面灵AI→

Boss 直聘数据开发一面:埋点去重、看板价值与 Agent 知识库召回测试

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

  1. 自我介绍。
  2. 拉家常:问学校、问秋招、问实习。
  3. 学校大数据相关课程有哪些?
  4. 在校学习阶段接触、使用过哪些大数据工程技术?
  5. 实习项目用到的平台是什么?
  6. 实习项目的背景是什么?
  7. 项目的数据来源是什么?
  8. 拿到原始数据之后,数据清洗环节有哪些重点注意事项?
  9. 重复数据是短时间内重复,还是跨天重复?是实时还是离线任务?
  10. BI 看板是你负责开发吗?看板依托什么平台?
  11. 看板需求是 DA 提,还是自己设计?
  12. 一共设计了多少个看板?
  13. 看板是你独立完成的吗?
  14. 看板设计过程中遇到比较有挑战的问题是什么?
  15. 举一个看板设计的例子,说明指标或者看板链路如何帮助定位业务问题。
  16. 你简历提到 Flink,学校学过吗?项目里有没有实际使用?
  17. Agent 项目使用的是什么大模型?
  18. 平时使用哪一类模型更多?
  19. CodeX 使用哪个版本?
  20. CodeX 和 Claude 在解决问题上有什么差异?
  21. 项目有没有使用 XX 模型?
  22. Agent 项目是独立开发还是团队协作?
  23. 知识库召回效果怎么测试?
  24. 为什么二次开发 OpenClaw,而不选用轻量开源方案?
  25. 你的工作重心是 Agent 搭建维护吗?
  26. 你的期望薪资?
  27. 你有什么问题想了解?

《参考解析》

数据清洗的两个重点:一是去重,代码每次提交都会打点,重复提交会带来重复数据;二是口径对齐,不同团队的埋点定义不一致,要先监控字段口径再 JOIN 与开发。去重放在哪里取决于任务形态:这个课题以离线为主、每日增量写入,写入阶段不做大量去重,而是在拉取使用时做 T+1 全量清洗后重新入库。

看板的价值怎么体现:指标与图表本身实现难度不高,难点是让看板能反映业务特征、支撑定位问题。做法是先由数据同学基于对效能的理解产出初版(ADS 指标 + 下钻维度),再由 DA 与业务方给优化建议迭代。判断一个看板是否有用,看它能否把「某个指标异常」顺着下钻维度收敛到具体团队、链路或版本,而不是只展示一个总数。

知识库召回怎么测:通过接口调用 Agent,让它读需求文档、生成测试用例与执行脚本并返回结果;测试时读 Agent 的思考日志,确认调用了哪个 Skill、对需求的理解是否正确、召回的知识条目是否相关。SQL 执行出错要区分是能力边界(优化 SQL、明确 Agent 可执行范围)还是召回异常(调整知识库参数与内容)。此外重点测记忆隔离:多用户共用同一个 Agent 时,公共记忆与私有记忆必须分开,这部分测试周期最长。

为什么二次开发 OpenClaw 而不是轻量方案:这类选择的判断依据是需要的执行能力边界——是否需要浏览器操作、文件读写、多步工具编排与可扩展的 Skill 机制。轻量框架在单轮问答够用,但要做长流程任务时需要自己补编排、状态与权限,二次开发的成本反而更低。回答时要把需求清单与框架能力逐项对应,而不是只谈偏好。