⚙️ Agent LLMOps 与面试实战
运行手册与事件响应
Agent LLMOps 与面试实战专题：用 1 个核心问题讲清原理、取舍与落地。
一句话定位
SLO、队列、幂等、容灾、网关、预算、CI/CD 和项目表达。 以一次业务任务而非一次模型请求为运维单位，覆盖在途状态、外部副作用和人工节点。
核心原理与问题解析
如何设计 Runbook？
按告警列出观察指标、Trace 查询、常见根因、止损动作、降级、恢复、责任人和升级路径。值班人员不应临时阅读 Agent 提示猜原因。
继续想： 哪些故障必须停写？；如何定期演练？
工程落地检查
- 定义任务成功率、P95/P99 和成本 SLO
- 长任务使用队列、租约与 Checkpoint
- 写操作使用幂等、Saga 和对账
- 灰度比较质量、安全、延迟与成本
- Runbook 明确止损、降级、恢复和责任人
常见误区
- 接口 200 就当任务成功
- 重试没有总预算和幂等
- 只监控模型，不监控工具、队列和业务结果