面灵AI→

字节大模型三面面经:Harness 组件、多 Agent 协作与缓存命中率怎么稳住

轮次
三面
时间
2026-11
来源
牛客网

《面试题目》

  1. 两个项目都是在校完成的吗?
  2. 介绍首个智能体项目架构,以及你负责的模块。
  3. 谈谈你对 Harness 的理解。
  4. Agent Harness 属于智能体发展的哪一阶段,包含哪些核心组件?
  5. 多 Agent 对比单 Agent,核心优势是什么?
  6. 校验类 Agent 一般怎么设计?
  7. 任务队列的幂等机制如何实现?
  8. 电商项目 Cache Breakpoint 的思路是什么,怎么稳定 80% 命中率?
  9. 对话窗口 32 轮这个阈值是怎么确定的?
  10. 多 Agent 并发抢任务,如何避免重复领取?
  11. MRR(平均倒数排名)如何计算?
  12. LangFuse 排查 badcase 的方式是什么?

算法题:岛屿数量、对称二叉树。

《参考解析》

「项目是不是在校完成的」在确认可讲边界与你的贡献。面试官不是歧视校内项目,而是在判断两件事:这段经历能不能经得起深挖(有没有真实用户、真实数据、真实故障),以及你在其中的角色是主导还是参与。回答时先给归属与时间(课程项目、实验室课题、竞赛、个人开源),再明确边界:哪些代码是你写的、哪些是同伴写的、哪些是调用的开源组件,最后给可验证的结果(用户量、任务成功率、延迟、成本)。如果项目确实只在学校跑过,不必包装成生产系统,直接说明规模与限制,再把「如果上线我会先补哪三件事」讲出来,反而显得清楚。

项目架构按「请求进来—规划—工具—状态—输出」五段讲,每段说清你的决策而不是罗列技术栈:入口怎么鉴权与限流;规划器怎么把用户目标拆成子任务、用什么表示计划;工具层有哪些工具、schema 怎么定义、失败怎么返回给模型;状态与记忆存在哪里(会话表、向量库、对象存储)、怎么裁剪上下文;输出怎么校验与回传。然后落到你负责的模块,给一个具体的技术难点与解法,比如「工具返回过长导致上下文爆炸,我做了结果摘要加引用 id,token 降了六成而成功率不变」。面试官顺着追问时,优先讲权衡与数字,不要背架构图。

Harness 是模型之外的那层运行时脚手架。模型只负责「给定上下文生成下一步」,剩下的事——把用户目标变成循环、把工具描述成模型能调用的格式、管理上下文与记忆、控制权限与沙箱、记录每一步的轨迹、跑评测与回归——都由 Harness 承担。可以把它类比成操作系统之于程序:模型是 CPU,Harness 提供调度、内存管理、系统调用与审计。对 Harness 的理解深度,体现在你能说出「同一个模型换一套 Harness,任务成功率能差出一大截」,以及为什么工程投入要放在这层:工具描述的一次改写、上下文裁剪策略的一次调整,往往比换模型更省钱。

Harness 的核心组件可以按职责列七块:Agent Loop(决定何时继续、何时停止,含最大轮次、超时、重复动作检测)、工具注册与调用层(schema、参数校验、结果序列化、错误分类)、上下文与记忆管理(系统提示词、历史裁剪、摘要、长期记忆检索)、规划与任务分解(计划表示、子任务依赖、重规划)、执行环境(沙箱、文件系统、网络与浏览器等运行时能力)、权限与审批(哪些操作需要人确认、审计日志)、可观测与评测(trace、指标、数据集、回归)。如果只能讲三个,就讲循环、工具、上下文,这三块决定绝大多数失败。

多 Agent 的核心优势是上下文隔离与并行,不是「更聪明」。单 Agent 处理长任务时,所有中间结果都挤在一个上下文里,越往后越容易丢早期约束;拆成多 Agent 后,每个子 Agent 只拿自己需要的切片,上下文干净、可并行、可独立重试;专业化也带来工具集更小、提示词更聚焦的好处。代价同样要讲:协调开销(谁拆任务、结果怎么合并)、错误传播(上游一个错判断会让下游全错)、一致性与幂等(并发写同一资源)、评测更难(要评整体还要评每一段)。判断要不要拆的标准是「子任务是否可独立验证、是否需要不同的工具与上下文」,两个都不满足时拆了只会更差。

校验类 Agent 的设计要点是「规则优先、模型兜底、失败可回退」。先定义输入输出的契约(schema、必填字段、取值范围),能用程序校验的一律用程序:格式、枚举、数值区间、交叉引用是否存在;程序判不了的语义问题(事实是否一致、结论是否有依据)再交给模型,并且最好用与生成不同的模型或不同的提示词做交叉校验,避免同一个模型自己批自己。输出要带置信度与理由,低置信度进入人工复核队列;校验失败时返回具体原因给上游 Agent 重试,而不是只回一个 false。最后要有校验集与回归:把历史误判样本沉淀成用例,每次改提示词都跑一遍。

