面灵AI→

滴滴 AI 应用 / Java 后端一面:从京东项目追问到 DDD 与 Agent 的关系、AI 输出怎么校验

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

项目整体

  1. 选一个项目,介绍整体过程。
  2. 多种数据格式是否先标准化?
  3. 同一份数据,每次生成内容是否一致?
  4. 怎样保证总结满足用户需要?怎么调优?
  5. 校验规则是预先需求,还是开发中提炼?

DDD 与能力开放

  1. DDD、Agent 与已有代码的关系是什么?原代码本身就是 DDD 吗?
  2. 能力聚合只发生在上层,还是改了底层实现?
  3. 是否有通用的 Agent 辅助需求开发流程?

AI 使用与工程判断

  1. Agent 帮助工作时,遇到哪些问题?
  2. 如何校验 AI 输出的专业内容?
  3. AI 的节省与返工成本,整体怎样判断?
  4. 个人小系统与企业系统维护有什么区别?
  5. 是否继续学习后端基础?
  6. 中间件、框架和规范为什么仍然重要?

反问

  1. 团队业务方向。
  2. 入职后能力提升重点。

《参考解析》

多种数据格式要不要先标准化:要,而且这一步的收益比换模型大。上游格式不统一时,模型每次看到的输入分布都在变,输出质量自然不稳,问题还会被误判成「模型不行」。做法是先在接入层做 schema 归一:把各来源的字段映射到统一模型(字段名、类型、单位、时间格式、空值语义),保留原始报文以便回溯,再在统一结构上做抽取与生成。归一层还能顺手做质量校验(必填、范围、枚举),把脏数据挡在模型之前。

同一份数据生成内容是否一致:默认不一致——采样有随机性,提示词里塞入的上下文顺序、长度也会影响输出。是否需要一致取决于业务:需要可复现(比如生成结构化结论、多次生成要做一致性比对)就把温度调到接近 0、固定输出 schema、固定上下文拼装顺序,并用缓存按输入哈希复用结果;需要多样性(比如生成多种文案)才放开温度。不管哪种,都要在评测里区分「随机波动」与「质量下降」,否则调参会调成玄学。

怎么保证生成内容满足用户需要:把「满足需要」拆成可判定的指标,而不是靠感觉。先定义成功标准(结论是否覆盖用户问的要点、字段是否齐全、有无事实错误),再建三层保障:生成侧用结构化输出与要点清单约束覆盖范围;校验侧做规则检查(必填、引用是否能在原文找到、数字是否与源数据一致);反馈侧收集线上 badcase,定期抽检并回流成评测集。调优的顺序是先补数据与提示词里的判定标准,再考虑换模型——多数「不满足需要」是输入信息不足或标准没说清。

校验规则来自需求还是开发中提炼:两者都有,但要说清各占什么位置。需求阶段能确定的是业务硬约束(金额、权限、必填、合规口径),这些必须写进规则并前置校验;开发与线上运行中提炼出来的是模型容易出错的那一类(特定字段的表述歧义、跨字段一致性、引用错位),它们来自 badcase 归纳,属于持续迭代的部分。回答时给一个具体例子最好:某类字段模型总把单位写错,于是加一条单位一致性校验,并把它写进提示词的正例。

DDD 与 Agent 是什么关系,改到了哪一层:DDD 提供的是领域语言与边界——实体、聚合、领域服务把业务概念说清楚;Agent 需要的是「模型能理解并安全调用的能力」,所以自然的结合点是把聚合上的领域能力暴露成带语义的工具(意图明确、入参收敛、有副作用声明),而不是把 Controller 接口原样丢给模型。追问「只在上层聚合还是改了底层」,要如实回答:如果只是加了一层工具封装与编排,那就是上层聚合,原有领域模型没动;如果为了让能力可被复用而重构了服务边界、抽了防腐层,那底层也动了。面试官问这句是在核实你是否真的理解自己改动的边界,不要含糊。

Agent 辅助研发的工作流:有没有标准化流程,回答要落到可复现的环节。典型的是「需求 → 让 Agent 读相关代码与文档给出改动方案 → 人工确认方案 → Agent 生成改动与测试 → 本地跑测试与本仓 lint → 人工 review 关键 diff」。价值不在生成速度,而在把重复的检索、样板代码、测试补齐交给它;风险在它自信地编造不存在的 API,所以流程里必须有「读真实代码」「跑真实测试」两道锚点。

怎么校验 AI 给出的专业内容:分三层,越靠前越便宜。第一层靠可验证的事实——数字、引用、API 签名、论文结论,直接回原文或官方文档核对;第二层靠交叉来源,同一结论让模型换一种提法或换一个来源再确认;第三层靠领域判断,自己没把握的部分交给人或查权威资料。要强调的是「不能靠模型自己说自己对」,自我检查只能发现格式问题,发现不了错误的事实。

AI 节省了时间还是被返工抵消:要给出可量化的判断,而不是表态。做法是记录两类时间:AI 参与前后的任务耗时,以及 AI 产出被打回重做的比例与原因。经验上,越是边界清楚、有现成测试与规范的任务,净收益越明显;越是需要跨系统判断、隐含约定多的任务,返工成本越高。回答时可以补一句:真正的收益来自把校验和测试前置,而不是让模型一次写对。

个人小系统与企业系统的差别:个人项目可以容忍不确定、可以自己兜底、出问题重跑一次就好;企业系统要求可观测、可回滚、可审计、多人协作与长期维护,任何一次模型的异常输出都可能变成线上事故。所以同一套 AI 能力在企业的落地要多出权限控制、灰度、监控与留痕,成本主要花在这些「不性感」的部分。

关注 AI 之后还要不要后端基础:要,而且边界判断更依赖基础。模型调用只是链路里的一环,超时、重试、幂等、并发、缓存、事务、限流仍然决定系统能不能扛住;中间件与框架的价值在于它们已经把这些问题解过一遍,知道它们的语义边界(比如缓存一致性、消息重复消费、分布式事务的代价)才能判断什么时候该用、什么时候不该用。可以给一个具体的例子收尾:模型接口超时时间设多少、重试会不会造成重复写入,这类问题只有懂后端的人能回答对。

反问:团队业务方向(两轮车)决定你做的 AI 应用面向什么场景,是调度、运维还是用户侧;能力提升重点的问题可以顺势说明自己想补的是「把 AI 能力落到有 SLA 的系统里」这一块,比问晋升路径更贴岗位。