蚂蚁数字支付 AI 应用研发二面：数据分层、迁移与微调
本场面试题
- 怎样设计数据库的冷热数据分离？
- 订单号位数升级时，怎样灰度切流并保持新旧链路兼容？
- SFT 和 LoRA 各自解决什么问题，可以一起使用吗？
- 怎样判断微调数据是否足够？
- 怎样理解 Harness Engineering？
面经与参考答法
蚂蚁数字支付 AI 应用研发二面：数据分层、迁移与微调
这份记录自述为蚂蚁数字支付方向的 AI 应用研发实习二面，原帖发表于 2026 年 4 月；具体面试日期、组织部门和项目实现未披露。选取数据分层、订单标识迁移、微调与 Harness 五组问题。
面试经历为个人自述，未经企业独立确认。以下短答及示例为编辑教学整理，不代表当事人的现场回答、项目配置或实验结果。
（1）怎样设计数据库的冷热数据分离？
先依据访问频率、时效、合规保留期和查询模式定义冷热，而不是直接规定固定天数。热路径保留必要索引和活跃数据，冷路径可采用归档表、分区或对象存储；迁移应有稳定水位、校验、可重试与回查方式。先验证冷数据已完整可读，再收缩热存储，并说明跨层查询、恢复时延和成本的取舍。
（2）订单号位数升级时，怎样灰度切流并保持新旧链路兼容？
先检查数据库、接口、消息、缓存键和客户端是否都能无损表达更长的标识，再按“先兼容读写、迁移验证、最后收缩旧格式”发布。用明确的版本标识和稳定分组控制流量，在完整请求链路中传播同一版本；下游不能各自随机分流。监控新旧链路并保留回退开关，回退前还要确认旧代码能读取新写入的数据，不能只把流量切回去。
（3）SFT 和 LoRA 各自解决什么问题，可以一起使用吗？
SFT 说明用示范数据学习任务行为和输出目标；LoRA 说明通过哪些参数实现适配。二者属于不同维度，可以用 LoRA 做 SFT：冻结基座权重，只训练低秩增量矩阵。它通常减少可训练参数和优化器状态，但显存还受基座、激活、序列长度与精度影响，也不保证在所有任务上优于全量微调。
（4）怎样判断微调数据是否足够？
先固定任务定义、数据质量标准和未参与调优的验收集，再逐步增加经过去重、标注检查且有代表性的训练数据，比较学习曲线和关键错误切片。样本数量、有效 Token、任务覆盖和噪声应分开统计；同时看目标任务提升、通用能力回归和成本。不存在通用的必需条数，增加重复或错误示范可能让结果更差。
（5）怎样理解 Harness Engineering？
这里可把 Harness 理解为包围模型的执行环境：组织任务与上下文，提供受控工具、状态、预算、反馈和结果验证。模型提出动作，运行时负责权限检查、实际执行和恢复，独立验证器判断任务是否真的完成。讲解时应说明它控制哪些失败边界，而不能把一个 Prompt、工具协议或框架名称直接当作整套 Harness。