极智嘉二面：调度逻辑、隐私合规与具身智能认知

《面试题目》

1. 个人介绍。
2. 实习经历介绍。
3. 实习期间遇到的最大难点是什么？
4. 你们团队主要负责什么？
5. 调度的具体逻辑是什么？
6. 遇到隐私合规问题怎么解决？
7. 说一下 AI 的使用情况。
8. 你的研究方向是什么？
9. 对具身智能和机器人行业，说说你的看法。
10. 说一下你的职业规划。
11. 反问。

《参考解析》

调度逻辑：仓储机器人调度本质是“任务分配 + 路径规划 + 交通管制”的组合。任务层把订单拆成拣选任务，按优先级、截止时间、机器人位置和电量做分配，常用贪心加启发式，规模大时用拍卖算法或整数规划；路径层在栅格/路网图上跑 A*、Dijkstra 或时间窗规划，考虑动态障碍；交通层做避让、死锁检测和路口预约，常用预约表、令牌或冲突图。工程上要讲清状态机（空闲、前往、取货、送货、充电）、失败重试和人工接管，以及仿真回放和指标（吞吐、平均等待、机器人利用率）。

隐私合规：先做数据分类分级，明确哪些是个人信息、敏感个人信息；采集端最小化，能本地处理就不上云，必须上传的做脱敏或假名化；存储加密、访问最小权限、审计日志；跨境和第三方共享要单独评估；提供用户查询、更正、删除的通道；模型训练数据要去标识化并记录授权来源。机器人场景还会采集图像/视频，要注意工位与公共区域的告知、遮挡和保留期限。回答时结合具体项目讲“哪个数据、什么目的、存多久、谁能看”。

AI 使用：可以分研发提效和产品能力两块。研发侧用 AI 做代码补全、单测生成、日志分析、文档整理，但要有人审和测试兜底；产品侧用视觉模型做识别、用大模型做自然语言指令解析，要有置信度阈值和人工确认。不要只说“用 ChatGPT 写代码”，要讲清在哪个环节、节省了什么、怎么验证正确性。

具身智能看法：可以按“感知 → 决策 → 控制”三层说。感知侧多模态模型和 3D 视觉进步很快；决策侧大模型擅长任务分解，但实时性和可靠性还不够，工业场景更适合“大模型规划 + 传统控制执行”的混合架构；控制侧仿真到现实的迁移（sim2real）仍是难点。仓储机器人是具身智能较早落地的场景，因为环境结构化、任务重复、ROI 可算。回答时既不要盲目吹，也不要只泼冷水，给出一个“先在封闭场景做深，再逐步开放”的判断。

职业规划：短期把一门后端语言和分布式基础打牢，能独立负责一个模块；中期在调度/机器人业务里做成领域专家，能主导跨团队项目；长期往架构或技术管理走。要和岗位业务挂钩，别背通用模板。