AI 应用开发面经仪表盘

把牛客近 6 个月的 AI 应用开发 / Agent / 大模型应用相关面经，整理成可长期更新的本地网页。

面经样本数
12
近 6 个月筛选后的有效面经
提取题目数
185
来自全部面经的问题/考点
覆盖公司数
9
字节 / 腾讯 / 淘天 / 快手 等
最后构建时间
2026-07-18 04:23:38
刷新命令：./refresh_interview_site.sh
小红书 · 3 字节 · 2 米哈游 · 1 百度 · 1 淘天 · 1 快手 · 1 联想 · 1 美团 · 1 OPPO · 1
左侧目录树负责导航；右上角保留搜索和 PDF 下载。
下载 PDF

高频知识点 Top 10

知识点题目数涉及公司数涉及面经数
Agent架构与范式2478
RAG与检索优化1857
记忆与上下文管理1368
后端基础与工程化1278
项目介绍与项目拷打1179
框架、MCP与工具调用1167
模型基础与推理机制945
算法与编码题656
评测、幻觉与数据集433
前端与跨端工程222

高频题型 Top 10

题型命中题数涉及公司数涉及面经数
检索/召回/重排/向量索引优化1246
项目介绍/项目拷打1179
MCP / Function Calling / Skills / Tool Calling967
记忆系统设计745
RAG/Agent 评测与幻觉治理755
模型基础：Transformer/KV Cache/Temperature733
算法题/手撕题656
Agent 与 workflow/单多 Agent 选型333
RAG 系统设计211
后端基础：Redis/缓存/MQ/高并发222

知识点快速导航

优先把高频知识点放在最前面。可以点击下面卡片进入，也可以直接点左侧目录树。

Agent架构与范式

题目数 24 · 涉及公司 7 · 涉及面经 8

  • #Agent面试会问什么？#
  • 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent
  • Agent 的规划、执行、反思三段式链路怎么设计

RAG与检索优化

题目数 18 · 涉及公司 5 · 涉及面经 7

  • RAG 项目里怎么做召回闭环，才能让系统真的越用越准
  • HyDE 的原理是什么，什么时候有效，什么时候会害人
  • IVF、PQ、IVF-PQ 分别在做什么，为什么它们能把向量检索做快

记忆与上下文管理

题目数 13 · 涉及公司 6 · 涉及面经 8

  • Agent 的记忆一般怎么分层，为什么不能只靠聊天历史
  • 记忆机制的设计？如果都放在一起怎么办
  • 上下文是如何构建的？你们怎么避免上下文过长或信息污染？

后端基础与工程化

题目数 12 · 涉及公司 7 · 涉及面经 8

  • Python 有多线程吗？GIL 是干嘛的？什么时候多线程才是有用的？
  • 多租户环境下模型切换是否支持热更新？切换是否相互独立？
  • 问了个java开放题，我的机器每隔一段时间就会full gc 你有什么解决方式 或排查方式吗

项目介绍与项目拷打

题目数 11 · 涉及公司 7 · 涉及面经 9

  • 自我介绍
  • 项目拷打
  • 介绍你写的这个项目

框架、MCP与工具调用

题目数 11 · 涉及公司 6 · 涉及面经 7

  • MCP、Function Calling、Skills、Agent 分别是什么，它们之间是什么关系
  • mcp
  • 为什么选择 Spring AI 框架？

模型基础与推理机制

题目数 9 · 涉及公司 4 · 涉及面经 5

  • attention和self-attention
  • 为什么attention比rnn好
  • LLM 的输入到底是什么？模型真正看到的内容包含哪些？

算法与编码题

题目数 6 · 涉及公司 5 · 涉及面经 6

  • 代码实现LRU
  • 手撕 :两两交换链表中的节点
  • 手撕

评测、幻觉与数据集

题目数 4 · 涉及公司 3 · 涉及面经 3

  • 你们如何评估生成单测的质量？ 除了覆盖率，还有哪些指标有效？
  • 模型产生幻觉的常见原因是什么？工程上有哪些方法可以降低幻觉？
  • 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？

