科大讯飞后端 / Agent 开发二面 24 问:从京东实习项目追问到 Harness 与模型的关系
- 轮次
- 二面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
个人情况与实习状态
- 介绍个人情况和重点项目。
- 现在还在京东实习吗,为什么离开?
- 为什么研究生是两年制,所在专业之前也是这样吗?
京东实习项目
- 选一个京东参与程度高、收获大的项目展开。
- 项目多少人做,你负责的是哪一部分?
- 数据来源、规则与模型分工、结果接入方式是什么?
- 为什么不能直接把数据交给模型?
- 有了数据,为什么还会引入代码规则?
- 生成结果怎样进入 Java 业务系统?
- 某些关键信息拿不到时怎么处理?
- 这个模块做了多久,什么时候上线?
本科成绩与考研经历
- 本科毕业后的一年在做什么?
- 第一年的考研目标是什么,为什么第二年选择南大?
- 专业课成绩不错,为什么没有保研,哪些课程影响了成绩?
个人多智能体项目
- 详细介绍多智能体航旅排障项目,想听听你对 Agent 的理解。
- 底层采用什么框架,哪些自己实现,是否使用 AI Coding?
- Supervisor、Planner、Executor 如何分工?
- 举一个排障请求从输入到生成报告的完整例子。
个人博客与 AI Coding
- 博客由自己编写还是 AI Coding 完成,目前还在迭代吗?
- 博客部署在哪里,服务器是否自己购买?
- 文章内容是否自己写,平时是否在 B 站创作?
Agent 趋势与 Harness
- 对 Agent 当前的发展做过哪些学习和研究?
- 今年的 Agent 与之前有什么变化,有哪些不同的框架?
- 随着模型能力增强,Harness 还能做什么,将怎样发展,与模型是什么关系?
公司了解与反问
- 对科大讯飞有哪些了解?
- 反问:团队业务和近期主攻方向是什么?
- 反问:新人从哪部分工作开始,有没有参与从零到一建设的机会?
《参考解析》
为什么不能把数据直接交给模型,还要写代码规则:模型擅长处理非结构化文本、做语义归一与归纳,但它的输出不稳定、不可审计,也不能保证业务约束。规则负责的是「确定的那部分」——字段映射、枚举校验、金额与权限、必须满足的业务前置条件;模型负责「规则写不出来的那部分」——多源格式的语义对齐、异构字段的归一、长文本抽取。二者是分层而不是二选一:规则先做硬约束与兜底,模型在约束内填充;模型输出再过一层强校验,校验不过就走人工或降级,而不是把错数据写进业务系统。
生成结果怎么进入 Java 业务系统:把模型调用当成一个有自己的失败语义的外部依赖。链路是「结构化输出(JSON Schema / 函数调用)→ 服务端 schema 校验 → 业务规则强校验 → 幂等落库或调用既有接口」。关键点是别让模型直接写库:模型只产出候选结构,落库由后端服务按业务事务裁决;同时要有超时、重试、幂等键、可回滚,以及全链路的输入输出留档,出问题能定位到是哪一步、哪条数据。
拿不到的信息怎么处理:先区分「拿不到」是权限问题、接口缺失还是数据本身不存在。工程上分三层:能从其他来源推导或关联的,补一次关联查询;推不出来的,输出里显式留空并标记不确定,绝不编造;业务上必须有值的,转人工确认或走降级分支。这条最容易被追问「会不会模型编一个」,所以回答要把「不编造」落成机制——字段级必填校验 + 低置信度转人工,而不是靠提示词要求模型老实。
多智能体怎么分工:Supervisor 负责意图识别、任务拆解与路由,决定这一轮交给谁、什么时候收口;Planner 产出可执行步骤与依赖关系;Executor 按步骤调用具体工具(日志查询、指标拉取、变更记录),把结果回填。核心设计不在「分了几个角色」,而在状态怎么传:共享一份结构化任务状态(每步的输入、输出、置信度、失败原因),Supervisor 依据状态决定重试、换路或终止。举个完整例子:用户报「某航班排障」,Supervisor 判定为排障类 → Planner 拆成「定位航班 → 拉取该航班链路日志 → 比对同期指标 → 关联变更 → 汇总」→ Executor 逐步调工具 → 中间某步查不到数据时回填失败原因,Supervisor 决定走关联查询还是直接输出已确认的部分。讲这类项目时一定要说清哪些是自己实现的:编排、状态机、工具封装、失败重试通常是自己写的,底层模型与框架是调用的。
Harness 与模型的关系(本场关键追问):模型能力越强,Harness 承担的事情不是变少而是上移。原来 Harness 在做「替模型补能力」——拆步骤、约束格式、兜底重试;模型把这些内化之后,Harness 的价值转到三处:一是上下文与工具面,决定模型看到什么、能做什么(工具粒度、权限边界、上下文裁剪策略);二是确定性与治理,业务不允许的概率性结果要靠校验、幂等、审计、可回滚兜住;三是评测与反馈闭环,把线上失败案例变成可复用的评测集与规则。可以把关系说成「模型决定能力上限,Harness 决定这份能力在业务里能不能稳定兑现」。如果说未来方向,落点在本体化与 AI Native:把业务概念与操作抽成模型可理解的语义层(而不是把接口原样暴露),让 Agent 按业务意图调用,而不是按技术接口拼装。
「为什么没保研 / 为什么二战」这类问题:面试官问的是决策逻辑与自我认知,不是成绩单。回答按「当时的约束 → 我的判断 → 结果与复盘」三段讲:说清客观条件(保研名额、绩点排名、课程短板),给出自己当时的取舍理由,再讲这段经历带来的可验证改变(比如自学能力、目标拆解)。不要贬低学校或同学,也不要只剩情绪。
对公司的了解:至少说到对方当前的主营方向与正在投入的产品线,并和自己的项目挂上钩。科大讯飞的核心是语音与认知智能,近年重心在星火大模型与教育、医疗、办公等行业的落地,以及国产算力上的模型训练与推理适配。可以顺着说「我的多智能体项目里工具编排与失败恢复的做法,和行业 Agent 落地要解决的问题是同一类」,把话题拉回自己的可验证经验。
反问:两个反问都指向「我进来做什么、能不能成长」——团队近期主攻方向决定你前半年做什么,新人是否有从零到一的机会决定成长速度。这两个问题比问薪资、问加班更能留下印象,也方便自己在后续流程里判断。