面灵AI→

字节大数据开发二面:七个问题全在 Agent 上

轮次
二面
时间
2026-10
来源
牛客网

《面试题目》

  1. 介绍一下 Agent,它最好的地方和最坏的地方分别是什么?
  2. 哪些表应该放到知识库上?
  3. 线上代码改了怎么办?
  4. 为什么要用 MCP 去读代码?
  5. 团队的知识库会有什么问题?
  6. Agent 的底层原理是什么?
  7. MCP 和 Skill 的区别是什么?

《参考解析》

这场面试的信息量在「团队在做 AI 数仓」,所以问题虽然都是 Agent,落点全在「数据工程怎么被 Agent 改造」。答题时把自己放进这个场景,比背 Agent 的通用定义有效得多。

「介绍 Agent + 优缺点」要答成一个闭环:模型负责决策,工具负责与环境交互,规划与记忆负责多步任务的连续性。优点是能处理开放式的多步任务、把非结构化的入口(自然语言、截图、日志)接到确定性的执行上;缺点也很具体——错误会沿调用链放大、工具调用的边界不清时容易越权或死循环、上下文与成本随轮次膨胀、以及可评估性差(同一任务两次执行结果可能不同)。把缺点落到工程手段上(幂等、限步、人工确认点、轨迹回放),比泛泛说「幻觉」更像做过。

「哪些表进知识库」考的是数据治理意识。不是把所有表都塞进去,而是按「被问到的频率 × 口径稳定性 × 解释成本」筛:指标表与维表、口径有明确定义的宽表优先;原始明细表不进,改让 Agent 生成 SQL 去查;涉及权限隔离的表要按角色切分知识库。回答时补一句「知识库要带元数据(口径、负责人、更新频率)」,否则 Agent 拿到表名也不知道该怎么用。

「线上代码改了怎么办」「知识库会有什么问题」是同一类问题:知识会过期。改代码之后,依赖代码语义的知识文档、提示词里的示例 SQL、以及字段口径说明都会失效。工程上的解法是让知识可追溯——文档绑定到代码路径/Schema 版本,CI 里跑一致性检查,Schema 变更触发对应条目的失效标记与重建;知识库本身的问题则包括口径冲突(同一指标两套定义)、更新滞后、检索粒度不当(整篇文档召回导致上下文被灌满)、以及权限泄漏。

「为什么用 MCP 读代码」要讲协议层的价值:MCP 把「工具」标准化成可发现、可复用的服务,模型不需要为每个数据源写死集成,权限与审计也能统一挂在服务端,换模型不换工具。对比直接给模型一堆文件路径,MCP 提供的是有 schema 的能力描述,调用更可控。

MCP 与 Skill 的区别一句话能说清:MCP 是「连接与能力的协议」,解决的是 Agent 怎么安全、标准化地调外部工具和数据;Skill 是「做事的方法包」,把某类任务的知识、步骤和脚本封装起来供模型按需加载。前者偏基础设施,后者偏经验沉淀,实际系统里通常是 Skill 决定「怎么干」、MCP 提供「能调用什么」。

最后一条实用建议:这场 SQL 题不难但面评仍然不好,说明字节这类岗位对「讲清楚」的要求高于「做出来」。准备 Agent 类问题最好的方式是自己搭一个能跑的小链路(读表 → 生成 SQL → 执行 → 校验),把每一步的失败模式和兜底讲出来,比背概念强。