小米基础架构一面:沙箱实现、Agent Harness 组成与手写 LRU
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 请做自我介绍。最近一段实习具体做什么?
- 你介绍的项目对应简历上的哪一项?能否提供最新版简历?
- 实习定位是什么?它本身是沙箱,还是一个 Agent 框架?
- 简历中的沙箱、观测优化和性能优化,哪些是你本人完成的?
- 有没有其他能看到实际代码或材料的项目?
- 安全沙箱具体怎么实现?
- 调研了哪些现有沙箱?你通过什么资料或方法确认 Codex、Claude Code 的实现?
- 开源仓库中能否看到你的提交?你的 GitHub 账号是什么?
- 沙箱工作用了多长时间?
- 你的本地 Sandbox 与 Cube Sandbox 有什么区别?
- 所在团队属于哪个部门?团队有多少人?
- 你怎么看 Go 语言?
- 工作中如何使用 AI 完成需求、调研、编码和审查?
- 你如何理解 AI/Agent Harness?能否按几个维度讲清它的组成?
- 用户提供的上下文可能冗余或不足,未来产品会如何改进?
- 多个 Session 之间重复的上下文如何管理?Memory 能解决什么?
- 除 Context 和 Memory 外,工具调用、可观测性还有哪些值得改进的方向?
- 现在主要由 AI 写代码还是手写?你的独立编码能力如何?
- LRU 缓存需要提供哪些能力?容量上限和淘汰规则是什么?
- 用什么数据结构实现 Get、Put 的 O(1) 操作?
- 为什么需要链表?应该用单链表还是双链表?
- 给出 Get、Put 的实现思路或伪代码,再开始编码。
《参考解析》
沙箱的实现骨架:四层——隔离层负责进程与文件系统视图(容器、namespace、写时复制工作区),策略层负责路径、网络、命令的准入判断,资源层限制 CPU、内存、进程数与执行时长,审计层记录每次工具调用的命令、退出码与产物。真正难的不是起一个容器,而是把「模型想做什么」翻译成可判定的策略,并在拒绝时给出模型能理解并修正的原因。
调研他人实现的可靠方法:优先读源码与官方文档,其次用行为测试反推——构造几个边界命令观察其拦截结果与报错文案,再对照其 release note 与 issue。只看二手博客容易把推测当成事实,面试里被追问「你怎么确认的」时要能说出具体来源。
本地沙箱与云端沙箱的差别:比较维度是隔离强度、启动开销、环境一致性、快照与恢复能力、以及可观测数据的获取方式。本地进程级隔离启动快、贴近开发者环境,但隔离弱、清理不彻底;云端微虚拟机隔离强、可快照,但启动慢、需要网络与镜像管理。选型取决于要跑的是不可信代码还是自己的脚本。
Go 语言的特点:调度器把大量 goroutine 复用到少量线程,适合 IO 密集的服务;接口是隐式实现,便于解耦;GC 是并发的,停顿短但仍有分配压力,热路径要控制逃逸与临时对象;错误处理显式,样板多但可读性稳定。短板在泛型表达力与运行时调试的直观性。
Harness 的组成:可以按六块讲——模型接入与路由、上下文构建与压缩、工具层(schema、执行、权限)、运行循环(规划、调用、终止条件)、执行环境(沙箱与资源)、观测与评测(轨迹、成本、成功率)。再往外是产品层的人机交互与审批。Harness 的价值在于把模型的非确定性收敛成可运维的系统行为。
上下文冗余或不足:冗余靠分层与压缩解决——稳定指令与工具表放前缀,历史按轮次裁剪与摘要,检索结果按相关性阈值过滤;不足靠主动补全——缺文件就让工具去读、缺约束就反问用户、缺领域知识就检索。产品上应把「模型还需要什么」显式化,例如在关键步骤前生成待确认清单,而不是让模型在信息缺失时自行编造。
跨 Session 的重复上下文:把稳定部分(项目说明、用户偏好、长期目标)沉淀为可检索的记忆,会话开始时按需注入摘要;易变部分(当前任务状态、临时决定)留在会话内。Memory 解决的是「同一事实不要每次重新问」,不是「把所有历史都带上」。
工具调用与可观测性的改进方向:工具侧可以做参数校验前移、结果裁剪、并行调用与失败重试策略;可观测侧需要把一次任务的完整轨迹(模型输入输出、工具参数与结果、耗时与成本)串成可回放的链路,并在此基础上做成功率、平均步数、无效调用率的统计,否则优化没有依据。
LRU 的实现:用哈希表加双向链表。哈希表存 key 到链表节点的映射,链表头放最近使用、尾部放最久未使用;Get 命中后把节点移到头部,Put 时若 key 存在则更新并移到头部,不存在则新建插到头部,容量超限时删尾节点并从哈希表移除。必须是双向链表,因为删除任意节点需要 O(1) 拿到前驱,单链表删除要找前驱,退化成 O(n)。并发场景还要加锁或分片,并按需处理「写入时正在读」的一致性问题。