前端与跨端工程

题目数 2 · 涉及公司 2 · 涉及面经 2

  • 在没有前端界面的情况下，本地图片是如何传到后端并进行识别的？
  • 你负责什么部分？前端内容是你自己实现的吗？

Agent架构与范式

题目数 24 · 涉及公司 7 · 涉及面经 8

OPPO 字节 小红书 淘天 百度 米哈游 联想

代表题目

  • #Agent面试会问什么？# （3 次）
  • 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent （1 次）
  • Agent 的规划、执行、反思三段式链路怎么设计 （1 次）
  • RAG 可以怎么分类，Agentic RAG 和传统 RAG 差别在哪 （1 次）
  • workflow和agent区别 （1 次）
  • agent怎么保证有用？ （1 次）
  • 你们的 Agent 是单 Agent 还是多 Agent？为什么这么设计？有没有考虑过替代方案？ （1 次）
  • Agent 的任务是怎么拆分的？拆分粒度是怎么决定的？ （1 次）

RAG与检索优化

题目数 18 · 涉及公司 5 · 涉及面经 7

OPPO 字节 小红书 美团 联想

代表题目

  • RAG 项目里怎么做召回闭环，才能让系统真的越用越准 （1 次）
  • HyDE 的原理是什么，什么时候有效，什么时候会害人 （1 次）
  • IVF、PQ、IVF-PQ 分别在做什么，为什么它们能把向量检索做快 （1 次）
  • 向量索引有哪些典型类别，分别适合什么场景 （1 次）
  • RAG 的主要模式和主要工作流程是怎样的？ （1 次）
  • 讲一下项目里召回的流程 （1 次）
  • 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？ （1 次）
  • rag中的幻觉问题是这么处理的？ （1 次）

记忆与上下文管理

题目数 13 · 涉及公司 6 · 涉及面经 8

字节 小红书 百度 米哈游 美团 联想

代表题目

  • Agent 的记忆一般怎么分层，为什么不能只靠聊天历史 （1 次）
  • 记忆机制的设计？如果都放在一起怎么办 （1 次）
  • 上下文是如何构建的？你们怎么避免上下文过长或信息污染？ （1 次）
  • 如果上下文窗口不够，你会优先保留哪些信息？为什么？ （1 次）
  • attention 复杂度很高，当上下文特别长时，你会怎么优化？ （1 次）
  • Session 和 User ID 是如何绑定的？ （1 次）
  • 长期记忆和短期记忆在设计上有什么区别？本质上有什么区别？ （1 次）
  • 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？ （1 次）

后端基础与工程化

题目数 12 · 涉及公司 7 · 涉及面经 8

字节 小红书 快手 淘天 百度 美团 联想

代表题目

  • Python 有多线程吗？GIL 是干嘛的？什么时候多线程才是有用的？ （1 次）
  • 多租户环境下模型切换是否支持热更新？切换是否相互独立？ （1 次）
  • 问了个java开放题，我的机器每隔一段时间就会full gc 你有什么解决方式 或排查方式吗 （1 次）
  • 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？ （1 次）
  • （简历）布隆过滤器的业务场景是什么？他是为了做什么的？高并发的流量是由什么决定的？ （1 次）
  • 线程池的构造参数？ （1 次）
  • 什么是python闭包，你在项目中哪些场景中使用了的 （1 次）
  • Java中如何处理内存泄漏风险 （1 次）

