面灵AI→

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》

  1. 请做自我介绍。
  2. 你的籍贯、硕士类型、学制和预计毕业时间是什么?
  3. 是否有目标城市,是否考虑去安徽?
  4. 本硕是测绘方向,为什么转向 AI?
  5. 个人项目是毕业需要、实际业务需要,还是出于兴趣?
  6. 学校是否允许离校实习?
  7. 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?
  8. 哪些指令会进入沙箱?有没有准入或过滤规则?
  9. Linux 与 macOS 能统一哪些权限语义?哪些机制差异无法抹平?
  10. Seatbelt 拒绝访问后,如何把系统日志关联到具体的 Agent Tool Call?
  11. 了解 eBPF 吗?系统调用层的事件如何关联上层 Session ID 或 Tool Call ID?
  12. 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?
  13. 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?
  14. 项目主要用什么语言开发?AI 编程时代,语言基础还重要吗?
  15. 你使用 AI Coding 工具完成一个项目时,具体工作流程是什么?
  16. AI 不知道项目中的隐性知识时,你怎么处理?
  17. AI 生成的代码,你会全部审查吗?如何对产出负责?
  18. 线上代码出问题时,你如何定位?AI 在排查中承担什么角色?
  19. Agent 在运行链路中有哪些安全风险?你实际做过哪些限制?
  20. 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。