• 正文
  • 相关推荐
申请入驻 产业图谱

WaLiSSH AI SSH运维Agent项目:Spring AI+Google ADK,简历写法与面试八股汇总

10分钟前
69
加入交流群
扫码加入
获取工程师必备礼包
参与热点资讯讨论

作者:小傅哥
博客:https://bugstack.cn

大家好,我是技术UP主小傅哥。

来啦,来啦,他来啦! WaLiSSH(AI SSH 运维助手) 简历模板 + 面试八股,一条龙整齐划一! —— 耗时4个月,基于 Google ADK 运行时智能体构建的 AI Agent 脚手架(DDD 架构),实现了一款 AI SSH DevOps 智能体运维系统。让不少伙伴都从传统开发,上车到了 AI Agent 开发工程师。今儿,我把相关的简历编写方式和对应的面试八股整理发给大家!

面试官,WaLiSSH 它是一款 AI SSH 服务运维/故障巡检/应用压测/日志分析 ... 的,综合智能体 DevOps 运维助手系统。全程流式可见且危险命令有拦截兜底。

项目地址:https://bugstack.cn/md/project/walissh/walissh.html - 含有完整课程目录以及课程预览,可以看看。

架构上,它由三部分组成;walissh-client 桌面客户端,由 Tauri 2 + React 19 框架实现。walissh-server 服务端,Spring Boot 3 + Spring AI + Google ADK 1.2,DDD 分层的 Agent 大脑,核心是一条 ReAct 节点链 AiCallNode → LoopDecisionNode → UserFeedbackNode 处理。之后是用于操作服务器的 SSH 连接和工具命令处理。

实现上, 意图识别级联、混合窗口上下文裁剪 + 动态提示词组装,支撑长会话不失控、四种类型长期记忆提取 + 基于 DAG 的子 Agent 编排,把复杂任务拆给专职子 Agent、前后端 SSE 全链路流式,AI 的每一步思考、命令执行、结果反馈实时呈现等。这些内容全部实现完成的,你可以以一个产品视角来深度学习。

接下来,小傅哥带着大家看看这套项目的简历是怎么写的,八股问题有哪些。文末提供了小傅哥所有 AI 实战课程的项目源码。

一、简历编写

简历模板是给大家提供的案例,不用非得完整的 CV 复制。同一套项目,不同的主观视角和场景诉求,是完全可以写出不同的版本效果的。而且你所有编写的内容,都是以为你面试时所想陈述的视角来构造的。

所以,你可以把下面这些模板内容,以及结合工程代码作为你的简历编写素材,按照你的诉求进行提炼使用。注意,你所讲的话就是事实,也是面试时候的提问入口点(聪明的死鬼,还在会这里埋入一些钩子)。

描述的时候,可以适当的引入一些技术、术语、框架,来给内容做一些包装来讲。

1. AI SSH 智能运维助手 - 投后端/Agent 开发通用

项目名称:WaLiSSH——AI SSH 智能运维助手(服务端 + 桌面客户端)简要介绍:用户以自然语言下达运维指令,Agent 自主规划并在 SSH 终端安全执行,流式输出推理过程与执行结果。核心技术:Spring Boot 3 | Spring AI | Google ADK 1.2 | MyBatis/MySQL | SSE | Tauri 2 + React 19 + xterm.js

架构设计:采用 DDD 六边形架构(api/case/domain/infrastructure/trigger 五层业务模块 + types 独立类型模块)实现依赖反转,意图识别、上下文管理、动态提示词、长期记忆均建模为独立领域服务,支撑单测与组件替换。

ReAct 执行链路:构建 AiCallNode→ToolCallNode→LoopDecisionNode→UserFeedbackNode 节点链实现推理-行动-观察循环;SSE 流式推送由独立异步线程驱动(15s 心跳保活),tool_call/tool_result 事件实时推送工具调用轨迹,前端可观测 Agent 执行过程。

意图识别级联:规则(<1ms,置信度≥0.8 采信)+LLM(100~500ms,≥0.5 采信)三级级联,高频指令由规则层直接命中,LLM 调用降为疑难才调;配套失败反馈重分类回路与 LRU 缓存(200 条/5 分钟)。

上下文工程:实现混合裁剪器(重要性保留+时效窗口补充+完整消息组保底),保证 user/tool 消息配对完整;动态提示词以"用户消息后缀"注入环境快照,保护 system 前缀 KV-Cache 命中率。

多 Agent 编排:把 Agent 作为 Tool 使用,基于 DAG 的动态编排器,每轮调度就绪任务并发执行、Semaphore 限流;单任务失败不中断整体,下游依赖级联 SKIPPED,支持 failFast 与死锁检测。

安全兜底:危险命令正则拦截(rm -rf、dd、mkfs 等),命中即拒绝执行并返回人工操作提示;SSH 凭据加密落库(AES-GCM),凭据永不进入模型上下文。

