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
- 选一个项目,介绍整体过程。
- 多种数据格式是否先标准化?
- 同一份数据,每次生成内容是否一致?
- 怎样保证总结满足用户需要?怎么调优?
- 校验规则是预先需求,还是开发中提炼?
DDD 与能力开放
- DDD、Agent 与已有代码的关系是什么?原代码本身就是 DDD 吗?
- 能力聚合只发生在上层,还是改了底层实现?
- 是否有通用的 Agent 辅助需求开发流程?
AI 使用与工程判断
- Agent 帮助工作时,遇到哪些问题?
- 如何校验 AI 输出的专业内容?
- AI 的节省与返工成本,整体怎样判断?
- 个人小系统与企业系统维护有什么区别?
- 是否继续学习后端基础?
- 中间件、框架和规范为什么仍然重要?
反问
- 团队业务方向。
- 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。