海康威视 Agent 开发日常实习一面:多 Agent 协作、Skill 分层与跨设备调度
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 自我介绍。
- 讲一下你对于多 Agent 的了解,你是如何设计的,实际的运行原理是什么?
- 如果我想跨设备协作,比如一台电脑的 Agent 到另外一台电脑上 Agent 工作,应该怎么做?
- 你有过多个 Agent 互相协作、自动化处理任务的经验吗?讲述一下。
- 讲一下你在日常生活中怎么利用 AI 提效的,比如辅助游戏、组会任务、课堂作业等等。
- 对于 Skill 分层,你是如何进行设计的,每一层的内容是什么?分层的目的或者作用是什么?
- 除了从网上的 Skill 进行改编,你有没有自己完整独立设计过 Skill,怎么设计的?
- Agent 会混淆对于 Skill 的选择,具体是多少体量的 Skill 会出现这种情况,你觉得原因是什么?具体的场景是什么?
- 市面流行的 Agent 了解吗?他们各自的优劣势可以讲一下吗?
- 团队成员介绍部门业务(约 10 分钟)。
- 反问:作为实习生,进入之后日常主要负责的事情是什么?
《参考解析》
多 Agent 的设计要讲清分工与通信:常见形态有三种——主从(一个编排者拆任务、派给专职 Agent、汇总结果)、对等(Agent 之间通过消息总线协商)、流水线(按阶段串行,每段一个 Agent)。运行原理要落到机制:任务如何拆解(规划器或固定流程)、上下文如何传递(共享状态、消息、还是只传摘要)、冲突如何裁决(谁有最终决定权)、失败如何重试与兜底。回答时给一个真实例子:目标是什么、拆成几个角色、每个角色用什么工具、跑一次多久、哪一步最容易出错。没有实践就如实说理解程度,比编一个架构更安全。
跨设备协作的落点是「把执行能力暴露成服务」:两台机器之间不能直接共享进程,做法是在目标设备上跑一个 Agent 运行时(或执行器),暴露受鉴权的接口(HTTP/WebSocket/RPC)接收任务、执行工具、回传结果;发起方只负责编排与结果汇总。要处理的关键问题:身份与授权(谁能在这台机器上执行什么)、能力发现(对方有哪些工具与权限)、断连与超时(长任务要能查询状态而不是一直挂着)、以及安全边界(文件读写、命令执行要限定工作目录与白名单,不能把整台机器交出去)。
Skill 分层的目的是控制上下文与责任边界:可以分三层——能力层(原子工具:读文件、跑命令、查接口)、领域层(把原子能力组合成业务动作:查一次发布状态、生成一份周报)、场景层(面向具体任务的流程与判断标准:值班排障、代码评审)。分层的作用是让模型在每一层只看到需要的信息:上下文里先给场景与领域 Skill 的摘要,选中后再加载细节,避免一次塞入全部说明导致选择困难与 token 膨胀;同时每层可以独立测试与复用。
Skill 数量与选择准确率:没有放之四海皆准的阈值,但经验上同一层可选 Skill 超过二三十个、且描述高度相似时,选错会明显增多;到上百个时几乎一定要做检索或分类路由。原因是模型在候选集里做的是语义匹配,描述越相近越难区分,而上下文里候选越多,注意力越分散。缓解手段:给每个 Skill 写清「什么时候用、什么时候不用」与反例;把大集合按领域分组,先选组再选 Skill;用检索把候选缩到 5 到 10 个;对高频混淆对做专门的评测集,每次改描述都跑一遍。
主流 Agent 的优劣势:可以从三个维度比较——执行环境(本地终端、浏览器、IDE 还是纯对话)、扩展方式(MCP 工具、Skill 指令、插件)、以及自主程度(单轮问答、带工具的循环、还是长任务自主规划)。优势通常在某一环做得深(比如终端操作或代码库理解),劣势是跨环境能力弱、长任务稳定性差、或成本高。评价时结合自己的使用场景说,比如「做仓库级改动时更看重它对代码结构与测试的理解」,比罗列功能表更有说服力。
日常 AI 提效要具体到动作:说清三件事——什么任务、原来怎么做、用 AI 之后省了什么。例如组会纪要:录音转写后用模型按「结论、待办、负责人」结构化,再人工核对;课堂作业:先让模型解释概念与给反例,再自己推导,避免直接抄答案;写代码:用 AI 生成样板与测试,自己负责设计与评审。面试官问这题是在看你是不是真的把工具用进了工作流,而不是只会聊天。