桌面客户端:Tauri 2 + React 19 构建跨平台客户端,xterm.js WebGL 真终端与 AI 对话面板联动,Agent 可直接操作用户当前终端会话。

2. 线上智能巡检系统 - 投运维平台/SRE/稳定性方向

项目名称:WaLiSSH——线上智能巡检 Agent 平台简要介绍:把"每天人工登 20 台机器看一圈"变成一句话:Agent 按维度拆解巡检计划,多 Agent 并行执行检查项,输出结构化巡检报告并沉淀环境基线。核心技术:Spring Boot 3 | Google ADK 1.2 | DAG 任务编排 | SSE | 长期记忆(MySQL/MyBatis)

巡检任务编排:基于 DAG 的任务编排器将巡检计划(CPU/内存/磁盘/服务存活/端口探活等检查项)按依赖关系调度,互不依赖的检查项经 Semaphore 限流并发执行;单检查项失败不中断巡检,结果按任务状态机(PENDING/COMPLETED/FAILED/SKIPPED)完整留痕。

子 Agent 并行巡检:子 Agent 派发服务以独立 Runner 隔离上下文,每个子 Agent 专注单一检查维度;指数退避重试(2^n 封顶 30s)应对瞬时网络抖动,巡检全程经 ThreadLocal 透传 SSH 终端会话,保证操作环境一致。

环境基线记忆:长期记忆服务自动从巡检输出提取环境事实与软件版本(OS 发行版、Redis/NGINX 版本等四类结构化记忆,sha1 key 幂等去重),作为后续巡检的对比基线——"这次磁盘 85%,上次巡检还是 60%"的环比结论由记忆召回支撑。

里程碑追踪与断点续跑:巡检进度以里程碑落库(ChatMilestone,内存+DB 双写),巡检中断后恢复时模型无需重读全部历史即知"查到哪了",支持继续执行而非从头重跑。

报告汇总与流式输出:巡检结果经 SSE 流式推送(异步线程驱动,tool_call/tool_result 事件实时展示当前检查项),全部完成后由汇总 Agent 输出结构化巡检报告与风险项。

执行安全:巡检以只读命令为主,工具层危险命令正则拦截 + 高危操作人工确认双保险,杜绝巡检误操作。

3. 日志分析 - 投可观测/排障/DevOps 方向

项目名称:WaLiSSH——智能日志分析与根因定位 Agent简要介绍:把报错日志、配置文件拖进对话框,Agent 自动上服务器查关联上下文、跨日志源交叉检索、给出根因假设并验证。核心技术:Spring Boot 3 | Spring AI | SFTP/SSH 双通道 | 上下文裁剪 | 两阶段记忆召回 | SSE

多源信息接入:用户可把报错日志、配置文件内容直接粘进对话框,Agent 亦可自主 tail/grep 服务器日志与配置,交叉验证故障线索。

大文件上下文治理:针对日志文件动辄数百 MB 的场景,工具层输出截断/摘要后再入上下文,配合混合裁剪器(重要性保留+时效窗口补充)控制 token 预算——关键错误堆栈不丢、无关 INFO 刷屏不进。

故障案例记忆:长期记忆自动沉淀 TROUBLESHOOTING_CASE(工具失败/分析结论触发提取,偏好类记忆置信度 0.85,sha1 key 幂等去重),同类故障复发时粗筛(拉最近 120 条)+精排(关键词重叠打分)两阶段召回历史案例,实现"上次 502 是 upstream 超时,这次先查 upstream"的经验复用。

意图路由:故障类请求由规则层直接命中(<1ms)走排障链路,模糊请求由 LLM 层分类;工具执行失败触发反馈重分类(最多一次),排障路径可自纠偏。

根因验证闭环:ReAct 循环中 Agent 提出根因假设→执行验证命令→观察结果→修正假设,LoopDecisionNode 控制验证轮次上限防死循环;结论回写里程碑供人工复核。

安全边界:只读分析命令与变更命令分级,变更类操作(重启服务/改配置)强制人工确认后执行。

4. 智能压测 - 投性能工程/中间件方向

项目名称:WaLiSSH——智能压测与性能诊断 Agent简要介绍:一句话发起压测:Agent 拆解为"压测执行→指标采集→瓶颈分析→优化建议"四阶段计划,多 Agent 并行执行并汇总诊断报告。核心技术:Spring Boot 3 | Google ADK 1.2 | Plan-and-Execute | 多 Agent 编排(DAG+Semaphore) | SSE

Plan-and-Execute 编排:规划阶段将压测任务拆为带依赖关系的 DAG(压测执行与指标采集并行、瓶颈分析依赖两者完成),编排器逐轮调度就绪任务、Semaphore 限流并发,failFast 开关控制失败时是否继续。

