快手 AI 应用开发一面：意图澄清、评测与 MCP 故障处理
本场面试题
- 怎样介绍一个 AI 应用项目，才能说明它确实是 Agent？
- 什么是意图澄清反问？它应该何时出现？
- 怎样构建并解释意图识别的评测集和指标？
- 接入 MCP 工具时，工具契约和权限边界有哪些底线？
- MCP 调用失败时，如何避免“模型一直重试”？
- 如何反转单链表？
面经与参考答法
快手 AI 应用开发一面：意图澄清、评测与 MCP 故障处理
作者记述这是一轮约 35 分钟的 AI 应用开发一面，面试日期未披露；采集元数据中的 2026 年 8 月是发帖时间。本文只选录 Agent 定位、意图澄清/识别/评测、MCP 契约与失败处理、反转链表这 7 组技术题。未收录 IM 平台接入形态、完整问答链路、评测集具体数量和测试分工、用户量与日会话量、实验室经历、模型训练/图像分类经历、AI 学习方法、自我介绍及流程结果。以下是教学答法，不补造候选人的经历、指标或实际回答。
（1）怎样介绍一个 AI 应用项目，才能说明它确实是 Agent？
先定义用户任务、输入输出和业务边界，再说明模型在哪一步根据观察选择下一步行动，哪些部分由确定性代码控制。完整答案要包含状态如何保存、可调用工具及权限、失败如何恢复、人工何时接管，以及成功率、延迟、成本或人工处理量等结果。若系统只是固定的“检索—生成—展示”流程，应如实称为工作流或问答系统，不必强行贴 Agent 标签。
延伸阅读：Agent 架构、Agent 范式。
（2）什么是意图澄清反问？它应该何时出现？
当用户目标、对象、范围、时间或操作风险不明确，且不同解释会导致不同工具调用或结果时，系统应提出最小必要问题。例如“帮我更新报表”至少可能缺少报表、日期与修改范围。不要把低置信度直接当作澄清理由：先用上下文、默认安全值和候选意图缩小范围；只有关键信息仍缺失，才用简短选项或示例追问。
澄清回答写回结构化槽位并带来源，下一轮重新路由；用户拒绝或长期不回复时，保持只读、低风险的默认路径，不能猜测后执行副作用操作。
延伸阅读：意图澄清与槽位补全。
（3）意图识别树是什么，怎样实现意图识别？
关联知识点待核实。
先按业务动作和风险划分一级域，再逐层细化到能决定流程或权限的叶子；同层标签应互斥、命名一致，并为每个叶子定义正例、难负例、拒识条件和后续动作。入口可用规则处理高风险或明显命令，分类器/LLM 处理语义长尾，最后由置信度和槽位完整性决定直达、澄清或人工处理。
树的价值是缩小候选与让错误可定位，不是把每种措辞都造一个节点。上线后从混淆矩阵、澄清率和失败转人工样本中合并过细节点或补充边界样本。
（4）怎样构建并解释意图识别的评测集和指标？
评测集应按真实流量抽样，并独立保留新近和困难样本；覆盖同义表达、口语/错别字、多意图、上下文省略、越权请求和应拒识的输入。每个样本标注意图、必要槽位、允许操作和判定规则，开发集与盲测集分离。
除总体准确率外，报告每类 Precision、Recall、F1、拒识质量、澄清后任务成功率与高风险误路由率。类别不均衡时尤其不能只报准确率；一次把“删除”误分到“查询”的错误，通常比普通闲聊误分代价更高。
延伸阅读：Agent 评测、Agent Benchmark 的设计与解读。
（5）接入 MCP 工具时，工具契约和权限边界有哪些底线？
每个工具都应有清晰用途、输入 Schema、输出上限、超时、幂等语义和错误分类。模型提供的参数必须在服务端重新校验，候选工具先按用户权限、任务阶段和风险过滤；只读查询与有副作用操作分开授权，写操作还应要求明确确认。工具描述、版本和实际调用都要可审计，不能把服务器提供的文字注释直接当成可信权限策略。
延伸阅读：MCP / A2A 智能体通信协议、Agent 工具契约、Schema 与错误语义。
（6）MCP 调用失败时，如何避免“模型一直重试”？
先记录调用 ID、工具与版本、参数摘要、耗时和错误类别，区分参数/Schema 错误、未授权、限流、超时、暂时性上游错误和未知副作用。只对确认幂等且可能恢复的错误做有限次数指数退避；非幂等写操作在重试前必须通过幂等键或查询确认结果，避免重复扣款、重复创建。
重试耗尽后返回可解释的结构化失败，交给路由器选择替代工具、降级到只读结果或人工处理；同时设置总轮次和预算上限，阻止同一错误在 Agent 循环中放大。
延伸阅读：Agent 超时、重试与取消、Agent 失败恢复。
（7）如何反转单链表？
迭代解法维护 prev、cur 和暂存的 next：每次先保存 cur.next，再将 cur.next 指向 prev，最后整体前移。循环结束后 prev 是新头节点，时间复杂度 O(n)、额外空间 O(1)。常见错误是改写 next 前没有保存后继，从而丢失剩余链表；空链表与单节点应自然返回。
延伸阅读：链表。