Data Infra二面面经

面试时间：11.13
公司：光轮
岗位：data infra
Q：自我介绍。
Q：你预计什么时候毕业？ 如果拿到 offer，是否可以提前实习？可以实习多久？ 你倾向的工作地点？
Q：项目问题1
Q：不同团队同名指标口径不一致，你如何对齐口径？
A：每个指标留存文档记录，建表时为每一层表、每个字段补充定义与换算逻辑；开发前和相关团队对齐口径，差异点提前标注，保证各方使用同一套数据定义。
Q：不同团队对指标定义各有诉求，例如 GPU 利用率，你最终如何定义、拉齐指标？
A：优先选择更贴合大多数业务场景的口径；资源允许时同时提供多套口径字段并做好标注。参考历史项目定义，和各方沟通达成共识；如果无法统一，留存多版本口径，使用者可自行换算。
Q：如果业务方修改核心指标定义，要求全量更新存量历史数据，如何评估影响面？如何利用血缘定位下游？
A：先确定修改字段所属数仓分层，依靠血缘图定位受影响下游表。如果下游仅为视图，只修改上游即可；如果下游独立落表，则需要跟随换算逻辑重写下游表。只改字段定义需要重写历史数据，单纯新增字段不需要；重写时复制原有数据副本进行更新，保留原始口径数据。
Q：是否不会直接覆盖历史数据？是否会做数据快照？
A：一般保留原始数据一段时间，方便回退。依托平台自动生成快照，只需要定期维护快照。
Q：大表关联容易出现数据倾斜，你如何治理？
A：提前清洗 ODS 层数据，去除重复值、空值，降低数据量级；探查数据分布，对热点 key 加盐打散，热点逻辑单独拆出处理；调整 Task 并行度，匹配计算资源。
Q：用户提出自然语言取数需求时，Agent 如何确定查询哪张表？
A：按业务场景拆分不同 Agent，大模型根据问题选择对应 Agent；利用业务知识库与向量匹配补全自然语言，完善需求，再编排工具，调用对应 SQL 完成查询。
Q：如果 Agent 生成的 SQL 执行报错，你怎么处理？
A：Agent 只负责规划，不直接修改原始数据；提前限定可用表、权限与任务边界，在测试环境验证后上线。线上报错时熔断链路，根据日志排查优化，避免破坏底层数据。
Q：自然语言转 SQL 不可避免会生成不符合业务的 SQL，你如何解决？
A：采用多 Agent 协作机制：一个 Agent 负责生成 SQL，另一个 Agent 负责审核，结合知识库校验口径与业务合理性，优化 SQL。
Q：多 Agent 互相校验的触发条件是什么，如何控制成本？
A：默认先执行生成的 SQL；执行失败或者校验不通过时，才触发审核 Agent，减少 Token 消耗；也可以设置检查轮次，多次校验不通过转入人工。
Q：写 SQL 的 Agent 和审核 Agent 之间如何传递上下文？
A：提取写 SQL Agent 输出中的 SQL，整理为标准代码，交给审核 Agent；审核 Agent 结合知识库检查权限、口径，优化后输出可执行 SQL。
Q：如果要管理百亿级视频、点云这类非结构化文件，你会怎么设计？
A：先对文件打标，依靠标签进行管理；同类标签的数据放入对应存储，使用 Iceberg 统一管理元数据。
Q：Agent 生成全表扫描 SQL，把数据库资源打满，你怎么防范？
A：给 Agent 设置执行超时限制，超时直接阻断并告警；正式执行前先用样本数据验证 SQL 逻辑，验证通过再上线。
Q：加盐打散会增大数据量、打满 IO，超大表场景下如何优化？
A：提前对表做分区、分桶，将关联数据尽量放在相近分区分桶内，在分区内部完成计算后再传输；必要时拆分任务分批计算，最后合并结果。
Q：了解 Hive 吗？如果在 Hive 上做这套优化，落地步骤是什么？
A：搭建过伪分布式 Hadoop + Hive。Hive 底层数据存放在 HDFS；将高频关联数据放到相同 DataNode，在本地完成计算之后再传输；海量场景更推荐 Iceberg 这类湖格式。
Q：你有没有问题想问面试官？
A：请问这个岗位所属团队和一面是否是同一个数据团队？
A：云平台团队大约二十人，不完全都是数据人员，包含采集、标注、调度流水线相关人员，Data Infra 都在这个组内。
Q：团队内部 AI 的主要用途是什么？
A：一是开发辅助工具；二是孵化基于 Agent 的应用产品。目前正在从 0 到 1 搭建数仓底层基座，基座建成后对外提供 API 查询与 Agent 应用，因此在扩招。
Q：团队是只做数据处理治理，还是从零开发完整数据平台？
A：两者都在推进，优先搭建底层数据资产基座，统一口径，再建设数据资产管理平台与上层模块；数据治理和 Data Infra 同步推进，如果提前实习可以更早参与建设。
#秋招面试记录#