docs: reorganize MVP interview documentation

interview/demo-script.md

@@ -1,18 +1,20 @@
-# Interview Demo Script
+# 面试演示脚本
 
-## 30 秒开场
+## 1. 30 秒开场
 
-这是一个 Agent Engineering 项目，场景是企业故障诊断。它支持两类入口：用户主动提问的 Chat 诊断，以及告警事件驱动的 AIOps 诊断。项目重点不是单次回答，而是把多 Agent 执行、工具证据、Verifier 评估、最终报告和反馈都沉淀成可回放的 trace。
+```text
+这是一个 Agent 工程项目，场景是企业故障诊断。
+它支持两类入口：用户主动提问的 Chat 诊断，以及告警事件驱动的 AIOps 诊断。
+项目重点不是单次模型回答，而是把 Agent 编排、工具证据、Verifier 评估、最终报告和反馈都沉淀成可回放的 Trace。
+```
 
-## Demo 准备
-
-启动服务：
+## 2. 启动服务
 
 ```powershell
 mvn spring-boot:run "-Dspring-boot.run.profiles=mvp-demo"
 ```
 
-确认服务地址：
+服务地址：
 
 ```text
 http://localhost:9900
@@ -24,11 +26,9 @@ http://localhost:9900
 - CLS 日志使用 mock 数据。
 - MySQL、Redis、Milvus/Zilliz 和模型配置仍使用当前项目配置。
 
-## Demo 1: Chat 诊断
+## 3. Demo 1：Chat 诊断
 
-目标：展示普通用户问题如何进入多 Agent 诊断、调用工具、经过 Verifier，并生成 trace。
-
-请求：
+目标：展示用户问题如何进入多 Agent 诊断、调用工具、经过 Verifier，并生成 Trace。
 
 ```powershell
 $sessionId = "interview-chat-payment-timeout-001"
@@ -46,13 +46,13 @@ Invoke-RestMethod `
 
 讲解点：
 
-- `ChatController` 把请求交给 `ChatService.executeChatWithStrategy(...)`。
-- 简单问题走单 ReactAgent，复杂问题走 `Planner -> Executor -> Verifier`。
-- Executor 可以调用知识库、日志、指标等工具。
-- Verifier 会基于工具证据生成 groundedness 评估。
-- 最终会写入 `diagnosis_session`、`agent_step`、`tool_invocation`。
+- `ChatService` 会根据问题复杂度选择轻量回答或复杂 Agent 流程。
+- 复杂问题走 `Planner -> Executor -> Verifier`。
+- Executor 调用知识库、日志、指标等证据工具。
+- Verifier 基于 `tool_trace_summary` 生成 groundedness 评估。
+- 最终写入 `diagnosis_session`、`agent_step`、`tool_invocation`。
 
-查询 trace：
+查询 Trace：
 
 ```powershell
 Invoke-RestMethod `
@@ -67,11 +67,9 @@ Invoke-RestMethod `
 - `data.toolInvocations` 中能看到证据工具
 - `data.session.selfEvaluation` 中有 verifier 结果
 
-## Demo 2: AIOps 告警诊断
+## 4. Demo 2：AIOps 告警诊断
 
-目标：展示告警 payload 如何触发 AIOps 入口，并且报告只聚焦目标告警。
-
-请求：
+目标：展示告警 payload 如何触发 AIOps，并且报告聚焦目标告警。
 
 ```powershell
 $aiopsSessionId = "interview-aiops-payment-cpu-001"
@@ -99,9 +97,9 @@ Invoke-WebRequest `
 - `AiOpsService` 根据 payload 判断模式：
   - `PAYLOAD_TARGETED`：聚焦传入告警。
   - `AUTO_DISCOVERY`：没有 payload 时先查 active alerts。
-- AIOps 暂时不加 Verifier，先保证告警入口、证据工具和 trace 可用。
+- AIOps 当前用 rule evaluation 检查报告完整性、payload 聚焦和证据工具覆盖。
 
-查询 trace：
+查询 Trace：
 
 ```powershell
 Invoke-RestMethod `
@@ -114,19 +112,34 @@ Invoke-RestMethod `
 - `data.session.agentFlow = AI_OPS`
 - `data.session.answer` 有最终告警报告
 - `data.toolInvocations` 有 `query_metrics`、`query_logs`、`lookup_knowledge`
-- 报告有 `HighCPUUsage/payment-service` 的完整根因分析
-- 其他 active alerts 只作为相关风险出现，不展开成独立根因章节
+- 报告主线聚焦 `HighCPUUsage/payment-service`
 
-## MySQL 验证
+## 5. Demo 3：反馈闭环
 
 ```powershell
-python scripts/query_mysql.py "SELECT session_id, agent_flow, status, step_count, tool_call_count FROM diagnosis_session ORDER BY id DESC LIMIT 5"
+$feedback = @{
+  sessionId = $sessionId
+  feedback = "useful"
+} | ConvertTo-Json
+
+Invoke-RestMethod `
+  -Method Post `
+  -Uri "http://localhost:9900/api/feedback" `
+  -ContentType "application/json" `
+  -Body $feedback
 ```
 
-```powershell
-python scripts/query_mysql.py "SELECT tool_name, COUNT(*) AS cnt FROM tool_invocation WHERE session_id='interview-aiops-payment-cpu-001' GROUP BY tool_name"
+讲解点：
+
+- feedback 写回同一个 `diagnosis_session`。
+- `useful` 会沉淀 `case_library`。
+- `not_useful` 不改变 `status`，只作为质量信号。
+
+## 6. 收尾总结
+
+```text
+这个 Demo 展示的是完整 Agent 闭环：
+用户问题或告警 -> Agent 编排 -> 工具证据 -> 自评估 -> Trace 回放 -> 用户反馈 -> 案例沉淀。
+我关注的不是一次回答，而是这个回答能否被审计、验证和持续改进。
 ```
 
-## 收尾总结
-
-这套 Demo 展示的是一个完整 Agent 系统，而不是一次模型问答：入口有明确场景边界，Agent 负责规划和执行，工具提供证据，Verifier 提供质量门，trace API 提供审计和复盘能力。AIOps 入口进一步证明它可以从用户问答扩展到事件驱动诊断。