华为 AI 应用方向二面:京东实习与多 Agent 项目深挖,现场手写岛屿数量
- 轮次
- 二面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
背景与简历
- 做一下自我介绍,讲主要实习和项目。
- 京东这段经历为什么没有体现在当前文档简历里?
京东工作项目:数据、规则与总结链路
- 这个模块面向谁,解决什么问题?
- 上游给什么,数据从哪里获取,为什么需要先组织业务依据?
- 输入真实的情况下,为什么模型仍然会出错?代码与模型怎样分工?
- 原来的错误率是多少,治理后有什么变化?
- 是批量处理很多文档,还是一次处理一个任务?工作流怎样触发?
- 除 Prompt 外,用什么语言、平台和接口实现?
个人项目:多 Agent 分工与协作
- 为什么做这个个人项目?为什么采用多 Agent 而不是单体流程?
- Supervisor、Planner、Executor 分别做什么?
- 多个 Agent 之间怎样协调?
- 简历里写的「约束执行 Agent 单步执行,阻断幻觉」具体是什么意思?
- 除此以外,还了解哪些降低幻觉的方法?
RAG、框架与 AI 编程
- RAG 在项目中具体做了什么?
- 使用哪个向量数据库,为什么选它?
- 个人项目自己实现到什么程度,哪些部分借助 AI 完成?
- 使用什么 Agent 框架和编程语言?
- 在京东做 Java 开发时,怎样使用 AI 编程?
现场手写:岛屿数量
- 题目给出由陆地和水组成的二维网格,水平、竖直相邻的陆地属于同一座岛,求岛屿数量。
- 讲一下你的思路,为什么选 DFS 而不是 BFS 或并查集?
- 解释代码主体、边界判断,以及为什么可以直接把访问过的陆地改成水。
- 复杂度是多少?如果网格很大、递归会栈溢出怎么办?
笔试交流与反问
- 对笔试环节有什么想交流的?
- 你有什么想问我的?
《参考解析》
输入真实、模型仍然出错时,代码与模型怎么分工:模型出错一般不在「读不懂输入」,而在三处——业务依据没有被结构化(上游给的是一段自由文本,口径散落在各处)、判定标准没有被显式建模(同一类问题靠 Prompt 里的自然语言描述,边界模糊)、以及缺少可验证的收敛手段。所以治理顺序是先把业务依据整理成结构化字段与规则表(字段化、枚举化、可回溯来源),能确定性判定的部分交给代码(正则、字典匹配、规则引擎、阈值),只把需要语义理解的部分交给模型,并且要求模型输出结构化结果(JSON Schema 约束、枚举、必填字段),再用二次校验或规则回查兜底。衡量治理效果要有对照:同一批离线样本上治理前后的错误率、错在哪一类,而不是只看线上「感觉好了」。
多 Agent 的分工与协调:Supervisor 负责意图识别与路由,决定当前这一步交给谁、什么时候终止;Planner 把目标拆成有序子任务,产出可执行的步骤清单;Executor 只负责执行单步并返回结果。协调的关键是共享一份显式状态(任务清单、已完成步骤、中间产物),每一步的输入输出都走这份状态而不是靠对话历史传递,这样任意一步失败都能重放,也能限制上下文长度。多 Agent 相比单体流程的价值在于职责隔离与可观测——每一步都有明确的输入输出和判定标准,出错时能定位到是规划错了还是执行错了;代价是调度开销、状态一致性与更长的链路,如果任务本身就是单步转换,多 Agent 只会增加失败面。
「约束单步执行、阻断幻觉」的落地:核心是把「让模型自由决定下一步做什么」换成「模型只能从当前允许的动作集合里选一个」。具体做法:把工具与动作定义成有限集合,每一步只暴露当前状态合法的动作;要求模型输出结构化调用(动作名 + 参数),由程序校验参数合法性与前置条件,不合法就拒绝并回灌错误信息;执行结果由程序回读确认(接口返回、页面状态、数据库记录),模型自述成功不算数;对事实性字段禁止模型生成,一律从检索结果或库里取。再加一条「无依据即拒答」的出口,让模型在检索不到支撑时明确说不知道,而不是补全一个像样的答案。
其他降低幻觉的手段:检索增强并在回答里带出处,让内容可回查;把长任务拆成短步骤,每步只让模型做一个小判断;用规则或小模型做前置过滤,缩小模型的选择空间;同一问题多次采样或换模型交叉验证,对不一致的结果降级或转人工;对数值、日期、ID 这类字段做格式与范围校验;以及最容易被忽略的一条——把评测集固定下来,每次改动都跑一遍,靠数据判断某条措施是否真的降低了错误率。
RAG 与向量库选型:RAG 的完整链路是文档解析(版式、表格、标题层级)→ 切分(按语义边界而不是固定字数,保留标题与上下文)→ 向量化 → 检索(向量召回 + 关键词召回混合,再加重排)→ 组装提示并附出处。切分与召回质量决定上限,很多「RAG 答不准」其实是切碎了上下文或只做了向量召回。向量库选型看四点:数据量级与召回延迟、是否需要标量过滤与混合检索、是否要自建运维、以及和现有技术栈的契合度。中小规模、单机可跑、需要元数据过滤的场景用 pgvector 或 Milvus 单机版就够;规模上亿、要高可用与多副本时再上分布式集群,并单独做索引参数与分片调优。选型理由要能说出「为什么不选另一个」,不能只说「社区常用」。
在 Java 开发中使用 AI 编程:日常用于三类事情——写模板化的样板代码(DTO、Mapper、单元测试骨架)、读陌生代码(让它先解释调用链再动手改)、以及生成重复性脚本与 SQL。用法上有两条纪律:一是把上下文喂准(相关文件、接口定义、约束条件),让它在明确边界内生成;二是生成结果必须自己过一遍并跑测试,尤其是并发、事务、异常分支这类它容易想当然的地方。代码评审时把它当协作者而不是权威,改动范围要小而可回滚。
岛屿数量(DFS):遍历整个网格,遇到值为陆地的格子就把计数加一,然后从该格出发做深度优先搜索,把与之连通的所有陆地都标记为已访问。标记可以直接把陆地改成水,省掉一个 visited 数组,也避免了重复访问;四个方向用方向数组统一处理,进入递归前先做边界与「是否为陆地」的判断。时间复杂度 O(m×n),每个格子最多被访问常数次;空间复杂度最坏 O(m×n)(全为陆地时递归深度可达格子总数)。网格很大时把递归改成显式栈的迭代 DFS,或改用 BFS 逐层扩散,也可以并查集把相邻陆地合并后统计集合数量——并查集在需要动态加陆地(如「岛屿数量 II」)时更合适。
为什么先讲思路再写代码:面试官允许只写主体逻辑但要求讲解,说明考察点在于能否把问题抽象成「遍历 + 连通性标记」并说清边界。写之前先用一两句话定下算法与复杂度,写的时候把边界判断放在显眼位置,写完主动说明哪部分是主体、哪些工程细节(输入解析、异常处理)被省略,比闷头写完整代码更能体现工程判断。