实习面经分享-字节后端ai开发一面

继续来分享下最近的面经~欢迎友好讨论，信息共享Q1：设计一个生产级的AI Agent系统架构，画出核心组件并说明数据流转Q2：Agent的“规划-执行-反思”闭环如何实现？Q3：多轮对话中，记忆如何分级管理？缓存策略怎么设计？Q4：向量数据库选型对比（Milvus/Pinecone/Chroma），淘天场景怎么选？Q5：Function Calling的可靠性如何保障？如果模型一直调用同一个错误工具怎么办？Q6：工具的描述（description）怎么写才能让模型准确调用？给出淘天场景的示例Q7：RAG系统中，chunk大小怎么确定？不同业务场景的策略差异？Q8：检索结果相关性不高，怎么优化召回？Q9：Agent推理链路包含多个串行工具，响应延迟改，该如何优化？Q10：高并发场景下，如何设计Agent服务的弹性伸缩策略？Q11：Agent系统的核心监控指标有哪些？怎么设计告警策略？

Q1：规划和执⾏要不要拆开两个模型？答案：视任务⽽定。Planner-Executor 拆分可提升可控性（强模型规划、快模型执⾏）；单模型端到端更简单但易在⻓链路漂移。可混合：规划⽤强模型，执⾏层做确定性校验。Q2：如何避免 Agent 在⼯具调⽤间「迷失」？答案：明确 停⽌条件 与 最⼤步数维护 任务清单（todo） 与 当前⼦⽬标对每步输出要求 结构化（JSON）关键步骤 强制验证（单元测试式检查、⼆次 LLM 审核）Q3：结果冲突怎么整合？答案：优先级规则（权威源 > 时间新 > 多源⼀致）、让模型显式输出「冲突说明」、必要时触发⼈⼯。Q4：基于效⽤的 Agent 和基于⽬标...

项目背景与动机1. 能细节介绍一下你最近的多记忆健康问诊项目吗？（解决了什么问题、你担任什么角色、遇到什么难题）2. 这个项目是实习中做的还是自己开发的？3. 什么触动你去做这个项目？切入的初衷是什么？记忆系统设计1. 用一个例子解释一下你的 Memory 是怎么做的，以及怎么插入上下文的，怎么考虑上下文长度问题的？2. 你结构化信息和文本信息之间如何区分？会不会重复？3. 记忆冲突怎么解决？比如用户前后说了不同的过敏信息？4. 记忆是怎么写入上下文的？上下文从头到尾结构是怎样的？5. 上下文结构是不是：System Prompt + Memory + Tools Result + Conversation 这四个环节？6.上下文超长了怎么办？有没有考虑过上下文压缩？7. 压缩过程中会丢失工具调用历史，导致模型重复调用工具，这个问题怎么解决？RAG 与检索1. 为什么用 RAG 去检索 Memory？为什么用向量这种方式？2. Memory 的检索是分层次的吗？具体怎么设计的？3. 检索中遇到了什么痛点？4. 可观测性 / Trace5. 整个框架是很依赖埋点的，你觉得怎样的结构才能更好地追踪整个 Trace？6. 日志怎么结构化？为什么要这么结构化？7. 跨 Session 是否需要记录日志系统？AI Coding 能力考察给了一道股票买卖题，要求用文字描述问题背景、边界条件，并设计解题思路感想:项目深度不够，答得非常之烂，也是第一次遇到ai coding题，完全懵了，还要继续沉淀

Q1：大模型（LLMs）具有什么优缺点？答案：优点：可以利用大量的无标注数据来训练一个通用的模型，然后再用少量的有标注数据来微调模型，以适应特定的任务。这种预训练和微调的方法可以减少数据标注的成本和时间，提高模型的泛化能力；可以利用生成式人工智能技术来产生新颖和有价值的内容，例如图像、文本、音乐等。这种生成能力可以帮助用户在创意、娱乐、教育等领域获得更好的体验和效果；可以利用涌现能力（Emergent Capabilities）来完成一些之前无法完成或者很难完成的任务，例如数学应用题、常识推理、符号操作等。这种涌现能力可以反映模型的智能水平和推理能力。缺点：需要消耗大量的计算资源和存储资源来训...