面灵AI→

科大讯飞二面:Agent 平台的 RAG、记忆持久化、上下文管理与 Spec 开发

轮次
二面
时间
2026-11
来源
牛客网

《面试题目》

  1. 简单做一下自我介绍。
  2. 介绍一下你在 Harness / Agent 相关的工作。
  3. 哪一个项目让你更有成就感?
  4. 详细介绍这个项目。
  5. 这个平台是否上线、在业务中真实投产使用?上线之后怎么迭代优化?
  6. 为什么选择 RAG 构建领域知识库?
  7. 这套系统有没有使用开源 Agent 框架?Workflow 是怎么设计的?
  8. 平台里面的记忆持久化怎么实现,存在哪里?
  9. 你是否了解 Codex、Claude Code 的上下文管理机制?
  10. 在 Agent loop 里面如何处理错误,有哪些纠错机制?
  11. 平时比较常用哪些 AI / Harness 工具?
  12. 是否用过 Spec 的方式做开发?Spec 文档里哪些内容最重要、哪些不重要?
  13. 如何保证代码可以持续演进、可维护?
  14. 是否发表论文,研究方向是什么?
  15. 同时做过大模型研究和 Agent 工程,未来更倾向哪一块?
  16. 你是哪里人,对工作地点怎么考虑?
  17. 你怎么看待大模型的未来发展,平时会关注哪些前沿资讯?
  18. 用三个词评价你自己。
  19. 你有什么想问我们的?

《参考解析》

为什么用 RAG 而不是微调或长上下文:RAG 解决的是「知识频繁变化且需要溯源」的问题。领域知识库(产品文档、内部规范、FAQ)更新快,微调一次成本高、周期长,而且模型参数里存的知识无法引用出处、容易过时;把所有文档塞进长上下文则受窗口限制、成本和延迟都随长度上升,检索精度也会下降。RAG 把「知识」与「推理」解耦:检索负责召回相关片段,模型负责基于片段作答,更新知识只需重建索引。它的难点不在链路而在检索质量——切分粒度、embedding 选型、混合检索(向量 + 关键词)、rerank、以及召回为空时如何降级。

Workflow 与 Agent 的取舍:能用固定流程解决的不要交给自主 Agent。Workflow 是可预测的编排(步骤固定、分支明确、每步可测),延迟与成本可控、失败可定位;Agent 适合步骤不确定、需要模型自行决定调用哪些工具的场景。实践中常见的是混合:外层用 Workflow 框住主要阶段,内层在需要判断的环节交给 Agent。用开源框架(LangGraph 一类)能省编排与状态管理的活,但要看清楚它的抽象是否与你的观测、重试、持久化需求匹配,很多团队最后会把关键链路收回到自己可控的实现上。

记忆持久化:分三层——会话内上下文(消息历史,随请求发送,受窗口限制)、会话级持久化(把对话与中间状态写入数据库或对象存储,按 session 恢复)、长期记忆(抽取事实、偏好、结论,写入结构化存储或向量库,按用户检索注入)。工程上要解决的是:写什么(原始消息还是摘要)、何时写(每轮、每 N 轮、会话结束)、怎么取(按用户 + 相关性检索、控制注入长度)、以及隐私与过期策略。把全部历史都塞回去是最差的做法,成本高且会稀释关键信息。

上下文管理可以借鉴什么:主流编码 Agent 的做法有三点值得学——一是前缀稳定,system prompt 与工具定义在一场会话内不变,只往后追加,从而命中上游的 Prompt Cache;二是压缩,接近窗口上限时做摘要或裁剪工具返回的大块内容(保留结论、丢掉原始日志);三是有选择地重新读取,需要细节时再按需读文件或检索,而不是一开始全量加载。这套思路可以直接迁移到业务 Agent:稳定前缀 + 增量追加 + 按需检索。

Agent loop 的错误处理:按错误来源分层。工具层:超时、限流、返回格式不符、权限不足,分别对应重试(带退避与上限)、降级到备用工具、schema 校验后让模型修正参数、以及向用户说明;模型层:输出不是合法 JSON 或调用了不存在的工具,用结构化输出约束 + 解析失败重问;规划层:反复调用同一工具、陷入循环,用步数上限与重复检测打断;业务层:结果不符合预期,用校验器或二次模型检查。所有错误都要记录下来形成坏 case 集,改完之后跑回归。核心原则是「失败要显式」,不能让 Agent 编一个看起来成功的结果。

Spec 驱动开发里什么重要:重要的是约束与验收——目标与范围、输入输出契约、边界与异常、验收标准、不可更改的依赖与约定;不重要的是实现细节与文件级步骤,因为这些应该由执行者根据代码现状决定,写死了反而会随代码变化而过时。Spec 的价值在于把「要什么」和「怎么做」分开,让评审聚焦在需求与接口上。

代码可持续演进:可维护性靠几件具体的事:模块边界清晰、依赖方向单一;关键决策有文档(为什么这么选,替代方案是什么);测试覆盖核心路径与边界;配置与代码分离;以及持续的小步重构。被追问时给一个你实际做过的例子,比列原则有效。

职业倾向与信息渠道:研究与工程的取舍要给出判断依据——你更喜欢把能力落到可用系统上,还是更享受方法创新;两者都做过的人可以说明自己在前者上的优势(工程落地、评测、成本控制)。前沿资讯说具体来源(官方模型文档与发布说明、论文、开源项目、技术博客),并给一个你最近关注的具体方向与自己的判断,避免罗列名词。