任务队列的幂等靠「唯一键 + 状态机 + 去重记录」三层。第一层是幂等键:由业务唯一标识推导(订单号 + 操作类型,或客户端生成的 requestId),同一键重复投递只处理一次;第二层是持久化去重,数据库唯一索引或去重表,插入冲突即视为已处理;第三层是状态机,任务只能从待处理流转到处理中再到完成,重复消息进来时先查状态,已完成直接返回结果。消息队列的「至少一次」投递语义决定了消费端必须幂等,不能指望「恰好一次」。还要处理两个边角:处理中的任务要有租约与超时,宕机后能被重新领取;重复请求要能返回第一次的结果(结果缓存),而不是简单丢弃。

Cache Breakpoint 的本质是「让前缀一个字节都不变」。大模型推理的缓存按前缀匹配,命中要求从第一个 token 开始完全一致,所以系统提示词、工具定义、few-shot 示例这些固定内容必须放在最前面并冻结,任何动态内容(时间戳、用户名、随机 id、排序不稳定的列表)放到后面;断点打在固定段落的末尾,让缓存覆盖最长的那段前缀。会话内不要重排历史消息、不要在每个请求里重写系统提示词。稳定 80% 命中率的做法是把它当指标管起来:按请求记录「缓存命中的 token 数 ÷ 总输入 token 数」,按场景与用户分桶看,命中率掉了就去查是哪段前缀变了(发版改了提示词、工具列表顺序变了、注入了时间)。还要说明口径:命中率是按 token 算还是按请求算、是否只统计多轮会话的第二轮之后,否则 80% 这个数字没有意义。

32 轮这个阈值应当来自实验而不是拍脑袋。合理的答法是给出确定依据的过程:先定义指标(任务成功率、约束遗忘率、单轮成本、延迟),再跑一组对照——把同一批任务分别限制在 8、16、32、64 轮上下文,看成功率在第几轮之后开始下降、成本在第几轮之后超过收益,取拐点作为默认值;同时说明 32 不是硬截断,而是触发压缩策略的阈值:超过之后做摘要、把早期轮次转成结构化记忆、或按相关性检索回填。如果这个数字是团队沿用的经验值,就坦白说「沿用的是经验值,我会用上面的方法复核」,比编一个实验更可信。

并发抢任务防重复领取有四种常见手段:数据库层面用 SELECT ... FOR UPDATE SKIP LOCKED 或乐观锁(带版本号的条件更新,更新行数为 0 说明被别人抢走);Redis 层面用 SET NX PX 抢锁加租约,锁的 value 带持有者标识,超时自动释放;任务状态用 CAS 流转(待领取 → 已领取,只有一次能成功);消费端再用幂等键兜底。要讲清租约与续期:领取后设一个可见性超时,处理者定期续租,宕机后租约到期任务自动回到队列;但续租不能无限延长,否则死任务永远不回收。最后补一句监控:重复执行率、任务积压、租约过期次数都要有指标。

MRR(Mean Reciprocal Rank)算的是「第一个正确结果排在第几」的倒数平均。对每个查询,找到第一个相关结果的排名 r,取 1/r;如果前 k 个里没有相关结果则记 0;所有查询取平均。举例:三个查询的第一个相关结果分别排在第 1、第 2、第 5,MRR = (1/1 + 1/2 + 1/5) / 3 ≈ 0.567。它只看第一个正确项,适合「只有一个正确答案」的检索与问答场景;有多个相关结果时用 MAP 或 NDCG 更合适。回答时补一句 MRR@k(只看前 k 个)以及它和 Hit Rate、Recall 的区别,基本就完整了。

LangFuse 排查 badcase 的路径是「先筛后看再回归」:在 trace 列表里按分数、延迟、成本、用户反馈筛选出问题会话;点进单条 trace 看完整链路——每一步的输入输出、工具调用、token 与耗时,定位是检索没召回、工具选错、上下文丢失还是模型幻觉;把同类问题打上标签聚类,统计影响面;修完后把样本加入 dataset,用 LangFuse 的评测跑一遍回归,对比修复前后的分数。它的价值在于把「一步一屏的日志」变成可检索的结构化轨迹,所以平时就要把 sessionId、userId、prompt 版本、模型版本写进 trace 的 metadata,否则出事时筛不出来。

算法题:岛屿数量用 DFS/BFS 遍历网格,遇到陆地就计数并把连通的陆地标记为已访问,时间 O(mn);也可以用一个并查集把相邻陆地合并后统计集合数,适合需要动态连通的变体。对称二叉树用递归最简洁:判断左右子树是否互为镜像(左的左对右的右、左的右对右的左),注意空节点与单侧为空的情况;迭代写法用队列成对入队,每次取两个节点比较。两题都要先确认输入规模与是否允许修改原数组,再动手写。