多 Agent 分工:压测执行、指标采集、瓶颈分析等子 Agent 各司其职(驱动 wrk/ab/jmeter 等既有压测工具与 top/vmstat/jstat 等观测命令),派发经子 Agent 名称白名单校验,缩小模型选择空间降低误调用。

执行环境一致:父子 Agent 经 InheritableThreadLocal 透传同一 SSH 终端会话,压测机与被观测机环境绑定不漂移。

结果可信:汇总 Agent 对各子 Agent 返回做结构化汇聚(状态+结果而非全文转发),避免多 Agent 文本往返的 token 膨胀与信息失真;诊断结论附执行轨迹(tool_call/tool_result 事件全程留痕)可回溯。

优化建议沉淀:诊断结论写入长期记忆故障案例库,下次同服务压测时自动召回历史基线对比。

5. 故障应急排查版 - 投稳定性/应急响应方向

项目名称:WaLiSSH——线上故障应急排查 Agent简要介绍:告警触发后一句话描述现象,Agent 按预案思路逐项排查(进程→端口→日志→依赖),期间危险操作全部拦截,给出结论与恢复建议。核心技术:Spring Boot 3 | 意图识别级联(规则+LLM) | ReAct | SSE | 长期记忆(故障案例库)

应急意图路由:意图级联(规则 <1ms 置信度≥0.8 采信 + LLM 100~500ms 置信度≥0.5 采信)将"redis 是不是挂了"这类口语化告警描述路由到排障链路;低置信度不硬选,携带候选意图交主模型参考,UNKNOWN 全交主模型兜底——分错不致命,漏查才致命。

排查链路自纠偏:工具执行失败且结果像意图走偏时触发重分类(最多一次防循环);连续失败≥2 次跳过规则层直接 LLM 兜底(门槛放宽至 0.3),保证应急场景不因分类卡死。

执行安全兜底:排查中命中重启/回滚等高危命令时,工具层直接拦截拒绝执行并提示人工操作,避免 Agent 自主做出不可逆变更;派发子 Agent 非幂等写任务保持重试次数为 0,由主 Agent 拿到失败原因后自行决策,防止并发重试触发双重操作。

现场保全:排查全程工具调用轨迹经 SSE tool_call/tool_result 事件实时留痕,事后可完整复盘 Agent 执行过哪些命令、看过哪些日志,满足故障复盘的取证需求。

案例沉淀:故障结论自动写入 TROUBLESHOOTING_CASE 记忆(sha1 key 去重),形成团队级应急预案知识库。

6. 多机集群运维版 - 投基础设施/云平台方向

项目名称:WaLiSSH——多机集群批量运维 Agent简要介绍:面对一组服务器(Redis 集群、K8s 节点池),Agent 规划"逐台执行+逐台验证"的批量任务,并行下发、汇总差异、失败机器单独标记。核心技术:Spring Boot 3 | DAG 批量编排 | ThreadLocal 会话绑定 | 指数退避重试 | 凭据加密

批量任务编排:以 DAG 描述批量变更(如集群扩容:逐节点安装→配置→启动→健康检查),编排器按依赖逐轮调度、并行执行互不依赖的节点任务;单节点失败级联跳过其下游步骤并保留其他节点继续,failFast 可选。

会话环境绑定:每个节点任务经 InheritableThreadLocal 绑定对应 SSH 终端会话,多节点并行操作时环境上下文不串——这是多机并发正确性的关键设计。

执行隔离与重试:子 Agent 独立 Runner 上下文隔离,节点级指数退避重试(封顶 30s);死锁检测保证依赖环异常时提前退出并报告。

差异汇总:汇总阶段输出各节点执行状态与结果差异(成功/失败/跳过清单),支持失败节点定点重跑。

安全管控:集群级变更属高危操作,危险命令正则拦截 + 逐批人工确认;凭据加密存储,模型上下文只含连接引用。

如果你不局限于 WaLiSSH 课程版,又做了很多的二开扩展。如结合 Arthas 组件、ELK 组件、桥接、跳板机或者延伸到 MySQL、Redis、ES 等,那么你的内容还会更加丰富。

二、面试问题

使用说明:每道题先背「回答要点」骨架,再落到「结合项目」——最后这节是你区别于背书选手的杀招。全部内容锚定 walissh-server 真实源码(类名均可直接在工程中找到),面试被追问任何一条都有代码兜底。

2.1 基础概念

Q1:什么是 AI Agent?和 ChatBot / Workflow 有什么区别?

