哔哩哔哩一面：端到端 AI Coding 与生产治理
本场面试题
- 端到端 AI Coding 应怎样实现？
- 基础研发平台提供日志 MCP 时，怎样实现端到端开发？
- AI Coding 的 DAG 任务状态应存在哪里？
- 线上接口超时时，排查顺序是什么？
- 线上接口字段返回值修改后，怎样灰度和发布？
- Token 数量有限时，如何协调大小模型进行开发？
- 为什么派生子 Agent，它有什么作用？
面经与参考答法
哔哩哔哩一面：端到端 AI Coding 与生产治理
这轮哔哩哔哩一面要求从零说明端到端 AI Coding 的工程链路，覆盖 MCP 日志、DAG 状态、超时排查、灰度发布、Token 预算、模型路由与子 Agent。原记录未披露岗位，也没有明确面试日期。
本页选录以下七组技术主题；未展开腾讯实习产出、优化方式与存储方式三项项目追问，也未逐项收录个人 Vibe Coding 实践、跨模块 AI Coding、与 AI 的交互细节及大小模型开发优缺点比较。短答和生产治理方案为教学补充，不代表作者的项目实现或现场回答。
（1）端到端 AI Coding 应怎样实现？
从需求开始，先把目标、影响范围、约束和验收标准结构化；再检索相关代码、文档与历史变更，形成计划。执行阶段让 Agent 在受限环境中修改小范围文件，运行格式化、类型检查、测试和安全扫描；最后由 diff、测试结果和人工/自动 Review 决定是否合入。每一步都应保存输入版本、工具调用、产物、验证证据和状态，失败时回到最近安全检查点而不是把长对话继续堆下去。
延伸阅读：Coding Agent 的架构与执行循环、Agent 质量门禁。
（2）基础研发平台提供日志 MCP 时，怎样实现端到端开发？
把日志能力包装为窄工具：明确服务、时间窗、环境、trace/request ID、字段白名单和最大返回量。Agent 应先根据告警或用户现象生成假设，再按 trace 关联请求、依赖和版本，并把大日志聚合为错误率、慢调用、关键样本和可追溯链接；原始敏感字段必须脱敏且按权限过滤。
日志是证据，不是指令。工具返回内容要被标记为不可信数据，不能因日志文本中的任意内容改变权限或执行命令；诊断结论也应附证据和置信边界。
延伸阅读：MCP / A2A 智能体通信协议、Agent 可观测性与全链路 Tracing。
（3）AI Coding 的 DAG 任务状态应存在哪里？
它属于可恢复的工作流状态，而不是模型长期记忆。持久化层保存任务 ID、输入和代码版本、节点依赖、状态迁移、尝试次数、产物引用、权限/预算以及幂等键；大文件、日志和补丁只存对象引用。运行内存可缓存当前上下文，短期对话摘要可辅助推理，但都不能成为恢复任务的唯一事实来源。
状态迁移应由服务端校验，例如任务只能从已验证节点进入下一节点；并行分支通过明确的 reducer 或汇合节点合并。这样 worker 重启、模型切换或人工介入后仍能从检查点重放。
延伸阅读：Agent 状态机、Agent 状态存储。
（4）线上接口超时时，排查顺序是什么？
先确认超时发生在客户端、网关、应用、模型/工具还是数据库，并用 request ID/trace ID 划定受影响版本、区域与流量比例。查看 P50/P95/P99、连接池与队列等待、CPU/内存/GC、下游耗时和重试量；不要一开始就盯单条慢日志。随后区分偶发尖刺、容量饱和、依赖退化、死锁/阻塞和无限流式响应。
缓解措施包括合理的分层超时、取消传播、并发与队列背压、隔离慢依赖、熔断和有条件的重试。超时后的写操作需要幂等与结果查询，不能因为客户端没收到响应就断定服务器没有执行。
延伸阅读：超时、重试、Fallback 与错误处理。
（5）线上接口字段返回值修改后，怎样灰度和发布？
先采用向后兼容的演进：新增字段或新版本契约，旧字段在迁移期继续可用；消费者对未知字段忽略、对必填缺失 fail closed。对模型输出，使用版本化 Schema 与服务端校验，不能只依赖 Prompt 要求“按新格式返回”。
发布时以开关、租户或小流量分组逐步启用，监控 Schema 校验失败、空值率、业务成功率、延迟和回滚条件；在确认所有消费者迁移前不删除旧字段。契约测试与回放样本能提前发现模型/工具在字段变更后的兼容问题。
延伸阅读：工具结果校验、Agent 灰度、A/B 测试与实验隔离。
（6）Token 数量有限时，如何协调大小模型进行开发？
先根据任务风险、所需能力、上下文长度、结构化输出、数据合规、延迟和预算排除不合格模型，再在合格集合内选择质量/成本最合适的路线。小模型适合分类、抽取、格式检查和低风险草稿；大模型用于复杂规划、跨模块推理、疑难修复或小模型低置信升级。上下文先检索、摘要和裁剪，不能仅靠把任务“降给小模型”。
路由决定及其模型版本、Token、延迟、质量结果要写入 trace；有 fallback 时应重新评估约束，配合固定评测集和 Canary 验证，避免别名升级或降级悄悄改变产出。
延伸阅读：模型路由与多供应商适配、Agent Prompt 回归与 Canary。
（7）为什么派生子 Agent，它有什么作用？
子 Agent 的价值是隔离上下文、权限和失败边界，并行处理相互独立的检索、测试或审查任务；它不是为了让更多模型同时“想一想”。父任务要给出明确目标、输入快照、可用工具、预算、截止时间和返回 Schema，子任务只回传必要结论与证据。
先用任务 DAG 识别真并行，限制总并发和扇出深度；共享写操作仍由单一 owner 串行提交。对子 Agent 设置取消、超时、预算和结果校验，并记录父子关联 trace，才能识别重复工作、上下文漂移和汇总阶段的幻觉。
延伸阅读：Agent 子智能体、Agent 并发控制。