面灵AI→

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

  1. 介绍个人情况和重点项目。
  2. 现在还在京东实习吗,为什么离开?
  3. 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

  1. 选一个京东参与程度高、收获大的项目展开。
  2. 项目多少人做,你负责的是哪一部分?
  3. 数据来源、规则与模型分工、结果接入方式是什么?
  4. 为什么不能直接把数据交给模型?
  5. 有了数据,为什么还会引入代码规则?
  6. 生成结果怎样进入 Java 业务系统?
  7. 某些关键信息拿不到时怎么处理?
  8. 这个模块做了多久,什么时候上线?

本科成绩与考研经历

  1. 本科毕业后的一年在做什么?
  2. 第一年的考研目标是什么,为什么第二年选择南大?
  3. 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

  1. 详细介绍多智能体航旅排障项目,想听听你对 Agent 的理解。
  2. 底层采用什么框架,哪些自己实现,是否使用 AI Coding?
  3. Supervisor、Planner、Executor 如何分工?
  4. 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

  1. 博客由自己编写还是 AI Coding 完成,目前还在迭代吗?
  2. 博客部署在哪里,服务器是否自己购买?
  3. 文章内容是否自己写,平时是否在 B 站创作?

Agent 趋势与 Harness

  1. 对 Agent 当前的发展做过哪些学习和研究?
  2. 今年的 Agent 与之前有什么变化,有哪些不同的框架?
  3. 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

  1. 对科大讯飞有哪些了解?
  2. 反问:团队业务和近期主攻方向是什么?
  3. 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。