ChatBot 一问一答无状态;Workflow 是人写死的控制流,LLM 只在节点内被调用;Agent 是以 LLM 为决策核心的循环系统,模型自己决定调哪个工具、要不要继续、何时结束(感知/规划/记忆/工具四要素)。

经典定义(Anthropic):Workflow 是代码编排 LLM,Agent 是 LLM 编排代码。

结合项目:WaLiSSH 涵盖两个设计思维 —— ReAct 主链路(AiCallNode → LoopDecisionNode → UserFeedbackNode)是 Agent,模型自主决策;Armory 装配阶段的 SequentialAgentNode/ParallelAgentNode/LoopAgentNode 是 Workflow,装配期结构固定、运行期决策交给模型。

一句话:「Agent 管运行时智能决策,Workflow 管编译期结构保障」。

Q2:什么是 Google ADK?为什么用它?

ADK 是 Google 开源的 Agent 开发框架:BaseAgent + Runner(驱动执行产出事件流)+ FunctionTool(@Schema 注解自动生成 Function Calling 协议)+ 三大多 Agent 编排原语(Sequential/Parallel/Loop)。

分工而非二选一:Spring AI 负责 OpenAI 兼容协议对接与 MCP 客户端;ADK 负责多 Agent 运行时(CustomRunnerFactory 创建 Runner、FunctionTool.create 包装 SSH 工具、SubAgentDispatchService 派发子 Agent)。

ADK 的优势:

①事件驱动——Runner 产出的事件流天然就是 SSE 推流的原料,ReAct 每步推理/行动/观察直接透传到前端,不用自己造流式协议;

②工具协议零手工——@Schema 声明即 Function Calling,SSH 工具加字段不用改提示词模板;

③编排是框架原语而非自研状态机——Sequential/Parallel/Loop 开箱即用,DAG 调度只需在其上做装配层翻译;

④Google 官方出品,与 Gemini 系模型协议演进同步,不担心 Protocol 更新脱节。

为什么这个场景适合 ADK 而不是别的框架:

WaLiSSH 的核心诉求是「用户在界面上自助装配 Agent + 多 Agent 编排 + 服务端流式输出」,本质在不只是运行在桌面端,而是可以远程服务器端配置允许多租户使用。那么 Java 语言,以及选择 Java 语言下的 Agent 框架更为合适。在这个选择下,Googlg ADK 是满足「官方 Java 版 + 多 Agent 编排原语 + 事件流架构 + 可编程嵌入(而非托管平台)」的选项——它是框架不是平台,能以库的形态长进 Spring Boot 应用里,非常方便Java 类应用使用。

Q3:介绍项目架构,为什么用 DDD?

七个 Maven 模块:api(接口定义+DTO)/ app(启动配置)/ case(用例编排:ReAct 节点链)/ domain(领域层,最重)/ infrastructure(DAO/仓储实现/PasswordEncryptor)/ trigger(HTTP 入口)/ types(通用类型)。依赖方向指向领域层,基础设施经 adapter/repository 接口反转注入。特色:意图识别、上下文管理、动态提示词、长期记忆都建模为

独立领域服务

    而非工具类——它们是有状态、有策略、可独立演化的领域逻辑;高内聚,低耦合,模型分层。这正是 DDD 适配 Agent 项目的理由。

Q4:用户发一句话到收到回答,链路怎么走?

系统里,AgentServiceController 接收 ChatRequestDTO(agentId/userId/sessionId/terminalSessionId);

case 层 AIAgentReActServiceCase.chatStream 创建 SSE emitter(3 分钟超时),节点链在独立守护线程异步执行,不阻塞 HTTP;

AiCallNode:意图识别(规则→LLM 级联)标签注入 Prompt → HybridReducer 裁剪历史 → DynamicPromptBuilder 把环境快照/最近命令/里程碑拼进用户消息后缀;

模型产出回复或工具调用 → ToolCallNode 执行 SSH 工具(危险命令拦截、终端会话绑定)→ LoopDecisionNode 终止判定 → UserFeedbackNode 收口(组装结果、清理资源);

旁路:执行失败触发意图反馈重分类;工具输出进入长期记忆提取。

加分点:「流式由异步线程驱动,tool_call/tool_result 事件实时推送工具轨迹给前端」。

2.2 ReAct 与工具调用

Q1:ReAct 和 Function Calling 什么关系?

    • Function Calling 是模型层的结构化输出能力(按 schema 生成 JSON);ReAct 是推理-行动-观察的循环范式。

FC 是 ReAct 中 "Act" 这步的现代化实现。单步任务不需要循环,强确定性流程用 Workflow。

结合项目:节点链即循环——AiCallNode(推理)→ ToolCallNode(行动)→ LoopDecisionNode(观察+终止判定);工具侧 SshExecuteAdkTool 用 ADK @Schema 声明参数,框架自动完成协议转换(这部分节点主要用于上下文、富化消息、提示词等处理,最终会由 ADK 管理 ReAct)。

Q2:工具调用怎么实现的?

