# 面试演示脚本

## 1. 30 秒开场

```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。
```

## 2. 启动服务

```powershell
mvn spring-boot:run "-Dspring-boot.run.profiles=mvp-demo"
```

服务地址：

```text
http://localhost:9900
```

`mvp-demo` profile 下：

- Prometheus 告警使用 mock 数据。
- 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。

## 3. Demo 1：Chat 诊断

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"
$body = @{
  Id = $sessionId
  Question = "支付接口最近出现超时，请结合知识库、日志和指标判断可能原因，并给出修复建议。"
} | ConvertTo-Json

Invoke-RestMethod `
  -Method Post `
  -Uri "http://localhost:9900/api/chat" `
  -ContentType "application/json" `
  -Body $body
```

讲解点：

- `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：

```powershell
Invoke-RestMethod `
  -Method Get `
  -Uri "http://localhost:9900/api/diagnosis/$sessionId/trace"
```

展示点：

- `data.session.agentFlow = CHAT`
- `data.steps` 中能看到 planner/executor/verifier
- `data.toolInvocations` 中能看到证据工具
- `data.session.selfEvaluation` 中有 verifier 结果

## 4. Demo 2：AIOps 告警诊断

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"
$aiopsBody = @{
  sessionId = $aiopsSessionId
  alertName = "HighCPUUsage"
  service = "payment-service"
  severity = "P1"
  description = "服务 payment-service 的 CPU 使用率持续超过 80%，当前值为 92%。实例: pod-payment-service-7d8f9c6b5-x2k4m。"
  timeRange = "last_15m"
  userRequest = "请结合 Prometheus 活动告警、system-metrics 日志和知识库生成告警分析报告。"
} | ConvertTo-Json

Invoke-WebRequest `
  -Method Post `
  -Uri "http://localhost:9900/api/ai_ops" `
  -ContentType "application/json" `
  -Body $aiopsBody
```

讲解点：

- `/api/ai_ops` 接受可选 `AIOpsRequest`。
- 首条 SSE 消息会返回 `type=session`。
- `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 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：

```powershell
Invoke-RestMethod `
  -Method Get `
  -Uri "http://localhost:9900/api/diagnosis/$aiopsSessionId/trace"
```

展示点：

- `data.session.agentFlow = AI_OPS`
- `data.session.answer` 有最终告警报告
- `data.toolInvocations` 有 `query_metrics`、`query_logs`、`lookup_knowledge`
- 报告主线聚焦 `HighCPUUsage/payment-service`

## 5. Demo 3：反馈闭环

```powershell
$feedback = @{
  sessionId = $sessionId
  feedback = "useful"
} | ConvertTo-Json

Invoke-RestMethod `
  -Method Post `
  -Uri "http://localhost:9900/api/feedback" `
  -ContentType "application/json" `
  -Body $feedback
```

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。
```