项目介绍与项目拷打

题目数 11 · 涉及公司 7 · 涉及面经 9

OPPO 字节 小红书 淘天 米哈游 美团 联想

代表题目

  • 自我介绍 （7 次）
  • 项目拷打 （3 次）
  • 介绍你写的这个项目 （1 次）

框架、MCP与工具调用

题目数 11 · 涉及公司 6 · 涉及面经 7

字节 小红书 淘天 米哈游 美团 联想

代表题目

  • MCP、Function Calling、Skills、Agent 分别是什么，它们之间是什么关系 （1 次）
  • mcp （1 次）
  • 为什么选择 Spring AI 框架？ （1 次）
  • Spring AI 框架的主要优势是什么？ （1 次）
  • MCP的交互流程是怎样的？ （1 次）
  • 对其他主流 AI 框架（如 LangChain）有了解吗？ （1 次）
  • skills了解吗 （1 次）
  • skills和子agnet有什么区别，什么场景下选择不同的解决方法（我回答的是看整体的任务复杂度，问题太复杂的话用子agent，同时开发复杂度会高） （1 次）

模型基础与推理机制

题目数 9 · 涉及公司 4 · 涉及面经 5

字节 百度 米哈游 联想

代表题目

  • attention和self-attention （1 次）
  • 为什么attention比rnn好 （1 次）
  • LLM 的输入到底是什么？模型真正看到的内容包含哪些？ （1 次）
  • self-attention 的核心作用是什么？为什么要拆成 Q、K、V？ （1 次）
  • 为什么 attention 能建模长距离关系？ （1 次）
  • 为什么需要 multi-head？attention 为什么可以看成动态加权？ （1 次）
  • 为什么不直接使用多模态大模型？ （1 次）
  • LLM的底层原理有没有了解？输入给模型的是什么？ （1 次）

算法与编码题

题目数 6 · 涉及公司 5 · 涉及面经 6

字节 小红书 快手 米哈游 联想

代表题目

  • 代码实现LRU （1 次）
  • 手撕 :两两交换链表中的节点 （1 次）
  • 手撕 （1 次）
  • 算法，维护二叉树next指针，用常量级空间 （1 次）
  • （整个流程总共20分钟，无手撕代码环节。时间短的比拷打1个半小时，宁愿被拷打一个半小时） （1 次）
  • 手撕 八皇后问题 （1 次）

评测、幻觉与数据集

题目数 4 · 涉及公司 3 · 涉及面经 3

OPPO 字节 百度

代表题目

  • 你们如何评估生成单测的质量？ 除了覆盖率，还有哪些指标有效？ （1 次）
  • 模型产生幻觉的常见原因是什么？工程上有哪些方法可以降低幻觉？ （1 次）
  • 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？ （1 次）
  • 除了LLM as a Judge，还有什么方法评测回答的效果？ （1 次）

前端与跨端工程

题目数 2 · 涉及公司 2 · 涉及面经 2

字节 美团

代表题目

  • 在没有前端界面的情况下，本地图片是如何传到后端并进行识别的？ （1 次）
  • 你负责什么部分？前端内容是你自己实现的吗？ （1 次）

牛客近6个月AI应用开发面经汇总

  • 生成时间：2026-07-18 04:23:38
  • 统计窗口：2025-10-11 ～ 2026-04-12
  • 搜索关键词数：53
  • 牛客搜索候选帖数（去重后）：208
  • 过滤后实际面经帖数：12
  • 最近3个月面经帖数：11