    工具三要素:name(动词+宾语)、description(何时必须调用/何时不要/返回什么——质量直接决定调用准确性)、parameters(JSON Schema)。封装清单:参数校验、超时、异常分类、结果截断、脱敏。

结合项目:环境上下文由系统注入而非模型决定——InheritableThreadLocal 绑定 terminalSessionId,工具由此知道操作哪台服务器。追问「为什么不用参数传」:参数由模型生成,不能让模型决定连哪台机器,这既是安全也是正确性。工具输出统一 truncateToolResponse(4000) 截断后再入上下文。

Q3:工具调用失败怎么处理?

      • 分类:参数错误→报错回喂让模型自修;超时→降级返回结构化错误;幻觉调用→白名单拒绝。核心理念:

    工具报错也是给模型看的上下文

      。

结合项目三层:①SubAgentDispatchService 指数退避重试(2^n 秒封顶 30s);②DynamicAgentOrchestrator 单任务失败只置 FAILED 不中断整体,下游级联 SKIPPED,failFast 可选;③IntentService.reportFeedback——工具失败且置信度<0.7 且结果像意图走偏时触发重分类(最多一次),把失败升级为「修正上游决策」的信号。

Q4:死循环/无限调用工具怎么办?

      • 硬性轮次上限 + 失败计数熔断 + 把剩余轮次注入提示词。结合项目:

    LoopDecisionNode

       四类终止判定(max_steps / max_tool_calls / finish 指令 / error),意图重分类最多一次防循环,连续失败 ≥2 次跳过规则层直接 LLM 兜底。

Q5:危险命令怎么拦截?用户诱导删库怎么办?(SSH 场景必答题)

结合项目:SshExecuteAdkTool.DANGEROUS_PATTERN 正则拦截 rm -rf /、dd if=、mkfs.、fork 炸弹 :(){ }、写裸设备 > /dev/sd、chmod -R 777 /(大小写不敏感),命中直接拒绝执行并返回提示引导人工操作;终端会话由 InheritableThreadLocal 系统注入,模型无法被诱导切换目标机器。可主动讲演进方向:拒绝是确定性底线,更完善方案是高危命令「挂起等确认后放行」,需额外解决状态持久化与幂等。

注意这部分可以设计多层拦截 + 用户授权操作。也可以控制可操作写、更、删,的执行文件夹范围。

Q6:意图识别分错了怎么办?

结合项目(IntentService 级联):规则层(<1ms,置信度≥0.8 采信)→ LLM 层(100~500ms,≥0.5 采信否则回退规则)→ 反馈回路(失败触发重分类最多一次);低置信度不硬选、带候选意图交主模型;UNKNOWN = 放弃分类全交主模型;LRU 缓存(200 条/5 分钟)+ 连续失败≥2 跳过规则层(门槛放宽 0.3)。回答「能否挽回」:能——分类结果只是提示词里的先验标签,主模型每轮仍看完整上下文,误分类是可修正状态而非终态。

2.3 上下文与记忆

Q1:上下文太长怎么办?

滑动窗口裁剪 → 重要性裁剪 → 摘要压缩 → 结构化提取 → RAG 外挂。

结合项目(招牌设计):HybridReducer 组合策略——PriorityReducer 主保留集合(关键错误/路径/工具链)∪ SlidingWindowReducer 近期补充 ∪ 最近 2 个完整消息组保底。三个设计动机:重要性、时效性、消息配对完整性(user/tool 消息必须成组裁剪,否则协议不合法)。追问「几百 MB 日志怎么办」:工具层截断/摘要后再入上下文 + 裁剪器兜底,不塞全文。

Q2:动态提示词是什么?

结合项目(DynamicPromptBuilder):环境快照、最近命令、里程碑事件动态注入。关键选型——用 buildMessageSuffix(用户消息后缀)而非改 system instruction,理由是 system 前缀稳定可命中 KV Cache 前缀缓存,改 system 每轮缓存全失效。里程碑(MilestoneTracker + ChatMilestonePO 落库)让模型跨轮不重读历史即知「做到哪了」。

Q3:长期记忆怎么设计?(8 大高频之一)

结合项目(LongTermMemoryService,四类结构化记忆自动提取):

类型 触发 key 策略 置信度
USER_PREFERENCE 用户消息含「以后/默认/记住」 sha1("pref:"+内容) 0.85
ENVIRONMENT_FACT 工具输出匹配 OS 关键词 "os:ubuntu" 0.70
SOFTWARE_FACT 工具输出匹配版本模式 "redis:version" 0.78~0.82
TROUBLESHOOTING_CASE 工具失败/助手含「结论、原因」 sha1 0.68~0.72

召回:粗筛(DB 拉最近 120 条)+ 精排(关键词重叠×2,偏好类加权 +1)两阶段;

去重靠 key 策略天然幂等。

杀招答点:为什么不用向量库?

