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
- 展开讲一下 Ontology 平台的技术实践和细节。
- 16 个业务本体、30 多个 Action,用什么管理?
- 这些元数据怎么被消费?注册之后的流程是什么?
- 什么叫「HTTP 到 JSF RPC 的柔性调用链」?
- 平台效果怎么衡量?从业务视角看,收益是什么?
- 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
- 前置 JSON Schema 强校验和后置规则断言,具体怎么做?
- 确定性规则和 LLM 怎么分工?
- 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
- 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。
- 如何组织任务的时间索引、参数和状态?
- 取消接口怎么实现?
- QPS 较高时怎么轮询?每次拉多少?轮询频率怎么定?
- 多实例都捞到同一批任务,怎么保证不会重复执行?
- 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
- 博客什么时候搭的?为什么文章时间更早?
- 「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?
- 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?
- 看过《Attention Is All You Need》吗?讲一下亮点。什么叫多头注意力?
Coding
- 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]])。