说明：这里的“全量”指基于牛客站内搜索 + 多组岗位关键词扩展后，当前可检索到并落在近6个月窗口内的相关面经帖去重结果。

搜索关键词

  • AI应用开发、AI应用开发 面经、AI应用开发 一面、AI应用开发 二面、AI应用开发 实习、AI应用平台开发、AI应用平台开发 面经、AI应用服务端开发、AI应用服务端开发 面经、AI应用后端开发、AI应用后端开发 面经、AI应用前端开发、AI应用工程师、AI应用工程师 面经、AI技能应用开发、AI Agent开发、AI Agent开发 面经、AI Agent 应用开发、AI Agent研发、Agent开发、Agent开发 面经、智能体开发、智能体开发 面经、智能体应用开发、智能体与大模型应用工程、智能体与大模型应用工程 面经、大模型应用开发、大模型应用开发 面经、大模型应用开发 一面、大模型应用开发 二面、大模型应用工程、大模型应用工程师、大模型数据应用开发、大模型数据应用开发 面经、大模型开发、大模型应用、小红书 AI Agent开发 一面、米哈游-AI Agent研发-暑期一面、百度ai agent开发春招一面、字节agent开发实习一面凉经、快手AI Agent开发一面（已过）、4.9-淘天agent-二面、腾讯暑期实习 ai agent开发一面、实习-快手电商-大模型数据应用开发一面、字节暑期后端agent开发一面、快手大模型应用开发算法岗三面面经、拼多多大模型应用开发一面凉经、腾讯 大模型应用开发 二面、腾讯 大模型应用开发 一面、大模型应用开发一面-美团面经、OPPO大模型应用开发一面 攒人品、字节 大模型应用开发 二面 日常实习、字节大模型应用开发 日常实习一面

公司分布

  • 小红书: 3
  • 字节: 2
  • 米哈游: 1
  • 百度: 1
  • 淘天: 1
  • 快手: 1
  • 联想: 1
  • 美团: 1
  • OPPO: 1

月份分布

  • 2026-04: 8
  • 2026-03: 3
  • 2025-10: 1

总表

日期 公司 岗位归类 轮次 标题 链接 提取题目数
2026-04-12 小红书 ai agent开发 一面 小红书 AI Agent开发 一面 原帖 11
2026-04-09 米哈游 ai agent研发 一面 米哈游-AI Agent研发-暑期一面 原帖 14
2026-04-09 百度 ai agent开发 一面 百度ai agent开发春招一面 原帖 21
2026-04-09 字节 agent开发 一面 字节agent开发实习一面凉经 原帖 28
2026-04-09 淘天 ai agent开发 二面 4.9-淘天agent-二面 原帖 9
2026-04-09 字节 agent开发 一面 字节Agent开发一面90min凉经 原帖 21
2026-04-08 快手 大模型数据应用开发 一面 实习-快手电商-大模型数据应用开发一面 原帖 13
2026-04-02 联想 ai应用开发 一面 联想-AI应用开发-面经 原帖 21
2026-03-28 美团 大模型应用开发 一面 大模型应用开发一面-美团面经 原帖 11
2026-03-25 OPPO 大模型应用开发 一面 OPPO大模型应用开发一面 攒人品 原帖 11
2026-03-19 小红书 大模型开发 一面 小红书 大模型开发 一面 原帖 9
2025-10-16 小红书 ai agent开发 一面 小红书 AI Agent开发 一面凉经 原帖 16

逐条整理

2026-04-12｜小红书 AI Agent开发 一面

  • 公司：小红书
  • 岗位归类：ai agent开发
  • 轮次：一面
  • 来源：https://www.nowcoder.com/discuss/872820735335485440
  • 命中搜索词：小红书 AI Agent开发 一面、快手AI Agent开发一面（已过）
  • 提炼摘要：1. 自我介绍；2. 介绍你写的这个项目；3. 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent；4. MCP、Function Calling、Skills、Agent 分别是什么，它们之间是什么；5. Agent 的规划、执行、反思三段式链路怎么设计；6. Agent 的记忆一般怎么分层，为什么不能只靠聊天历史
  • 提取到的面试题/考点：
    1. 自我介绍
    1. 介绍你写的这个项目
    1. 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent
    1. MCP、Function Calling、Skills、Agent 分别是什么，它们之间是什么关系
    1. Agent 的规划、执行、反思三段式链路怎么设计
    1. Agent 的记忆一般怎么分层，为什么不能只靠聊天历史
    1. RAG 可以怎么分类，Agentic RAG 和传统 RAG 差别在哪
    1. RAG 项目里怎么做召回闭环，才能让系统真的越用越准
    1. HyDE 的原理是什么，什么时候有效，什么时候会害人
    1. IVF、PQ、IVF-PQ 分别在做什么，为什么它们能把向量检索做快
    1. 向量索引有哪些典型类别，分别适合什么场景