运维关键词(nginx/redis/502)天然高区分度,纯 MySQL + 关键词打分够用——零外部依赖零成本。「该用时用,不该用时不炫技」比「我用了向量库」更好。

对于长期记忆,视频课程里提到,可以设计的方式蛮多的。数据库、redis、本地文件、rag、llm-wiki 都是可以的。像是数据库,就是会更准,要啥拿啥。rag、llm-wiki 属于匹配算法,覆盖有关联度的。

Q4:RAG 了解吗?你的项目为什么没做?

标准链路两阶段:离线(解析→切块→Embedding→索引)+ 在线(query 改写→召回→Rerank→拼 Prompt→引用溯源)。朴素 RAG 失败模式:召回不准→混合检索、语义≠相似→BM25 兜底、上下文割裂→结构感知切片、噪音大→Rerank 只送 Top-5~8。

结合项目:WaLiSSH 的「知识」是结构化环境事实与故障案例,记忆服务两阶段召回就是粗筛扩量+精排收口思想的同构落地;扩展路径已预留——ILongTermMemoryRepository 仓储抽象使向量方案替换不侵入领域层。

如果你还做了 WaLiAPI 项目,可以把这部分基础的东西,放到里面去讲。llm 网关、rag、llm-wiki,+ mcp 结合 skills 让各个 Agent 智能体可以使用。

2.4 多 Agent 与编排

Q1:多 Agent 怎么设计?什么时候不该拆?

    • 三种编排模式:中心化 router / 流水线 Sequential / 并行 Parallel。

不该拆的信号:单 Agent + 工具列表能解决就别拆——多 Agent 带来上下文同步、错误传播、调试复杂度的代价。

结合项目两条路径:①装配期 SequentialAgentNode/ParallelAgentNode/LoopAgentNode 把配置编译成 ADK 编排原语;②运行期 DynamicAgentOrchestrator 按 DAG 依赖调度——每轮筛「依赖均 COMPLETED」的 PENDING 任务并发提交,Semaphore 限流;失败级联 SKIPPED;failFast 可选;一轮无状态变化即死锁提前退出(PlanValidator 三色 DFS 环检测前置兜底)。追问「调度器单点瓶颈」:编排器是无状态纯调度逻辑,瓶颈在下游模型并发,用 Semaphore+线程池参数控制。

Q2:为什么用多 Agent?

    • ①上下文隔离(子 Agent 不背父会话全部历史);②工具分组缩小模型选择空间;③并行执行互不依赖任务。代价:结果汇总要截断/摘要、调试链路变长。

简单请求走单 Agent ReAct,复杂任务才升级动态编排——按需升降级是成熟设计的标志。

Q3:Agent 装配(Armory)是什么? - 如果你在介绍项目的时候提到了装配(埋钩子),是有可能会问的。

    • Armory = 把用户界面配置的 Agent(选模型/写提示词/挑工具/连 MCP)

编译成可运行的 ADK 实例:一条装配节点链,每类节点负责一种原料,产物由 AgentCatalog 统一编目。

类比:Agent 装配之于 Agent,如 ORM 元数据映射之于数据库访问——配置变运行时对象,产品侧自助调整无需发版。

2.5 工程落地与安全

Q1:执行流程怎么暂停/恢复?

关键认知:HTTP 请求生命周期 ≠ Agent 执行生命周期,状态必须外置持久化。

结合项目:对话状态落 ChatSessionPO/ChatMessagePO,任务进度落 ChatMilestonePO(MilestoneTracker 检测关键事件经 saveMilestone 持久化),恢复时模型靠里程碑即知进度。当前工程对高危命令是直接拦截拒绝;确认类操作的完整方案(确认状态落库+幂等键防重)可作为演进方向讲。

Q2:MCP 是什么?项目里怎么用?

MCP 是 Anthropic 开放的工具接入标准协议(stdio/SSE/Streamable HTTP),让工具提供方与 Agent 宿主解耦、热插拔无需发版。

结合项目:DefaultMcpClientFactory 在装配期创建 MCP 客户端,把外部 MCP Server 的工具翻译成 ADK 工具挂载——对模型来说 MCP 工具与内建工具无差别,都是 Function Calling。

能力两层:内建 SSH 工具(@Schema)+ 外挂 MCP 工具(协议发现)。

AI MCP Gateway 对于这部分还有专门的深度讲解,也可以后续补充学习。这样对于此类问题会回答的更加深入。

Q3:SSE 流式怎么实现?断线了怎么办?

结合项目:ResponseBodyEmitter + 节点链独立守护线程异步执行,HTTP 线程立即返回;trigger 层 MVP 链路 10 分钟超时 + 15s 心跳注释行防代理断连;事件模型 text/tool_call/tool_result/done/error(ReActEventDTO 承载)。

工程坑可作经验谈:流式被强断后 Agent 可能滞留执行态(需超时+终态校验)、事件可能重复推送(展示层去重)。断线恢复靠会话/里程碑持久化,任务状态不因连接断开丢失。

Q4:Agent 效果怎么评估?

