解读

在 Agent 系统上线后，日均轨迹量可达百万级，其中失败案例往往不足 5%，却占用 80% 的排障时间。面试官想确认两点：

1. 你能否在毫秒级从海量轨迹中精准捞出异常子轨迹；
2. 你能否把“失败”定义得可度量、可追踪、可复现，而不是简单抛异常。
   国内大厂现场常要求候选人先给出指标定义 → 再谈索引方案 → 最后落地到工程化工具链，缺一即视为思路不完整。

知识点

1. 失败语义建模：业务失败（任务未达成）、系统失败（异常退出）、安全失败（违规调用）。
2. 子轨迹切分：以“回合（Turn）”或“工具调用”为最小粒度，用**有向无环图（DAG）**存储，节点挂“成功位”。
3. 多级索引：
   • 一级倒排：Elasticsearch 只存“失败=1”的轨迹 ID，用布隆过滤器预筛，把磁盘随机读变成顺序读。
   • 二级位图：在 ClickHouse 建RoaringBitmap，把子轨迹 ID 映射到 32 位整数，压缩后单分区 <200 MB，单核可秒级扫描千万级子轨迹。
4. 特征签名：对异常栈、观测差异、奖励值进行SimHash，64 位指纹直接当主键，相同根因去重率 >90%。
5. 在线链路：Agent 框架埋点 → Kafka → Flink CEP 实时打标签 → Redis Set 缓存最近 30 分钟失败子轨迹 ID，接口 P99 <30 ms。
6. 合规要求：国内《生成式 AI 管理办法》要求关键异常留痕 6 个月，因此索引必须支持按天级分区、自动冷存至 OSS，并带可解释字段（Prompt 快照、工具返回、思考链）。

答案

回答采用“三步法”，总时长控制在 2 分钟内，先给结论再给数据，最后留扩展钩子。

第一步：定义失败
“我会把失败拆成三类标签：①业务失败——用户目标未达成，用奖励函数 < 阈值判定；②系统失败——代码抛未捕获异常；③安全失败——触发内容安全或权限拒绝。三类标签在轨迹节点以 2 bit 存储，查询时可任意组合。”

第二步：建多级索引
“线上采用 ES+CK 双栈：

1. ES 只存‘含失败’的轨迹元数据，每日索引按‘场景+日期’滚动，字段压缩 + 布隆过滤器后，单分片体积 <20 GB，单节点可扛 2 万 QPS；
2. 子轨迹明细进 ClickHouse，本地表按（失败类型, 日期, 小时）分区，物化视图预聚合 SimHash，查询时直接 WHERE bitmapContains(fail_bitmap, sub_trace_id)，95 百分位响应 80 ms；
3. 最近 30 分钟热数据写 Redis RoaringBitmap，接口层命中内存即可返回，P99 <30 ms。”

第三步：工程闭环
“整个流程通过 Flink CEP 实时打标签，异常发生 5 秒内即可被索引；同时提供‘失败根因聚类’页面，研发可一键拉取相同 SimHash 的全部子轨迹，排障效率提升 6 倍。最后按《生成式 AI 管理办法》把原始 Prompt、工具返回、思考链自动转储到 OSS，保存 180 天并加密，满足审计。”

拓展思考

1. 如果失败案例不足千条，仍用 CK 位图会造成稀疏浪费，可切换到SQLite+内存映射，单文件 <100 MB，嵌入式部署到边缘节点。
2. 当 Agent 引入多模态动作（如调用机械臂）时，子轨迹需挂视频指纹，可用感知哈希 + Annoy 索引，把高维向量降到 64 位再入位图，保持毫秒级检索。
3. 未来做强化学习微调，需要负样本采样权重，可在 CK 里加一列 weight，按失败严重程度动态调整，避免模型只学“简单负例”。