银泰百货 银泰星 AI 工程师 一面：SDD、Agent 与内容审核

《面试题目》

1. 你怎么理解 SDD 规格驱动开发？
2. SDD 除了文档规范以外还能带来什么价值？为什么需要它？
3. 现在 Agent 已经很智能，能从对话里提取任务并沉淀文档，SDD 还有存在的必要吗？
4. 除了解决模型上下文问题，SDD 是不是还有其他更有价值的东西？
5. 你们团队有没有落地团队规范？
6. 实习做的 AI-kit 讲一下。这个工作是人来调还是 AI 自己调？它和直接用 Claude 有什么区别？
7. 你说对引擎知识库构建索引，索引是怎么构建的？
8. 什么时候需要用到多 Agent？
9. 第一段实习的审核是怎么做的？音视频、文字、图片分别怎么审？
10. 当时调用易盾 API 审核，现在你觉得能用大模型做审核吗？
11. 听过 Jev 这个模型吗？专门做判断的模型和推理模型的本质区别是什么？
12. 消息队列的可靠性怎样保证？生产者、Broker、消费者分别做什么？
13. 你们团队现在还会人工 review 代码吗？

《参考解析》

SDD 的价值：Spec-Driven Development 不是「多写一份文档」，而是把需求变成可执行、可评审、可验证的契约。Agent 能从对话里提取任务，但对话是易变的、上下文是私有的，Spec 提供的是稳定的单一事实源：范围、输入输出、约束、验收标准、失败处理都写清楚，生成代码和测试才有共同依据。它还能让变更可审计——改了什么、为什么改、影响哪些接口，都能在版本里追溯。团队规范落地的关键不是模板多漂亮，而是 Spec 和代码、测试、CI 真正联动，否则就是另一份没人看的文档。

AI-kit 与索引：讲项目时先说清边界：AI-kit 是给业务方用的工具层，还是给模型用的工具协议层；人调还是 AI 调，取决于权限和风险，低风险只读工具可以放开自动调用，写操作和外部副作用要人确认。和直接用 Claude 的区别要落在「领域知识、工具编排、权限控制、结果校验、可观测性」上，而不是「我们包了一层」。知识库索引的构建链路是解析文档、清洗、切块、向量化、写向量库、建元数据索引，再配合关键词索引和权限过滤；增量更新要靠文档版本和内容哈希，避免全量重建。

多 Agent 与审核：多 Agent 适合任务能拆成独立子问题、工具集或权限不同、需要并行或对抗验证的场景；简单问答硬拆多 Agent 只会增加延迟和协调成本。内容审核可以分层：规则和黑名单先挡明显违规，小模型做高召回初筛，大模型做语义复核，人工处理边界和申诉。音视频要抽帧、转写、多模态理解，文字图片走文本和图像审核。大模型审核的优势是语义理解，缺点是成本、延迟和稳定性，所以生产上通常是「模型给分 + 阈值 + 人工兜底」。

消息队列可靠性：生产者侧要开确认机制，失败重试并保证业务幂等；Broker 侧靠持久化、多副本、同步刷盘和 leader 选举保证不丢；消费者侧关闭自动 ack，处理成功后再提交位点，失败进入重试队列或死信队列。端到端还要有唯一消息 ID 和去重表，避免重复消费。人工 review 代码在 AI 时代不会消失，但会从逐行看语法转向看边界、权限、数据流和测试覆盖。