两条线:结果评估(完成率/人工抽检/LLM-as-judge,主动讲 judge 偏差)+ 轨迹评估(工具调用是否多余、路径是否最短)。

结合项目四个天然锚点:①意图分类命中率(规则命中 vs 回落 LLM 比例);②工具执行成功率与重试分布;③每任务平均 ReAct 轮数;④运维金标准——命令执行后系统状态是否符合预期,比文本评估客观。

有一套评测技能,可以安装后对 Agent 进行评测。https://t.zsxq.com/MEntg

Q5:凭据这类敏感信息怎么处理?

结合项目:infrastructure 层独立 PasswordEncryptor(AES-GCM)加密落库,不落明文;设计原则——凭据永不进入模型上下文,工具只持有连接 ID/会话 ID 引用,真实凭据只在服务端执行时解密使用。这是「工具最小暴露面」原则的实例。

2.6 高频补充

Q1:Agent 有哪几种设计模式?

      • 五大模式:ReAct / Plan-and-Execute / 单智能体+工具 / Multi-Agent / RAG。结合项目落地了前四种且

    按请求复杂度自动升降级

      • :简单问题单 Agent 一轮搞定,复杂任务升级为

    DynamicAgentOrchestrator

      的 DAG 编排(先规划后执行的 Plan-and-Execute)。

Q2:Tool / MCP / Skill / Workflow 边界?

Tool 管执行(原子能力)、MCP 管接入(标准协议)、Skill 管知道怎么做(知识+流程打包,prompt 层渐进式加载)、Workflow 管流程(人写死控制流)。

Q3:多 Agent 为什么 Token 开销大?怎么优化?

因:Agent 间传文本,反复「状态→文本→状态」转换费 token 又失真。

结合项目:SubAgentDispatchService 结果以结构化 Map(status/result)回写 DynamicTask,编排器汇总任务状态而非全文对话;

子 Agent 独立 Runner 天然上下文隔离,只透传 InheritableThreadLocal 终端会话这个必要执行环境。

Q4:多 Agent 重复执行/死循环/冲突怎么办?

    任务状态机(PENDING→COMPLETED/FAILED/SKIPPED)+ 依赖检查,已终态任务不再调度;DAG 每轮必须有状态变化否则死锁退出;单任务 maxRetries+指数退避封顶 30s;多 Agent 共享同一 SSH 终端会话(InheritableThreadLocal),命令串行不并发写同一状态。

2.7 LLM 基础与 RAG

Q1:对 LLM 的本质认知?

    四个钉死认知:①概率生成器不是数据库(生成「最像样的」而非「最真实的」);②知识冻结(训练日即冻结);③幻觉根因(优化流畅度而非真实性);④无记忆(多轮全靠应用层塞 messages)。

杀招句:「大模型在 Java 世界里就是另一个第三方 REST 服务——特别慢、特别贵、还偶尔胡说八道。所以 WaLiSSH 像治理不可靠依赖一样治理它:意图级联降调用、LRU 缓存、SSE 超时控制、失败反馈兜底。」分工原则:事实查库/工具,流程走接口,表达才给 LLM——服务器状态永远来自 SSH 真实执行结果,不让模型背状态。

Q2:KV Cache 是什么?为什么不缓存 Q?

先说 Q/K/V 是什么(自注意力机制里,每个 token 的向量会投影成三份):Q(Query,查询向量)=「我在找什么」;K(Key,键向量)=「我能提供什么特征」;V(Value,值向量)=「我实际携带的内容」。

Attention 的计算就是:当前 token 拿自己的 Q,与前面所有 token 的 K 做点积算相关性权重,再按权重加权求和对方的 V。为什么只缓存 K/V:生成第 n 个 token 时,需要它自己这份 Q 去和「前 n-1 个 token 的 K、V」做注意力——前 n-1 个 token 的 K/V 会被后面每一步反复使用,所以必须缓存避免重算;而前面 token 的 Q 只在自己出生那一步用过一次,之后永远不会再参与计算,缓存了也是死数据,纯浪费显存。

结合项目:动态提示词放用户消息后缀保 system 前缀 KV Cache 命中——一个提示词位置选型落到硬件原理上,是八股连项目的示范答法。

Q3:向量/Embedding/余弦相似度?

关键词匹配字、向量匹配意(like '%car%' 匹配不到 automobile);余弦只看方向不看模长所以文本默认余弦;三个必背关系:归一化后余弦==内积、余弦越大⇔L2 越小(排序等价)、排序等价≠阈值通用。

工程认知:入库查询必须同模型(换模型=全量重建);相似≠相关(要混合检索+Rerank 补)。

Q4:RAG 完整链路与关键决策?

