面灵AI→

美团业务后台校招综合终面:本体建模、Agent 评测与 DDD 一致性

轮次
综合终面
时间
2026-11
来源
牛客网

《面试题目》

  1. 充分介绍自己的经历、项目经验和技术认知。
  2. 平时有写博客的习惯吗?博客地址在哪里,能否分享?
  3. 详细介绍京东实习的智能面试间项目。
  4. 这个项目有几个人参与?你具体承担什么职责?
  5. 你们如何定义本体?
  6. 本体在系统和页面开发中应该发挥什么作用?
  7. 这套本体方案是小组自己选型,还是公司范围推广的方案?
  8. 整体分了几层,语义规范是什么,OWL 如何设定?
  9. Action 分为哪些种类?
  10. 什么是对 Agent 友好的基础架构?
  11. 如何衡量系统或软件架构是否对 Agent 友好?
  12. 智能面试间里的 Agent 怎么评测?
  13. 除了功能正确性,非功能层面有什么评测方式和指标?
  14. 成本方面怎么评测?能举一个你具体解决过的成本或性能问题吗?
  15. 什么时候开始接触编程?
  16. 能介绍一下不同语言的学习经历吗?
  17. 面试官指出笔试中数据结构相关的部分答得不太好,你怎么解释?
  18. 什么时候开始接触 DDD?
  19. 你怎么理解领域建模?
  20. 这些代码库可能对应不同微服务,如何保证它们之间的数据一致性?
  21. 除了成本和维护复杂之外,SAGA 还有什么问题?
  22. 这些一致性方案应该用于什么场景,怎么选择?
  23. AI Coding 在你日常编码中怎么使用?
  24. 日常主要用什么工具?
  25. 从什么时候、什么版本开始使用?
  26. 不同版本模型的编码能力,你体感上有什么提升?
  27. 你的求职方向更偏 Agent,如何看待系统开发与 Agent 开发?
  28. 京东这段实习对你有哪些提升和认知迭代?
  29. 通过实习,发现自己还有哪些需要改进的地方?
  30. 之前在北京读书,现在在南京,求职是否更希望去南方?
  31. 除了京东,目前还在聊哪些公司?对京东不满意的主要原因是什么?
  32. 住处如何安排?
  33. 其他公司的面试进行到哪一步了?
  34. 其他机会对应什么业务线?
  35. 毕业前能否提前实习?大概什么时候能开始?
  36. 反问与后续流程。

《参考解析》

本体是领域概念的显式规范,不是一张字典表。 回答时按「概念—属性—关系—约束—动作」展开:有哪些类(如岗位、候选人、面试场次、评价维度),类之间是什么关系(属于、参与、评价),哪些约束必须成立(一场面试只能有一个主面试官),以及哪些动作可以作用在概念上(创建场次、提交评价)。OWL 用来表达类、属性、个体与公理,能做子类推理、等价类与基数约束;工程上要说明实际用了哪一部分,不要声称用了完整 OWL 推理。分层通常分为本体层(schema 与公理)、实例层(具体数据)、应用层(页面与接口如何消费),并说明版本管理与演进方式。

Action 分类按作用对象与副作用划分。 常见分法是查询类(只读、可缓存)、创建类(产生新实体)、变更类(修改已有状态)、删除或归档类(需要确认与软删除)、以及触发外部流程类(发通知、发起审批)。分类的目的不是命名,而是决定权限、幂等、审计与确认策略:查询可以自动执行,变更要校验前置状态,删除要二次确认,外部调用要幂等键与补偿。

Agent 友好的架构要满足可发现、可约束、可观测。 接口与工具要有稳定的名称、明确的输入输出 schema 与错误语义;每个动作要能表达前置条件与权限范围,写操作要支持幂等;系统要暴露任务状态与执行轨迹,便于 Agent 恢复与人工接管;关键动作要有审计与回滚路径。衡量方式可以看:Agent 完成一个任务的步数、工具调用成功率、无效调用比例、人工介入率、以及在接口变更后的回归通过率。页面结构清晰、语义标注完整、状态可查询,也属于友好度的一部分。

Agent 评测分三层。 结果层看任务是否完成、输出是否正确;过程层看工具选择、参数、调用顺序、是否重复或越权;系统层看时延、成本、稳定性与并发。非功能指标包括首字节与端到端时延、每任务 token 与费用、失败率与重试率、对输入扰动的鲁棒性、以及安全边界(提示注入、越权、数据泄露)。评测集要覆盖正常、边界、缺信息与对抗样本,自动评分之外保留人工抽检,避免模型自评循环。

成本与性能案例要给出可复现的因果链。 例如:某类请求上下文过长导致 token 成本高,先做日志分段统计定位到检索片段冗余,再改为按相关度截断与缓存摘要,最后对比每任务成本、时延与成功率。回答时把「观测到的现象—假设—验证—改动—结果」讲完整,并说明有没有副作用。

DDD 的核心是限界上下文与聚合边界。 领域建模先从业务语言里找概念与不变量,再划分上下文,每个上下文内保持模型一致,上下文之间通过明确的契约协作。聚合是一致性边界,一次事务只修改一个聚合,跨聚合用领域事件最终一致。面试官追问「微服务之间如何保证一致性」,可以按场景给方案:强一致用本地事务或分布式事务;最终一致用本地消息表加可靠投递、事务消息、outbox 模式;长流程用 SAGA(编排式或协同式);资金类场景考虑 TCC。SAGA 的问题不只是成本和维护:它没有隔离性,中间状态对外可见;补偿动作不一定可逆(已发短信、已扣减的第三方资源);补偿本身可能失败,需要重试与人工兜底;链路长时排障困难。选型依据是一致性要求、业务可补偿性、调用方能否接受中间状态,以及团队对运维复杂度的承受能力。

AI Coding 的版本差异要讲具体场景。 可以从「生成可用率、跨文件修改能力、对报错的自修复、上下文长度与工具调用」几个维度比较,并说明自己在哪些环节用、哪些环节不用。工具名不是重点,重点是分工与验证:需求拆解、方案对比、样板代码、单测生成、日志分析可以交给模型,涉及权限、资金、数据迁移的改动必须人工确认。

方向与 HR 问题按事实回答。 系统开发与 Agent 开发不是对立的:Agent 需要稳定的系统能力做底座,系统开发也在引入模型能力。回答时给出自己判断的依据与愿意承担的取舍。HR 问其他机会、住处、提前实习,如实说明进度与时间安排即可,不必贬低任何一方;对当前公司有顾虑时,讲具体事实与个人偏好,不评价公司。