 扫本轮提取 like/dislike 沉淀 Store，下次自动注入
• WebSocket connect-first：零事件丢失，8 类 AGUI 事件实时推前端
• Langfuse 全链路 trace：Rubric 分数回注 trace，工具 RT 告警
• 四档模型路由降级：main→lite→minimal→fallback，优雅梯度不突然断供
• JWT 鉴权 + Alembic 迁移：账户体系，表结构可追踪演进
• 两段式 KB 检索：resolve_category 投票 + fetch_cards 精确取卡

30 秒 · 诚实边界#

• 数据 Kaggle 公开数据集，非实时爬虫
• 无 GPU 训练/微调，模型全走 API
• 离线评测，无线上 A/B
• 进程内状态，多副本需迁 Redis
• 前端功能完整但非专业前端水平

追问方向与对应 BP#