# Interview Demo Script

## 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。

## Demo 准备

启动服务：

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

确认服务地址：

```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。

## 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：

```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：

- `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`。

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

## 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：

```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 暂时不加 Verifier，先保证告警入口、证据工具和 trace 可用。

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

## MySQL 验证

```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"
```

```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"
```

## 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。