快手 AI 全栈开发面经：Agent Harness、沙箱与知识库两轮追问

《面试题目》

一面

1. 自我介绍。
2. 你的 Agent 项目背景是什么？
3. Harness 是什么，你是怎么做的？
4. 和之前把 Agent 托管在别的平台上相比，有什么区别？
5. Agent 沙箱是怎么做的？
6. 知识库是怎么做的？
7. 现场 AI Coding：实现一个多实例并发系统，先展示 spec，一轮提示词内完成。
8. 平时怎么用 AI，比较看重 AI Coding 的哪一步？
9. 平时有没有持续学习新东西的习惯？

二面

1. Agent 是怎么做的？Loop 在这里指什么？
2. Harness 有什么用？
3. ReAct 之类的范式了解吗？
4. 如果让你设计一个一站式需求交付平台，你会怎么设计？如何优化成本？
5. 生活服务场景下，要根据多方面数据分析销量差的原因，你会怎么设计？
6. 什么时候能来，能不能再早些？

《参考解析》

Harness 是什么、和托管在别的 Agent 上有什么区别

Harness 是模型之外的执行骨架：它把用户目标变成可执行步骤，负责组织上下文、调用工具、保存中间状态、处理失败重试与人工接管，并提供权限、沙箱、可观测性和评测。模型只负责在当前上下文里做判断，Harness 负责让判断能稳定落地。

自己做 Harness 与托管在现成 Agent 平台上的区别主要在控制权：Loop 怎么转、上下文怎么压缩、工具协议怎么定义、状态存在哪里、失败怎么恢复、成本怎么归因，都由自己决定；代价是要自己承担运行时、沙箱、并发和评测的工程复杂度。如果业务只是做轻量问答，托管平台更省事；如果要接内部系统、做长任务和多实例并发，自研 Harness 才能把关键链路握在手里。

Agent 沙箱怎么做

目标是把不可信的工具调用和代码执行限制在可控范围内：每个任务独立容器或微虚拟机，限制 CPU、内存、磁盘和运行时长；默认禁止外网，按需开白名单；文件系统按任务挂载并在结束后回收；工具调用统一走网关，记录入参、出参和耗时；长任务支持快照与恢复。安全上还要做路径校验、命令白名单和资源配额，避免一个任务拖垮整个实例。

知识库怎么做

一条完整链路是：文档解析与清洗 → 按语义和结构切块 → 建立元数据（来源、更新时间、权限）→ 向量化并写入索引 → 检索时混合向量召回与关键词召回 → rerank → 组装上下文。工程上要解决增量更新、权限过滤、重复内容和失效文档清理；效果上要用真实问题集评 Recall@k、Hit@k 和最终回答正确率，而不是只看切块数量。

多实例并发系统（AI Coding 题）

先写清 spec：任务模型、状态机、并发边界、失败重试和幂等要求。实现上用任务队列分发，每个实例绑定独立工作目录或 worktree，状态落库并用版本号做乐观锁；同一任务加分布式锁，保证重复投递不会重复执行；外部副作用设计成幂等操作；实例崩溃后由租约超时触发重新调度。最后用压测验证吞吐、尾延迟和故障恢复。

一站式需求交付平台怎么设计与降本

平台可以拆成需求接入、方案生成、任务编排、执行环境、评审与交付五层：需求统一转成结构化 spec，编排层把任务拆成可并行的子任务，执行层按任务起隔离环境，评审层用自动化和人工门禁兜底。降本优先做模型路由（简单任务走小模型）、上下文压缩、结果缓存、失败早停和批处理，再用评测数据判断哪些环节真的值得用大模型。