B 站数科agent 二面

1. 自我介绍2. 多阶段 RAG 里同时使用 BM25 和向量召回，混合检索策略通常怎么设计混合检索的关键不是把两路结果简单拼起来，而是根据问题类型决定两路召回各自承担什么角色。BM25 对精确术语、错误码、接口名、字段名、版本号这类关键词命中很强，向量召回则更擅长语义改写、口语化表达和抽象问题。真正稳定的设计一般是先并行召回，再做去重、融合、重排，最后再进入上下文构建阶段。如果问题本身是“精确定位型”，比如某个报错码、类名、接口路径，BM25 权重通常更高；如果问题是“意图表达型”，比如用户用自然语言描述故障现象，向量召回的权重会更高。工程里比较常见的是先取两路 topk，再用 RRF 或...

我最近把AI Agent面经从0到1全部梳了一遍（含字节、阿里、腾讯真实面试），发现面试官真正想听的根本不是定义。很多人（包括苯人一开始）以为Agent面试就是背ReAct、背Tool Calling、背LangChain，结果一开口就被面试官打断：“这些我都知道，你说说你的设计思路。”我问懵过两次后才醒悟，Agent面试不是八股，是体系考察。下面这3个问题，几乎是每场面经中必问，🐮友们看看自己会不会踩坑。1.如果你做一个Agent，遇到工具调用失败或者LLM幻觉怎么办？我当时直接答“加retry”或“加human in the loop”，秒挂后面问claude，面试官想听的是完整容错体系：- 怎么判断是工具错还是LLM幻觉？- 用另一个LLM做fact-check / self-consistency- 降级到弱Agent / 规则引擎 / 人工兜底- 失败后状态怎么回滚？- 生产环境怎么监控Agent健康度2. Agent的Memory你怎么设计？大多数人（和我一样会说短期用ConversationBuffer，长期用向量数据库，直接寄。面试官想听的是分层记忆体系 + 读写策略：- Working Memory（当前任务上下文）- Episodic Memory（历史任务轨迹）- Semantic Memory（领域知识）- 什么时候用向量检索？什么时候用Graph？- 遗忘机制怎么做？（重要性评分 + 定期压缩）- 多Agent共享Memory时的读写锁和一致性问题3.单Agent和Multi-Agent你什么时候选哪个？怎么协作？”如果直接说任务复杂就用Multi基本凉。真正要讲的是决策框架：- 任务可分解性、通信成本、调试难度、单点故障风险- 协作模式（Hierarchical / Decentralized / Mixture-of-Agents）- 协调机制（Shared State / Message Queue / Supervisor）- 实际项目里Multi-Agent带来的收益和踩过的坑

标题：从零入门Agent开发，保姆级学习路线｜双非本科靠它拿到AI岗offer太懂零基础入门的迷茫了。很多人一上来就啃大模型底层源码、背Transformer公式，越学越懵，最后直接放弃。其实入行Agent开发，根本不用一上来就死磕底层原理，先跑通闭环、再深入原理，先做应用、再挖底层，才是普通人最高效的学习路径。今天把这套从零到一的学习路线全部分享出来，校招/转岗的同学直接抄作业就行。第一阶段：入门筑基期（1-2周）—— 搞懂本质，搭好基础环境这个阶段的核心目标：搞懂「Agent到底是什么」，搭好开发环境，跑通第一个最简单的Agent demo，建立正反馈，绝对不要一上来就啃理论。必学核心内容...

我不上课，我要实习😡，这约面是真难啊，投了4天了就约到两个，一个笔试，一个面试