面灵AI→

光轮智能 Data Infra 二面:指标口径对齐、NL2SQL 多 Agent 校验与百亿级文件治理

轮次
二面
时间
2026-11
来源
牛客网

《面试题目》

  1. 自我介绍。预计什么时候毕业?拿到 offer 能否提前实习、能实习多久?倾向的工作地点?
  2. 不同团队同名指标口径不一致,你如何对齐口径?
  3. 不同团队对指标定义各有诉求(例如 GPU 利用率),你最终如何定义、拉齐指标?
  4. 如果业务方修改核心指标定义、要求全量更新存量历史数据,如何评估影响面?如何利用血缘定位下游?
  5. 是否不会直接覆盖历史数据?是否会做数据快照?
  6. 大表关联容易出现数据倾斜,你如何治理?
  7. 用户提出自然语言取数需求时,Agent 如何确定查询哪张表?
  8. 如果 Agent 生成的 SQL 执行报错,你怎么处理?
  9. 自然语言转 SQL 不可避免会生成不符合业务的 SQL,你如何解决?
  10. 多 Agent 互相校验的触发条件是什么,如何控制成本?
  11. 写 SQL 的 Agent 和审核 Agent 之间如何传递上下文?
  12. 如果要管理百亿级视频、点云这类非结构化文件,你会怎么设计?
  13. Agent 生成全表扫描 SQL、把数据库资源打满,你怎么防范?
  14. 加盐打散会增大数据量、打满 IO,超大表场景下如何优化?
  15. 了解 Hive 吗?如果在 Hive 上做这套优化,落地步骤是什么?
  16. 你有什么想问的?

《参考解析》

指标口径怎么对齐:靠制度而不是靠沟通技巧。每个指标建一条口径文档:业务含义、计算公式、统计粒度、时间口径(自然日/交易日、时区)、数据来源表与字段、过滤条件(是否含测试单、退款单)、负责人与变更记录。建表时把定义写进字段注释与数据字典,开发前与相关团队过一遍,差异点当场标注。GPU 利用率这类天然多义的指标更是如此——按卡按时间加权还是按任务峰值、是否含空闲卡,不同口径能差一倍。做法是「主口径 + 可选口径」:选最贴合大多数业务场景的那一个作为主口径对外唯一发布,其余作为带标注的附加字段并存,让使用者自己换算,而不是强行统一到某一个团队的习惯。

改核心指标定义的影响面评估:先确定要改的字段属于哪一层,再用血缘图向下游扩散。下游是视图就只改上游;下游是独立落表的,要按换算逻辑重写;只改字段定义需要重算历史,单纯新增字段不需要重写。重算时复制一份数据出来更新、保留原始数据一个周期以便回退,依托平台快照能力定期维护,不直接覆盖线上历史。评估要给出三件事:受影响的下游任务与报表清单、重算的时间与资源成本、切换窗口与回滚方案;缺任何一个都会被追问。

倾斜治理与加盐的代价:常规手段是提前在 ODS 清洗重复与空值降低量级、探查 key 分布后对热点加盐、热点逻辑单独拆出、调整并行度匹配资源。但超大表上加盐会把数据量放大数倍、Shuffle IO 打满,这时应改用「分区 + 分桶」把关联数据预组织到相近的分区与桶内,在分区内部完成计算后再传输,必要时把任务拆批计算再合并结果。Hive 上的落地步骤:建表时按业务日期分区、按 Join key 分桶(桶数与文件大小匹配),写入时 DISTRIBUTE BY ... SORT BY ... 或开 hive.enforce.bucketing,Join 时保证两边桶数成倍数关系以走 MapJoin 或 bucket map join;同时开 map 端聚合与小文件合并。湖格式(Iceberg)在元数据裁剪与隐藏分区上更省事,但分桶思想一样适用。

NL2SQL 的选表与校验:选表不能只靠向量相似度。做法是按业务域拆分 Agent(每个域知道自己那几张表与口径),路由层根据问题选域,再由域内 Agent 结合表注释、字段注释、指标口径文档与历史查询样例做检索与重排,最后让模型在候选表里选并给出理由;低置信度时反问用户而不是硬猜。SQL 报错的处理是「限定边界 + 失败可回退」:Agent 只做查询、不直接改数据,提前限定可用表与权限、设置超时与扫描行数上限,先在测试环境或样本数据上验证逻辑再放行;线上报错时熔断链路、读日志修正 SQL 或转人工。

多 Agent 互审的成本控制:默认先执行生成 SQL,执行失败或校验规则不通过才触发审核 Agent,避免每轮都双跑;也可以设最大校验轮次,超过转人工。上下文传递要结构化:写 SQL 的 Agent 输出标准化的 SQL 与它引用的表/字段/口径说明,审核 Agent 拿到这些加上知识库做权限、口径、语义合理性检查,输出可执行 SQL 与修改理由,而不是把整段对话原样丢过去。

百亿级非结构化文件:文件本身不进数据仓库,进对象存储(按业务与时间分桶,冷热分层),数据库里只存元数据:文件 ID、业务标签、采集时间、来源设备、大小、校验和、存储路径、关联的业务主键。检索走标签与向量索引(视频抽帧特征、点云降采样特征入向量库),用 Iceberg 或 Hive 管理元数据表以支持分区裁剪与快照。要设计生命周期(热存 → 冷存 → 归档/删除)、去重(内容哈希)、以及「文件与标签不一致」的巡检。全表扫描的防范:查询侧强制分区谓词、限制单次扫描的分区数与字节数、给 Agent 单独的低权限账号与资源组、慢查询熔断。