离线:解析→切块(500~1000 token、10~20% 重叠、结构感知、父子块)→Embedding→索引;在线:改写→召回→RRF 融合(score=Σ1/(k+rank),不归一化两量纲)→Rerank(Cross-Encoder 准但慢,只精排 Top-50 取 5~8)→生成约束(仅依据资料回答+强制引用)。

分水岭认知:RAG 瓶颈在检索不在生成。

Q5:上下文窗口都 1M 了还要 RAG 吗?

三个理由:成本延迟、Lost in the Middle 注意力衰减、实时性与权限过滤。

正确姿势:RAG 负责从海量里精准找,长上下文负责精读推理,互补不替代。

结合项目:会话内叫裁剪(HybridReducer),会话间叫记忆,企业级叫 RAG——同一套思想。

Q6:为什么不微调?

    LoRA 一句话:冻结原模型,插低秩矩阵 A(d×r)、B(r×d)(r≪d)只训小矩阵——微调权重变化量天然低秩。结合项目三个理由:运维域标注数据少、提示词可即时迭代、OpenAI 兼容协议下云端/本地开源模型(vLLM/Ollama)随时切换。「能力不够先调提示词和上下文工程,最后才微调」——应用工程师的正确优先级。

其实发展到现在已经不咋说微调了,好的模型,不需要你微调啥,主要就是 skills、mcp、提示词这些内容的使用,以及 plugin 插件的开发。

2.8 框架选型与串讲

Q1:Spring AI vs LangChain4j?为什么选 Spring AI?

LangChain4j 偏 AI 应用框架(抽象重、全家桶);Spring AI 偏 Spring 生态的 AI 基建(starter 零装配、内置 MCP 支持)。选型三段论:①Spring Boot 3 项目 starter 接入零成本;②MCP 客户端直接用 Spring AI 能力;③Spring AI 不做多 Agent 运行时所以引入 ADK 补位——Spring AI 管模型接入与协议,ADK 管多 Agent 编排,各取所长。

Q2:对比过其他框架吗?为什么选 ADK?

框架光谱:裸写 → LangChain4j AiServices/Spring AI ChatClient(单 Agent)→ LangGraph(Python 状态图)→ Google ADK(Java 多 Agent 运行时)→ Coze/Dify(低代码)。选 ADK 四理由:官方 Java 版、@Schema 声明式工具、Runner 事件流天然对接 SSE、三编排原语直接映射装配节点。

Q3:Coze/Dify 低代码和自研的边界?

    平台快但深度定制受限;WaLiSSH 的安全模型(危险命令拦截、终端会话绑定)必须植入执行流每一环,平台做不到侵入式控制。标准知识库问答场景则可评估 Dify——自研与平台不对立,按场景选。

Q4:把 LLM/RAG/Agent/MCP 串起来讲

一句话隐喻:LLM 是发动机,Embedding 是坐标系,向量库是索引卡,RAG 是外挂资料室,Tool 是手脚,MCP 是 USB-C,Skill 是岗位手册,Agent 是会自己拆任务、干完还会复盘的数字员工。

五层架构:模型层(买的)→上下文层→能力层→编排层→工程治理层(自研护城河——招 Java 工程师而不是算法的原因)。

用 WaLiSSH 逐层指认:Spring AI OpenAiApi → HybridReducer+LongTermMemoryService → SshExecuteAdkTool+DefaultMcpClientFactory → ReAct 节点链+DAG 调度 → 意图级联降本/危险命令拦截/凭据加密/轨迹留痕。

三、面试材料

为了让小伙伴们更加方便的背题面试,小傅哥这里又给大家准备好了对应的八股地图(结合工程源码,核心流程,以及面试的内容)和一套简历 PDF 模板,方便大家拿去使用。—— 这东西真的花费太多精力,玩命肝!

在 walissh-server 工程的 master 主分支,可以更新后使用。

1. 八股地图

    • 位置:我把八股地图放到了工程下

walissh-server/docs/notes/八股地图

     下面,一个 html 文件,你可以点击打开。说明:左侧是工程,中间是流程图/时序图,右侧是对应的八股问题。这对需要速刷的伙伴太有用了,可以快速把一个项目背下来。

2. 简历模板

    • 位置:我把八股地图放到了工程下

walissh-server/docs/notes/简历模板

     下面,一个 html 文件,你可以点击打开。说明:基于项目信息,小傅哥这里提供了一些 pdf 简历模板,可以参考使用。

 

关注公众号「bugstack虫洞栈」回复「星球」获得限量优惠券🧧!

相关推荐

作者小傅哥多年从事一线互联网Java开发,从19年开始编写工作和学习历程的技术汇总,旨在为大家提供一个较清晰详细的核心技能学习文档。如果本文能为您提供帮助,请给予支持(关注、点赞、分享)!