快手二面凉凉

之前投过一次大厂Agent开发岗，因为太久没有面了想着不管了，简历上能怎么吹牛怎么吹，先过了初筛再说，所以简历上写得挺唬人的——“精通Agent架构设计”“主导过高复杂度AI项目落地”“深度优化过记忆管理和工具调用机制”。说实话，当时就是照着招聘JD上的关键词往上堆，觉得先把面试机会拿到再说。结果简历真过了。面试官是个技术负责人，上来没让我做自我介绍，直接翻开简历，问了一个特别具体的问题：“你之前做的Agent，ReAct框架里Thought和Action的循环是怎么终止的？遇到过解析异常的情况吗？”我其实只是看过ReAct的论文摘要，真正写代码的时候用的是LangChain的现成链，根本没想过终止条件这种事。我硬着头皮说“设了一个最大迭代次数”，他说那如果中途解析失败呢？我答不上来。他又问了一个：“你简历里写优化过长期记忆，向量数据库的分片和索引重建是怎么做的？”我其实连分片是什么都没真正碰过，用的是托管版的向量库，全自动的。我说“这块是托管服务处理的”，他看了我一眼，那个眼神我现在都记得——不是愤怒，是那种“你这简历也敢这么写”的平静。后面还有几个问题，关于工具调用的依赖解析、循环检测、异常恢复，我一个都答不上来，真的不会。我简历上写的那些“精通”“实现”“优化”，其实都是把官方文档的示例代码跑通了一遍，连生产环境都没上过。面试大概持续了二十分钟就结束了，比预想中短得多。面试官最后说了句“那你回去等通知吧”，语气很平淡，我也知道不会有后续了。出来的时候挺难受的，但不是因为被拒，而是因为整个过程太被动了——人家问什么我都接不住，简历上写的那些东西，一问到细节就全塌了。后来我把简历改得很老实，该写“了解”的写了解，该删的删。也是长教训了，写得天花乱坠没有用，人家问三个细节就原形毕露了。

1.问实习2. 项目拷打3. LLM 落地部署有什么好用的 trick？答案：现在 LLM 落地里，很多时候改模型不如先改数据和链路。第一步是把线上 badcase 分桶，区分是检索错、提示词错、模型能力不足、工具返回错还是数据源脏；第二步是做数据闭环，把高频错误变成 SFT、偏好对、规则样本或者评测集；第三步是做推理侧优化，比如 KV Cache、continuous batching、量化、prefix cache 和路由小模型。比较实用的 trick 是不要盲目微调整个模型。很多业务问题是知识更新、格式不稳、证据引用错，这些更适合通过 RAG、结构化输出、后校验和数据清洗解决。只有当错误...

你觉得哪个项目技术点最多？秒杀里用 Redis 预扣库存和 MQ 异步下单后，还能做哪些优化？无锁队列为什么能提升性能？无锁队列的底层是怎么实现的？CAS 和内存屏障在无锁队列里起什么作用？环形缓冲区相比普通阻塞队列有什么优势？如果服务端广播失败怎么办？你项目里哪些地方能体现高并发处理能力？你怎么证明这些优化真的有效？全是项目，没有八股，追问比较深

最近按当前筛选整理了一波面经，这次挑了 10 篇相对值得复盘的内容，方便刷题和回看。1. 快手｜AI应用开发｜一面日期：2026-05-07关键词：快手面经难度：5 星标签：技术面 / 有代码题技术栈：Agent、Multi-Agent、MCP、Skill、Function Call、上下文工程、上下文压缩、短期记忆面经总结本场一面重点深挖AI Agent应用能力，尤其是多智能体、工具调用、上下文压缩与记忆架构设计，并考察了一道经典算法题。高频问题【Agent与工具调用】介绍多智能体范式以及各自优缺点。【Agent与工具调用】聊聊你对MCP的理解。【Agent与工具调用】是否了解Skill，介...