15 道大厂真题，按技术主题归类，相近的概念排在一起，方便成串复习。
核心在于构建基于 LangGraph 的有状态 ReAct 循环。我们不依赖单一的分析指令，而是将异常诊断拆解为「实时日志流式解析 → AST 拓扑校验 → 辅助决策」。修复脚本统一在 gVisor / WASM 沙箱中执行，用用户态内核或 WebAssembly 运行时把系统调用与宿主机强隔离，构成安全的执行环境。所有写操作都做幂等工具执行（Idempotent Tool Execution），以幂等键去重，确保重试或补偿重放时不产生重复副作用。再结合多维度的指标监控进行反向闭环验证，确保每一次自愈动作都在安全边界内完成，杜绝了因指令幻觉导致的生产事故。
我们引入了「具备状态机属性的动态 DAG 编排器」，并以 Saga 模式（Saga Pattern with Compensating Actions）管理长事务。每一个原子任务都携带持久化的 Checkpoint，并预先注册对应的补偿动作（Compensating Action）。当链路中断时，编排器基于当前上下文识别断点，按相反顺序逐级触发已完成步骤的补偿动作，逆向回滚副作用，达成最终一致性。相比传统的 TCC 模式，Saga 不长期持有资源锁，在语义层面对长链路异步业务具备更强的容错性与吞吐。
我们引入了「基于分布式消息队列的等级路由机制」。智能体之间通过标准化的协议进行信息交换，利用共识算法解决决策冲突。在高层级调度上，由中央智能体负责任务拆解与动态分发，底层智能体则具备自主的局部修正权限。这种「分层协作」架构极大地提升了系统在应对突发物流波动时的响应韧性。
我们利用 MCP（Model Context Protocol）的身份透传机制，为每个智能体会话（Session）分配独立的最小权限令牌。在沙箱边界层，通过对系统调用进行动态拦截和 AST 静态扫描，实现对文件系统和内网网段的强物理隔离。这种「协议级沙箱」确保了即使模型生成了非法指令，也会在执行层被即时阻断。
防御核心是「输入层动态清洗 + 输出层语义对抗」。我们在输入端引入双重过滤引擎，不仅校验传统的 XSS/SQL 注入，还利用专门的安全小模型对恶意意图进行检测。在输出端，通过 RAGAS 等评测标准实时扫描生成内容的合规性，防止敏感数据通过语义编码泄露，构建起一套全链路的 AI 攻击面治理体系。
核心在于「端云协同 + TensorRT 本地优化」。我们将轻量级的位置感知模型通过 TensorRT 部署在边缘网关，实现 <100ms 的实时初步过滤。复杂的调度逻辑则异步路由至云端集群。通过构建局部特征缓存池，减少了跨机房的 RPC 调用，确保了配送智能体在极速波动的环境下依然具备秒级的决策修正能力。
我们采用了「边缘算力优先 + 本地 VAD 预处理」。语音信号在端侧即进行初步解析和 TensorRT 优化加速。通过流式分片上传和并行推理，减少了整体链路的等待时长。在架构设计上，我们将声学反馈与业务决策解耦，确保导航指令能在用户话音刚落的瞬间即刻触发。
我们实施了「混合路由 + 边缘缓存」策略。非核心路径的导购意图由小型模型处理，核心交易决策路由至高性能集群。同时，针对高频商品元数据引入边缘端缓存，减少重复的 Context 填充。通过分布式限流算法对 Token 消耗进行平滑整形，确保在峰值期间链路时延波动控制在 10% 以内。
我们不采用全局扫描模式，而是实现了一套基于语义向量索引的二级路由机制。一级路由通过 MCP 协议中的 resources/list 获取元数据，并利用轻量级 Embedding 对工具描述进行向量化，存储在本地缓存中。当 Agent 提出请求时，通过向量相似度快速锁定 Top-K 工具子集。二级路由则引入了动态负载感知，根据 MCP Server 的响应延迟和当前并发数进行权重分配，避免单点过载，确保在高并发环境下工具调用的端到端时延稳定在 50ms 以内。
