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》
- 充分介绍自己的经历、项目经验和技术认知。
- 平时有写博客的习惯吗?博客地址在哪里,能否分享?
- 详细介绍京东实习的智能面试间项目。
- 这个项目有几个人参与?你具体承担什么职责?
- 你们如何定义本体?
- 本体在系统和页面开发中应该发挥什么作用?
- 这套本体方案是小组自己选型,还是公司范围推广的方案?
- 整体分了几层,语义规范是什么,OWL 如何设定?
- Action 分为哪些种类?
- 什么是对 Agent 友好的基础架构?
- 如何衡量系统或软件架构是否对 Agent 友好?
- 智能面试间里的 Agent 怎么评测?
- 除了功能正确性,非功能层面有什么评测方式和指标?
- 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?
- 什么时候开始接触编程?
- 能介绍一下不同语言的学习经历吗?
- 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?
- 什么时候开始接触 DDD?
- 你怎么理解领域建模?
- 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?
- 除了成本和维护复杂之外,SAGA 还有什么问题?
- 这些一致性方案应该用于什么场景,怎么选择?
- AI Coding 在你日常编码中怎么使用?
- 日常主要用什么工具?
- 从什么时候、什么版本开始使用?
- 不同版本模型的编码能力,你体感上有什么提升?
- 你的求职方向更偏 Agent,如何看待系统开发与 Agent 开发?
- 京东这段实习对你有哪些提升和认知迭代?
- 通过实习,发现自己还有哪些需要改进的地方?
- 之前在北京读书,现在在南京,求职是否更希望去南方?
- 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?
- 住处如何安排?
- 其他公司的面试进行到哪一步了?
- 其他机会对应什么业务线?
- 毕业前能否提前实习?大概什么时候能开始?
- 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。