美团 AI Agent 工程师 - 面试题 & 面经
Q: 如何设计一个本地生活领域的智能客服 Agent？需要对接哪些业务系统？
💡 思考逻辑： 美团客服是 Agent 的典型落地场景，面试官考察你对业务流程的理解和系统集成能力。
参考答案： 本地生活客服 Agent 架构：1）意图识别层——分类用户诉求（查询订单、申请退款、商家投诉、配送问题、优惠咨询），用意图分类模型 + 规则引擎双路；2）工具集成——订单系统（查询/修改订单状态）、退款系统（发起退款流程）、配送系统（查骑手位置/预计到达时间）、优惠券系统（查询/发放优惠）、商家系统（获取商家信息/营业状态）；3）对话策略——信息收集（缺少订单号时主动询问）→ 问题诊断（调用工具查询状态）→ 方案生成（退款/补偿/解释）→ 执行确认；4）升级机制——当 Agent 置信度低或用户情绪激动时自动转人工，传递完整上下文；5）个性化——基于用户历史订单和会员等级调整服务策略（高频用户优先处理）。
Q: 配送调度场景中 Agent 和传统运筹优化算法如何结合？各自的边界在哪？
💡 思考逻辑： 美团有极强的运筹优化能力，面试官考察你是否能正确理解 Agent 和传统算法的边界，不迷信 LLM。
参考答案： 职责分工：1）传统运筹优化——做核心调度决策（TSP/VRP 路径规划、订单分配、运力调度），优势是精确、可控、可验证，毫秒级出结果；2）LLM Agent——做异常处理和决策辅助：恶劣天气时调整配送策略（通知用户延迟、调整运力分配）、处理用户的自然语言请求（'让骑手放在门口'）、分析配送异常原因（'为什么这个区域总超时'→分析地理/天气/商家出餐等因素）；3）结合方式——Agent 作为运筹系统的'翻译层'和'决策辅助层'，不替代核心调度算法。关键原则：确定性强、对实时性要求高的决策交给运筹优化；模糊性高、需要常识推理的场景交给 Agent。美团的智能调度已经很成熟，LLM 的价值在于处理长尾异常场景。
Q: 如何设计 Agent 驱动的个性化推荐对话？和传统推荐系统有什么融合方式？
💡 思考逻辑： 美团的推荐系统是核心竞争力，面试官考察你对 Agent + 推荐融合的创新思考。
参考答案： Agent 推荐 vs 传统推荐：传统推荐是'猜你喜欢'的被动推荐，Agent 推荐是'帮你选'的主动对话。融合设计：1）Agent 做需求澄清——通过对话收集用户细粒度偏好（'想吃辣的还是清淡的？预算多少？几个人吃？'），转化为结构化 query；2）传统推荐做候选生成——将结构化 query 传给推荐引擎（协同过滤 + 深度模型），返回候选集；3）Agent 做结果解释——用自然语言解释推荐理由（'推荐这家是因为你上周点过类似的，评分 4.8，距离 1.2km'）；4）交互式优化——用户反馈（'不要太远'）→ Agent 更新约束 → 推荐引擎重新排序。核心价值是把推荐从'信息流被动曝光'变成'对话式主动发现'，转化率实验中通常提升 15-25%。
Q: Agent 上线后效果不好怎么办？如何诊断和优化？
💡 思考逻辑： 这是最真实的面试题之一，面试官考察你的工程诊断能力，不是只会搭 demo。
参考答案： Agent 效果诊断框架（DICE）：1）Data 数据问题——检查 prompt 是否有歧义、工具描述是否准确、few-shot 示例是否充分；查看 bad case 分布，是全面差还是特定类别差；2）Inference 推理问题——分析 Agent 的 thought chain，看哪一步推理出错（意图理解错？工具选择错？参数填充错？结果综合错？）；3）Context 上下文问题——是否超 context window？是否关键信息被淹没？是否记忆管理有缺陷导致信息丢失？4）Execution 执行问题——工具是否正常返回？延迟是否可接受？是否有 race condition？优化步骤：先做 error analysis（分析 100 个 bad case 的失败原因分布）→ 针对最大失败类别优先修复 → A/B 测试验证 → 迭代。切忌一上来就换模型。
Q: 如何在保证用户体验的前提下控制 Agent 的 Token 消耗成本？
💡 思考逻辑： 美团日均千万级订单，Agent 成本控制是生死线，面试官考察你的成本意识。
参考答案： Token 成本优化策略：1）请求路由——意图分类器前置，简单问题（查订单状态）走规则引擎不消耗 LLM token，只有复杂问题走 Agent，可减少 60% 请求量；2）Prompt 精简——system prompt 用结构化格式（JSON/XML），比自然语言节省 30-50% token；去除冗余的 few-shot 示例；3）语义缓存——用 GPTCache 做语义相似度匹配，相似问题直接返回缓存结果；4）模型梯度——简单子任务用小模型（如 Qwen-7B），只有核心推理用大模型（GPT-4 级别）；5）上下文压缩——长对话做 summarization 后再传给模型，而不是全量传历史；6）Streaming 优化——检测到 Agent 已有足够信息时提前终止生成。美团的量级下，每减少 1% 的 token 消耗就是巨大的成本节约。