小红书 PE暑期 (AI全栈) 二面

攒人品中，祝大家都能拿到满意的Offer！1. 手撕，力扣原题最小路径和2. Java中的接口和抽象类有什么区别3. 在Java中循环拼接字符串，可能要拼接几万次，使用什么类型去拼接比较合适？String、StringBuilder、StringBuffer？4. Java里面如何实现线程安全的5. synchornized可以去修饰遍历吗6. Java中哪些注解可以实现依赖注入7. Java里的HashMap如何扩容的，扩容机制是怎样的8. 什么情况下会进行扩容9. Mybatis中如何防止SQL注入的10. 微服务的熔断和降级有了解过吗（没有，我引导限流去了）11. 了解过哪些限流方法12. Kafka如何保持高流量，高可用13. 如果说MySQL里出现慢查询，如何进行优化14. 我简历里写了使用easyExcel解析excel，面试官提到如果是一个一万行的excel，解析到5000行出错了如何处理15. 问到我有个项目里面是否用了大模型，接入的哪个大模型16. 问大模型的数据存放在哪里

攒人品中！！！1.Agent项目用什么做的，选型原因，Agent框架了解吗2.Agent技术组成部分理解吗，讲讲执行链路3.Skills的真实逻辑怎么写的，明白和企业的差距吗4.讲讲项目里的难点（Agent选取了RAG来说）5.除此之外了解AI的什么？Openclaw,Transformer...八股：1.Redis简介，Redis为什么快2.MySQL索引了解吗，联合索引介绍下，最左匹配前缀举例说明3.Java中ThreadLocal了解吗。怎么使用4.Java中ThreadLocal的内存泄漏问题讲一下5.Java中Synchronized关键字和ReentrantLock关键字区别手撕：（Hot100原题）最长回文子串

1、工具调用失败或 LLM 幻觉，怎么办？"我会把这个问题拆成两个子问题，因为工具失败和 LLM 幻觉是完全不同的故障模式，解法不能混用。工具失败有明确信号——异常、超时、错误码——我的处理是三层：先用指数退避重试，重试前让 LLM 反思上次参数哪里出了问题，相当于让模型自我纠错；重试耗尽后降级到备用逻辑，比如换一个工具或走规则引擎；如果涉及写操作，每次执行前必须记 Checkpoint，失败后能回滚到上一个干净状态，且写操作要做幂等，防止重放。LLM 幻觉更难检测，因为没有报错。我的做法是：对关键推理结果做 Self-consistency 验证，同一问题采样三次，少数服从多数；对外部事实型问题，用第二个模型做交叉 Fact-check；对于高风险操作，强制加 Human-in-the-loop 确认节点，不管模型多确定都要过人工。生产上我会为每个 Agent 实例暴露健康度指标：工具失败率、幻觉拦截率、平均重试次数，超阈值自动熔断并告警。这样从 demo 到上线，容错体系才是完整的。"2、Agent 的 Memory 怎么设计？"我把 Agent Memory 设计成三层，对应人类记忆的三种形式。第一层是 Working Memory，就是当前 LLM 的 Context Window，存当前任务的执行状态和工具调用历史。它的核心问题是容量管理——超出 window 时我不会直接截断，而是对老的消息做摘要压缩，保留语义但压缩 token。第二层是 Episodic Memory，存历史任务轨迹和用户偏好，用向量数据库按相似度检索。写入是任务结束后异步进行，不阻塞主链路。这层需要遗忘机制——我用一个重要性评分：访问频率乘以时效性衰减再乘以任务相关度，低分记录定期压缩，避免向量库无限膨胀。第三层是 Semantic Memory，存领域知识。这里有一个选型决策点：非结构化知识用向量检索，强结构化的多跳实体关系用 Knowledge Graph——向量库做多跳关系推理效率很差，这是实际踩过的坑。多 Agent 场景还要解决共享 Memory 的一致性问题：写操作加版本号做乐观锁，读操作做版本校验，防止多个 Agent 并发写入产生脏数据。"

整体面试还是不错的，但是没后续了，不知道是哪里出了问题八股1- goroutine 和线程的区别2- GMP 模型3- 本地队列挂在 P 还是 M4- channel 的理解、常见使用场景5- channel close 后的行为6- defer 的用途和执行顺序项目 / 场景追问1- 某网关项目里，如何把存量 API 适配成 MCP 调用形式2- 为什么选择在网关层做协议转换，而不是直接用现成 SDK3- OAuth 相关鉴权流程怎么设计4- 服务注册发现 / 配置管理怎么接5- 高并发下网关怎么考虑扩展和治理6- 大量调用失败时如何排查AI相关1- 平时 AI coding 怎么用2- AI 生成代码和人工 review 的关系3- AI review AI 是否有效4- 对 OpenClaw / OpenCode 一类工具的理解和使用感受