核心在于实现「协议级沙箱」与「鉴权中继」。我们把鉴权下沉为一层 MCP Host 级的 RBAC 中间件（MCP Host-level RBAC Middleware）作为统一的强制执行层：所有 Tool Call 在抵达 Server 前先经该中间件按角色校验权限与最小权限令牌。每一个 MCP Server 都在独立的 Docker 沙箱中运行，限制其对宿主机文件系统和内网敏感网段的访问。对于敏感操作，中间件结合「意图二次校验」机制，即 Agent 生成的 Tool Call 需经过一个规则引擎（基于 CEL 表达式）校验参数合法性，并在必要时触发 HIL（人机在环）审批，从而在底层协议层面杜绝了 Prompt Injection 导致的数据泄露风险。
我们构建了一套具备服务发现能力的 MCP 注册中心（Registry）。利用心跳机制实时监控 Server 状态，结合 Kubernetes 的 HPA 实现基于请求密度的自动扩缩容。在治理逻辑上，我们通过「断路器模式」（Circuit Breaker）实现优雅降级：当某个 MCP Server 错误率超过阈值或响应超时，自动切换至兜底（Fallback）模式，如返回本地静态缓存数据或提示模型切换备用工具。同时，引入分布式限流（Rate Limiting），基于令牌桶算法对不同优先级的 Agent 任务进行流量整形，确保核心业务链条的稳定性。
我们深度集成了 RAGAS 评测框架，从 Faithfulness（忠实度）、Answer Relevance（相关性）和 Context Recall（召回率）三个维度进行量化评估。通过自动化构建「合成 QA 集」进行持续集成测试。结合生产环境的真实负反馈数据，动态调整检索策略和切片算法，形成了一套自进化的知识增强闭环。
我们实现了一套「上下文活跃区 + 分层召回」体系。短期记忆（Working Context）采用滑动窗口机制，实时存储当前会话的关键变量；长期记忆则采用向量化存储。通过引入「交互热度」权重，系统会自动对冷数据进行衰减和摘要化，确保智能体在拥有海量历史背景的同时，其推理上下文依然聚焦于核心意图。
我们不再依赖脆弱的 XPath 去硬匹配裸 DOM，而是解析浏览器的无障碍树（Accessibility Tree，A11y Tree）。A11y Tree 暴露每个元素的角色（role）、可访问名称和状态，是一棵语义化的精简结构，能稳定地定位「按钮」「输入框」这类语义元素，并天然过滤掉不可见或装饰性节点，对动态加载的异步组件也更鲁棒。在执行导航任务时，结合强化学习中的「自省机制」实时校验操作反馈，确保在复杂的浏览器环境下，任务成功率相比纯 DOM/指令模式提升了约 40%。
我们设计了基于语义工具匹配的「意图探测器」。通过多智能体协作，由负责探索的智能体调用外部知识库挖掘长尾兴趣，而利用智能体则聚焦于已知特征。两者在 LangGraph 框架下进行共识博弈，将推荐逻辑从单纯的点击率预估转化为具备「因果推断」能力的语义博弈过程。
我们主要采用 LoRA 结合特定模块（Target Modules）的针对性微调。通过动态调整 Rank 和 Alpha 参数，我们在极小的参数增量下实现了对垂直领域语料的精准拟合。落地量化时做逐层敏感度分析（Layer-wise Sensitivity Analysis）：主干层走 INT8，首尾等敏感层保留 FP16，把精度掉点压到最低。在实际部署中，利用 TensorRT-LLM 的权重融合技术，消除了推理时的适配器额外开销，从而在稳定精度指标的同时，将微调成本降低了 90% 以上。
我们采用了「流式摘要与多智能体共识」架构。通过语音转写流实时输入，智能体利用短期记忆捕捉即时动态，并定期同步至基于向量数据库的长期记忆库。针对争议项，触发多个子智能体进行逻辑交叉验证，确保提取出的 Action Items 具备可溯源性和强执行力。