科大讯飞 Harness 一面:Agent 沙箱、系统调用关联与 AI 编程责任
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 请做自我介绍。
- 你的籍贯、硕士类型、学制和预计毕业时间是什么?
- 是否有目标城市,是否考虑去安徽?
- 本硕是测绘方向,为什么转向 AI?
- 个人项目是毕业需要、实际业务需要,还是出于兴趣?
- 学校是否允许离校实习?
- 你在 Agent 操作系统沙箱中具体做了什么?关键流程和技术点是什么?
- 哪些指令会进入沙箱?有没有准入或过滤规则?
- Linux 与 macOS 能统一哪些权限语义?哪些机制差异无法抹平?
- Seatbelt 拒绝访问后,如何把系统日志关联到具体的 Agent Tool Call?
- 了解 eBPF 吗?系统调用层的事件如何关联上层 Session ID 或 Tool Call ID?
- 脚本读写系统资源时,如何避免影响宿主环境?有快照或执行后的状态恢复吗?
- 一个工具既要读取工作目录,又要访问网络,策略如何同时表达这两种权限?
- 项目主要用什么语言开发?AI 编程时代,语言基础还重要吗?
- 你使用 AI Coding 工具完成一个项目时,具体工作流程是什么?
- AI 不知道项目中的隐性知识时,你怎么处理?
- AI 生成的代码,你会全部审查吗?如何对产出负责?
- 线上代码出问题时,你如何定位?AI 在排查中承担什么角色?
- Agent 在运行链路中有哪些安全风险?你实际做过哪些限制?
- 除沙箱和工具调用外,考虑过外部 Skill 等供应链风险吗?
《参考解析》
哪些指令进沙箱:不是按命令文本判断,而是按执行路径判断——模型发起的工具调用中所有会产生副作用的动作都进沙箱,包括 shell 命令、文件读写、网络请求、包安装与子进程。准入层先做命令解析(拆分管道与重定向,识别解释器嵌套),再按路径、域名、可执行文件三类白名单过滤,未命中的直接拒绝并回传结构化原因,而不是交给模型猜。
Linux 与 macOS 的权限语义:能对齐的是「能力」层面:文件读写范围、网络出站、子进程创建、资源上限。无法完全抹平的是机制层面:Linux 用 namespace 做视图隔离、seccomp 做系统调用过滤、cgroup 做资源限额;macOS 用 Seatbelt 的 profile 描述操作级策略,没有 cgroup 的对应物,系统调用过滤粒度也不同。因此框架的策略模型应建立在能力抽象上,两端的实现各自适配,而不是试图让两端行为逐字节一致。
拒绝日志关联到工具调用:每次工具调用生成唯一标识,通过环境变量、进程组或 cgroup 名注入到被执行进程,同时在调用开始时记录 pid 与时间窗;沙箱日志按时间与 pid 采集后,用标识回填到调用记录。macOS 上 Seatbelt 的拒绝日志可由 log stream 实时读取,解析出进程与路径后按 pid 与时间窗匹配;Linux 上则从审计子系统或 eBPF 事件取 pid。
eBPF 关联上层标识:在 sys_enter 或相关 tracepoint 上取 pid/tgid,再沿进程树向上找到工具调用创建的那个根进程,映射到调用标识;更稳的做法是把标识写入进程环境变量或 cgroup 路径,eBPF 侧读取 cgroup id 即可直接关联,不依赖进程树推断。跨容器时用 cgroup id 比 pid 可靠。
避免影响宿主与状态恢复:工作区用写时复制或 overlay 挂载,命令只在挂载层写入,结束后丢弃;资源侧限制 CPU、内存、进程数与磁盘配额,超限即杀;网络侧强制走代理。需要保留产物时只把白名单目录同步出来。快照适合「执行前可回滚」的场景,但成本高,通常只对高风险操作或长任务开启。
同时表达读目录与访问网络:策略要能按「资源 × 动作」组合,文件规则写成路径前缀加读写位,网络规则写成域名或 CIDR 加方法,两条规则同时生效取交集而非覆盖;实现上可以把策略编译成沙箱 profile,文件部分交给挂载与权限位,网络部分交给代理白名单,两者独立生效。
AI 编程时代语言基础:仍然重要,但重心从默写 API 转向判断力——能读懂生成代码的复杂度、内存与并发语义,能在编译错误与运行时异常里定位根因。语言基础差的人无法审查 AI 产出,也无法在模型给出错误方案时识别出来。
隐性知识:写进仓库里模型能读到的地方:项目说明、目录级规则文件、示例代码、类型定义与测试。一次性的口头约定要落成文档或检查项,否则下一轮对话又会丢。对无法文档化的部分,用「先让模型复述约束再动手」的方式校验它是否理解。
是否全部审查:按风险分级。核心链路、并发与资源管理、鉴权与数据边界必须逐行看;样板代码与纯展示层可以靠类型检查、测试与静态分析兜底。责任不因代码由 AI 生成而转移,提交者仍是责任人。
线上问题定位:先看指标与日志确定影响面与时间点,再看链路追踪定位到具体环节,最后用最小复现验证假设。AI 适合做日志检索、假设生成与脚本编写,但结论必须由数据验证,不能把模型的推测当成根因。
Agent 运行链路的安全风险:提示注入导致越权工具调用、工具参数被构造为命令注入、凭据被读取后外带、沙箱逃逸、资源耗尽、以及多 Agent 之间传递不可信内容。实际限制手段是工具最小权限、路径与域名白名单、危险操作二次确认、输出脱敏与完整审计。
外部 Skill 的供应链风险:Skill 本质是可执行的提示与脚本组合,来源不可信时等同于引入任意代码。需要来源审核与签名、声明所需权限、在沙箱内运行、限制其可访问的工具与数据,并在升级时重新审核,而不是一次信任长期有效。