PROJECT DETAIL
Agent智能分析平台
面向开发运维的智能分析平台
项目介绍
本项目为面向开发运维的智能分析平台，基于 MCP 协议集成日志检索与监控指标查询能力，支持 ELK 日志检索分析以及 Prometheus 监控数据的一站式检索，解决开发运维中人工操作繁琐、决策依据不足、流程响应滞后的痛点，提升研发与运维的工作效率和决策精准度。
面试要点
面试要点：本项目聚焦 AI Agent 在企业运维场景的落地，核心考察 MCP 协议的集成方式、Advisor 对话编排机制、RAG 混合检索策略（向量+关键词+Rerank）、以及 AI 可观测体系的搭建思路。面试官可能追问如何处理 LLM 幻觉、如何评估 Agent 回答质量等。
技术亮点
▸ Advisor 对话编排
基于 Spring AI Advisor 机制构建对话拦截层，注入通用组件（如日志记录、权限校验、上下文管理），实现对话能力的灵活编排与可扩展。通过责任链模式串联多个 Advisor，支持动态调整编排顺序。
面试追问: Spring AI Advisor 的设计模式是什么？如何实现多个 Advisor 的链式调用和条件执行？
▸ MCP 工具集成
基于 MCP 协议封装运维工具集，集成 ELK 日志检索和 Prometheus 监控查询能力。通过标准化的 Tool 定义和参数 Schema，让 LLM 能够自主选择合适的工具完成运维场景的智能问答。
面试追问: MCP 协议的核心概念是什么？你是如何将 ELK 和 Prometheus 封装为 MCP Tool 的？
▸ RAG 检索优化
构建混合检索 RAG 流程，结合向量检索（语义匹配）与关键词匹配（BM25），引入 Rerank 模型对召回结果进行精排，显著提升知识问答的准确性和相关性。
面试追问: 向量检索和关键词检索各自的优缺点是什么？Rerank 模型在 RAG 流程中的作用是什么？
▸ AI 可观测体系
搭建 AI 可观测体系，记录每次调用的 Token 消耗、延迟、费用等指标，支撑成本分析与问题追踪。通过 Prometheus + Grafana 实现可视化监控面板，设置异常告警规则。
面试追问: AI 应用的可观测性与传统微服务可观测性有何不同？Token 消耗如何影响成本控制？