面灵AI→

字节后端 / Agent 开发二面:Ontology 平台深挖与每秒一万任务的延迟调度设计

轮次
二面
时间
2026-11
来源
牛客网

《面试题目》

实习项目:Ontology 平台

  1. 展开讲一下 Ontology 平台的技术实践和细节。
  2. 16 个业务本体、30 多个 Action,用什么管理?
  3. 这些元数据怎么被消费?注册之后的流程是什么?
  4. 什么叫「HTTP 到 JSF RPC 的柔性调用链」?
  5. 平台效果怎么衡量?从业务视角看,收益是什么?
  6. Ontology 是很早的概念,为什么在 AI 背景下重新受到关注?

确定性规则与幻觉治理

  1. 前置 JSON Schema 强校验和后置规则断言,具体怎么做?
  2. 确定性规则和 LLM 怎么分工?
  3. 实习什么时候结束?三个多月做了哪些事情?

系统设计:高 QPS、可取消的延迟执行任务

  1. 设计一个延迟任务模块,暴露「提交任务」与「取消任务」两个接口,QPS 约每秒一万个任务提交,不直接使用成熟框架。
  2. 如何组织任务的时间索引、参数和状态?
  3. 取消接口怎么实现?
  4. QPS 较高时怎么轮询?每次拉多少?轮询频率怎么定?
  5. 多实例都捞到同一批任务,怎么保证不会重复执行?
  6. 是否需要外部数据库持久化?从什么维度决定要不要数据库?

个人作品与 AI 学习

  1. 博客什么时候搭的?为什么文章时间更早?
  2. 「研究生这一年如何平衡课程、项目和持续输出」这篇文章讲什么?文中的课程项目是个人项目还是实习项目?
  3. AI 前沿知识从哪些渠道获取?学习路径是什么?有持续读论文的习惯吗?
  4. 看过《Attention Is All You Need》吗?讲一下亮点。什么叫多头注意力?

Coding

  1. 组合总和:编写可运行程序并测试,说明时间复杂度,N 表示什么。

《参考解析》

Ontology 平台怎么建:Ontology 是给业务世界建模的一套概念体系:对象类型(业务实体,如订单、门店)、属性(字段与类型)、关系(实体之间的关联)、Action(对实体可执行的操作,含入参 Schema、权限、副作用与审批)。平台的职责是把这些定义集中注册、版本化、发布,并让消费方(Agent、前端、后端服务)按统一语义发现与调用。管理上通常用元数据服务 + 注册中心:定义存库(对象、属性、关系、Action 各一张表,带版本与状态),发布时生成快照并推送变更事件;消费方通过 SDK 或 OpenAPI 拉取元数据,Agent 侧把它转成工具描述(tool schema)注入模型。效果衡量的指标要能落到业务:接入的业务域与 Action 数、Agent 调用成功率与人工兜底率、接口收敛前后新增一个业务接入的工时、以及业务侧可观测的收益(如客服自助解决率、工单流转时长)。

柔性调用链:业务系统里同一个语义可能落在不同协议上——新服务是 HTTP/JSON,老系统是 JSF(Dubbo 系的 RPC)。柔性调用链指在 Action 层做协议适配与容错编排:根据元数据里声明的后端实现选择协议,统一做参数校验、超时、重试、降级与熔断,失败时回退到备用实现或转人工,而不是让模型直接面对多种协议与错误码。所谓「柔性」是相对「硬编码调用」而言:调用路径由元数据驱动,可配置、可灰度、可在不改代码的情况下切换后端。

Ontology 为什么重新受关注:大模型能理解自然语言,但不知道企业内部的实体、关系与可执行操作,直接给接口会乱调、给文档会编造。把业务语义显式建模成对象与 Action,等于给模型一份受约束的世界模型与工具集:它知道有哪些实体、能做什么、参数边界在哪,从而把「自然语言意图」稳定映射到「合法操作」。这与 MCP 解决「工具如何被发现与调用」是互补关系——MCP 管协议,Ontology 管语义与治理。

确定性规则与 LLM 分工:原则是「能用代码判定的不交给模型」。前置用 JSON Schema 约束输出结构(字段、类型、枚举、必填),模型输出后先解析校验,不合格直接重试或走兜底;后置用规则断言校验业务不变量(金额不能为负、时间不能倒挂、引用 ID 必须存在、权限必须匹配),命中即拦截并记录。LLM 负责语义理解、意图识别、生成候选与解释;确定性规则负责边界、权限与最终裁决。这样幻觉被限制在「候选生成」阶段,不会直接落到执行。

延迟任务系统设计(每秒一万提交、可取消):核心是把「时间」变成可索引的键。方案一:时间轮(timing wheel)——按秒/毫秒分槽,任务按到期时间放入槽内,指针推进时取出到期槽执行,插入与删除 O(1),适合大量短延迟任务;分层时间轮(Kafka 的做法)解决跨度大的问题。方案二:按到期时间分桶存 Redis ZSET(score = 执行时间戳),消费者用 ZRANGEBYSCORE 取到期任务,配合 ZREM 的返回值保证只有一个实例抢到(原子操作即分布式锁);取消就是从 ZSET 删除并置状态为 cancelled。方案三:数据库按时间分片 + 状态机,适合需要强持久化与可查询的场景。

「是否需要外部数据库」取决于三件事:任务丢失能否容忍(能重放就不需要强持久化)、取消与查询是否要跨实例可见、以及审计与重试要求。金融、订单类必须落库;纯提醒类可以只放内存 + 定期快照。

轮询参数:批量大小按「单批处理耗时 < 轮询间隔」倒推,例如每批 500 条、单条 2ms 则一批约 1 秒,轮询间隔取 200~500ms 并用长轮询或阻塞队列降低空转;高频短延迟任务用时间轮 + Netty 的 HashedWheelTimer 思路,避免每秒全表扫描。多实例防重复:ZSET 的 ZREM 原子抢占、或数据库 UPDATE ... WHERE status='pending' AND execute_at<=now LIMIT n 加行锁、或按任务 ID 哈希固定到某个实例(一致性哈希)配合故障转移。取消的实现要注意竞态:任务已进入执行中时取消要能中断(检查取消标记、协作式取消),已执行的取消请求记录为「取消失败」并返回明确状态,而不是静默丢弃。

多头的含义:单头注意力只做一次 Q/K/V 投影,得到一个注意力分布;多头把 Q/K/V 投影到 h 组低维子空间,各自独立算 scaled dot-product attention,再拼接后过输出投影。作用是让模型在不同子空间里并行关注不同类型的关系(语法、指代、位置、语义角色),类似卷积的多通道;每头维度 d_model/h 使总计算量与单头相当。亮点还包括:完全基于注意力的并行化(取代 RNN 的时序依赖)、位置编码、残差与 LayerNorm 支撑深堆叠、以及 scaled dot-product 里除以 √d_k 稳定梯度。

组合总和:给定候选数组(元素可重复使用)与目标值,求所有和为目标的组合,解集不能重复。做法是回溯:排序后递归,参数带 start 保证组合内非递减从而去重,target 递减,等于 0 时收集,小于 0 或当前数大于剩余目标时剪枝。时间复杂度上界 O(N^(T/M))(N 为候选数、T 为目标、M 为最小候选值),也可以表述为解的个数乘以每个解的长度;空间是递归深度 O(T/M)。要能现场写出可运行代码并跑几个用例(如 candidates=[2,3,6,7], target=7 → [[2,2,3],[7]])。