给我面麻了-字节agent开发实习一面

继续来分享下之前的面经~欢迎友好讨论，信息共享1.项目拷打问实习：2.提示词模板是怎么构建的？3.单Agent还是多Agent的？子Agent任务是什么？4.分支覆盖率是怎么统计的？原理有没有了解过？代码插桩具体是怎么实现的？5.对于代码解析有没有前置分析？有效性判断怎么实现的？未来让你来优化这些指标你会怎么设计？6.有没有思考过哪些代码会让模型生成的代码准确度和覆盖率降低？这些用AST和LSP都生成不了单测的代码如何过滤？7.mock是怎么实现的？问项目：8.多维度的查询改写是什么？改写的时候遇到需要用户参与补充信息时怎么设计？技术上怎么实现？9.并行化意图识别是什么？为什么要并行化？如何实现的？10.讲一下项目里召回的流程11.对于上下文工程有什么经验吗？有没有做过to do list？为什么这样会让模型更聚焦，怎么实现的？12.skills的原理有没有了解过？怎么实现的？问八股：13.LLM的底层原理有没有了解？输入给模型的是什么？14.self attention怎么实现的有了解吗？为什么要分成QKV，怎么计算的？同一个token向量是一样的吗？15.python有没有多线程？为什么要有GIL，有没有了解过？多线程的锁都有什么？lock和Rlock有什么区别？16.信号量的底层是怎么实现的？17.cpp编译链接流程有没有了解？编译分哪些步骤？手撕：18.岛屿最大面积

最近发现一个宝藏开源项目 learn-claude-code，特别适合想入门 AI Agent 开发的同学。这个项目不是教你"怎么用 Claude"，而是带你从零搭建一个类似 Claude Code 的 AI Agent 系统，理解背后的架构原理。 项目地址：https://github.com/shareAI-lab/learn-claude-code  三个核心概念你必须掌握 1. Context Engineering（上下文工程） 确保 Agent 能访问正确的信息。静态知识（AGENTS.md、架构文档）+ 动态数据（日志、CI/CD 状态）共同构成 Agent ...

攒人品中，祝大家都能拿到满意的Offer！1. 实习拷打2. 项目拷打3. 请具体介绍这两个项目的工作流以及用到的技术栈。4. 数据清洗涉及哪些步骤？这些步骤起到什么作用？5. 微调数据集的结构是怎样的？6. 微调有哪几种方法？它们有什么区别？7. 对于各种文档，你们做了哪些处理方式？每种处理方式有什么优缺点？8. 你们采用了子块和父文档关联的方式，这种方式在实际应用中的优点和缺点是什么？9. 如果有一个具有多级标题（如1级、2级、3级）的文档，我想检索一个大类时能把其下所有子类内容都带出来，你会怎么设计？10. 在构建知识库进行检索时，可以涉及哪些算法？为了提高召回率，多路召回会涉及哪些方法？11. 在多路混合检索时，如何平衡不同检索方法之间的权重？12. 知识库构建好后，如何评估它的效果和能力？具体指标如何衡量？13. 在检索阶段，我们通过多种方法提高了召回率，召回了许多知识片段。在将这些片段提供给大模型时，我们是全部给模型吗？还是有什么方法可以提高模型的推理结果？14. 在设计智能体时，你是如何选择不同类型的智能体的？智能体之间如何流转？它们的记忆如何管理？15. 多智能体是如何编排的？智能体之间的流转状态是如何管理的？16. 你们的实现没有依赖LangGraph这类框架，是基于什么考虑？17. 在你的智能体规划场景中，如果涉及到需要用户确认的操作，你们是如何设计考虑的？18. 项目中使用的MCP工具调用，主要也是用于查询和推荐数据吗？19. MCP有哪几种协议？它们之间有什么区别？

1、自我介绍2、讲一个你做过的最有代表性的 Agent 项目3、如果让你设计一个通用 Agent 框架，你会怎么设计我会把它拆成六层。最上面是接入层，处理用户请求、鉴权、限流和会话管理。下面一层是理解层，负责意图识别、槽位抽取、风险识别和任务分类。再往下是规划层，根据任务复杂度决定是直接回答、走工作流，还是做多步规划。中间一层是记忆和上下文层，统一管理短期记忆、长期记忆、任务状态和检索到的证据。再下面是工具层，把所有外部能力封装成标准化 skill，包括描述、参数 schema、执行逻辑和异常处理。最底层是执行与评测层，负责模型调用、工具执行、结果回填、日志埋点和效果评估。如果要做成工程上可维...