解读

在国内 Agent 落地场景里，面试官真正想考察的是：

1. 你能否把用户一句口语化需求（如“帮我搞定下周的出差”）转化为可计算、可验证、可回滚的细粒度动作序列；
2. 你能否在中文语境下处理“搞定”“安排”“协调”这类高歧义动词，而不依赖英文开源数据集的现成模板；
3. 你能否给出可工程化的拆解 pipeline，让感知、决策、行动三段都能拿到确定输入，从而支持后续强化学习、安全对齐与可解释性。

一句话：把“模糊动词”变成“机器能签收的任务单”。

知识点

1. 中文模糊动词分类体系（认知层、操作层、社交层）
2. 事理图谱与动词框架（如哈工大 LTP 的“谓词-论元”结构、百度 Event-Graph）
3. Prompt 逆向模板化（先让大模型生成“可能的意思”，再用规则做一致性剪枝）
4. 安全对齐检查点：动词拆解必须过敏感动作白名单与合规 API 黑名单双重过滤
5. 可解释性输出格式：每条子动作必须附带可追溯的 JSON-L 证据链（原始文本→分词→依存路径→图谱子图→API 签名）

答案

给面试官一个可落地的五步打法，全程用中文原生工具链，不依赖英文 SOTA：

第一步：触发词定位
用轻量级 BERT-CRF 序列标注（如 Chinese-BERT-wwm + 自建 1.2 万条口语动词标注）把“搞定”“处理”“安排”高亮出来，召回率优先，允许误召。

第二步：动词语境向量化
把动词前后 512 token 喂给中文 DeBERTa 对比学习模型，输出 768 维向量；同时用哈工大 LTP 抽取核心论元（施事、受事、时间、地点），得到结构化四元组。向量+结构一起作为下游拆解模型的输入，解决“一词多义”。

第三步：候选子动作枚举
基于阿里 OpenSPG 事理图谱离线挖掘的“动词→子事件”概率表，把“搞定出差”先展开成“订机票、订酒店、填出差申请、预约接送机”等 12 条候选子动作，每条带 P(子动作|动词) 先验概率。

第四步：安全与业务规则剪枝

1. 过公司敏感动作白名单：如“订机票”需要员工等级≥P3、预算≤8000 元；
2. 过合规 API 黑名单：如“第三方抢票插件”直接删除；
3. 用强化学习策略网络（PPO+中文 RoBERTa）对剩余子动作打分，奖励函数 = 完成率×用户满意度×合规系数，输出 Top-k 可执行子动作。

第五步：可解释性回包
把最终子动作序列包装成JSON-L 证据链返回给前端，包含：

• raw_text：原始模糊动词
• verb_span：动词在句中的起止位置
• sub_actions：数组，每个元素含 api_name、params、confidence、policy_rule_id
• graph_path：事理图谱子图路径，方便审计人员点选查看

示例回答结尾补一句：“该 pipeline 已在公司差旅 Agent 上线，把‘搞定出差’的平均解析耗时从 2.1 s 降到 380 ms，用户二次澄清率下降 42%。”用数据收尾，面试官会立即体感落地价值。

拓展思考

1. 多轮对话下的动词漂移：当用户说“算了，酒店我自己订”时，如何增量剪枝已生成的子动作而不重跑全链路？可引入版本化 DAG 任务图，支持局部回滚。
2. 小样本新动词快速冷启动：遇到网络黑话“整个狠活”，没有标注数据。可用对比学习 + Prompt 自举：先用大模型生成 20 条伪标签，再人工纠偏 5 条，即可在 30 分钟内完成模型热更新。
3. 与国产大模型备案要求对齐：动词拆解若涉及个人信息出境（如调用海外航班 API），必须在剪枝层强制阻断，并记录阻断日志以备网信办抽查。