研发岗面经

面试岗位：研发方向
面试公司：科大讯飞
面试时间10.12
科大讯飞——飞凡计划研发岗面经
唉！唉！
其实还好，全程聊天，但是一直都在问ai，还是没能把面试官讲爽，而且业务也不match，并且他们是agent团队，但是主包是做数据的，他们基本不要数据相关的岗位。
这篇面经就附上主包的一些回答吧，我也不知道答得如何，对这些问题大家也可以讨论一下。
Q：请候选人做自我介绍。
Q：项目追问：指标A怎么打标的？是单点归因吗？
Q：项目追问：这类指标，是否一定需要完整的数据治理链路？能不能轻量化实现？
Q：梳理一下链路：原始数据-分层表设计-数据清洗-指标映射，是这样吗？
Q：度量AI编码效果项目中，日常是否使用AI辅助工具？
Q：AI工具能否独立完成整套数据治理流程？人类工程师相比Coding Agent的核心优势是什么？
A：不能。智能问数Agent可自然语言出报表，但依赖人工提前建好底层指标层。
Q：设想构建数据治理Agent，设置规则护栏让AI独立完成全链路治理，现阶段可行吗？
A：暂时不可行。需要人工先跑通全链路，明确输入输出，沉淀文档、搭建知识库支撑多Agent协作；后续人工转向知识库维护。
Q：人工打样价值认可。Agent运行Memory可否作为多Agent交互载体，替代部分人工文档？
A：现阶段是人工为主、Agent为辅。人工梳理链路、对齐需求、搭建知识库，再交由Agent执行并评估效果。
Q：介绍Open Cloud智能管理平台自动化测试相关开发经历。
Q：更换底层大模型，是否需要重新调优Skill？
A：模型主要影响推理能力，方案是让Agent预读Skill清单（技能说明书），降低模型切换带来的理解偏差。
Q：不同模型指令跟随差异大，模糊指令易造成Skill匹配出错，频繁换模型是否要全量重评Skill？耦合成本很高。
A：可优化架构，在Agent与Skill间增加知识库；拆分链路，主Agent仅负责选择，多个Sub-Agent负责判断，提升单点决策稳定性。
Q：该方案存在漏洞，底层选择模型更换，选择结果依然会变。
A：可微调提示词快速调整AI执行流程。
Q：Skill规模大时人工维护提示词不可行，模型切换不能靠人工全量重测，系统需要自进化能力。
A：多Agent成熟前，人工校验输入输出是必要环节，半自动模式，人工兜底。随着能力提升，人工依赖会逐步降低。
Q：先搭建框架与评价体系，再交给Agent执行，人工仅复核关键决策，用结果围栏管控不确定性。
A：认同。但初期存在黑盒风险，需要人工带Agent跑通流程，才能设置参数、权限，评价体系依赖前期人工介入。
Q：这段实习最大收获是什么？
A：补齐工业级数据湖仓架构实践短板；借助AI快速学习新技术。AI让重心转为管控Agent、迭代知识库。求职方向为全栈数据开发、AI数据开发。
Q：AI数据开发对比传统数据开发，需要额外掌握哪些能力？
A：掌握埋点、传输、中间件、Iceberg等全链路技术，具备AI提效能力，懂业务，理解完整数据链路。
Q：平时通过哪些渠道学习AI、Agent前沿技术？
A：技术公众号、互联网平台，加上公司内部技术分享，结合项目实践学习。
Q：了解DeepSeek R1吗？
Q：未来工作方向？
Q：当前企业重心转向AI落地，短期弱化数据治理，但长期价值仍在。
A：（提问）请问咱们研发岗的工作职责和内部AI落地情况？
Q：岗位不做数据治理，聚焦人机交互。业务线：
①语音全链路智能体开发，赋能传统行业与硬件厂商；
②机器人超脑平台交互研发。工作包含垂域模型微调蒸馏、推理优化、Harness框架搭建智能体。团队All in大模型，97%~98%代码AI生成，人力转向架构与业务，团队规模缩减，原20人项目现在4-5人即可完成。
#秋招面试记录##校招笔试记录#