2026-04-09｜米哈游-AI Agent研发-暑期一面

  • 公司：米哈游
  • 岗位归类：ai agent研发
  • 轮次：一面
  • 来源：https://www.nowcoder.com/feed/main/detail/a1566acc2660477dbf54b58885513d6c
  • 命中搜索词：米哈游-AI Agent研发-暑期一面
  • 提炼摘要：1.自我介绍；2.项目；3.问SFT；4.attention和self-attention；5.为什么attention比rnn好；6.workflow和agent区别
  • 提取到的面试题/考点：
  • 1.自我介绍
  • 2.项目
  • 3.问SFT
  • 4.attention和self-attention
  • 5.为什么attention比rnn好
  • 6.workflow和agent区别
  • 7.记忆机制的设计？如果都放在一起怎么办
  • 8.mcp
  • 9.few-shot有没有用？
  • 0.agent怎么保证有用？
  • 1.沙箱了解吗？
  • 2.你会怎么去测试ai写的代码？
  • 3.代码实现LRU
  • 4.反问:做什么？有什么建议？面试几轮？

2026-04-09｜百度ai agent开发春招一面

  • 公司：百度
  • 岗位归类：ai agent开发
  • 轮次：一面
  • 来源：https://www.nowcoder.com/feed/main/detail/c807140b75bd4cf3bf4166660676db5d
  • 命中搜索词：百度ai agent开发春招一面、腾讯暑期实习 ai agent开发一面
  • 提炼摘要：简单讲一个你最有代表性的项目，你在其中解决的最关键问题是什么？；提示词模板是怎么设计与迭代的？你如何判断一个模板真的变好了？；你们的 Agent 是单 Agent 还是多 Agent？为什么这么设计？有没有考虑过替代方案？；Agent 的任务是怎么拆分的？拆分粒度是怎么决定的？；上下文是如何构建的？你们怎么避免上下文过长或信息污染？；如果上下文窗口不够，你会优先保留哪些信息？为什么？
  • 提取到的面试题/考点：
  • 简单讲一个你最有代表性的项目，你在其中解决的最关键问题是什么？
  • 提示词模板是怎么设计与迭代的？你如何判断一个模板真的变好了？
  • 你们的 Agent 是单 Agent 还是多 Agent？为什么这么设计？有没有考虑过替代方案？
  • Agent 的任务是怎么拆分的？拆分粒度是怎么决定的？
  • 上下文是如何构建的？你们怎么避免上下文过长或信息污染？
  • 如果上下文窗口不够，你会优先保留哪些信息？为什么？
  • 做代码理解时，AST、调用关系这些信息是怎么用起来的？
  • 单测生成里，哪些代码不适合生成单测？你们是如何识别并过滤的？
  • 覆盖率高但测试质量很差，你见过吗？你们是如何解决的？
  • mock 在单测里什么时候是必须的？什么时候反而会带来问题？
  • 如果一个函数同时依赖数据库和 RPC，你怎么让模型生成的单测稳定运行？
  • 你们如何评估生成单测的质量？ 除了覆盖率，还有哪些指标有效？
  • LLM 的输入到底是什么？模型真正看到的内容包含哪些？
  • self-attention 的核心作用是什么？为什么要拆成 Q、K、V？
  • 为什么 attention 能建模长距离关系？
  • 为什么需要 multi-head？attention 为什么可以看成动态加权？
  • 同一个 token 的 Q、K、V 为什么不相同？
  • attention 复杂度很高，当上下文特别长时，你会怎么优化？
  • 模型产生幻觉的常见原因是什么？工程上有哪些方法可以降低幻觉？
  • Python 有多线程吗？GIL 是干嘛的？什么时候多线程才是有用的？

  • Agent面试会问什么？

2026-04-09｜字节agent开发实习一面凉经

  • 公司：字节
  • 岗位归类：agent开发
  • 轮次：一面
  • 来源：https://www.nowcoder.com/feed/main/detail/69b9cd21f1244d3cb19499f249228b50
  • 命中搜索词：字节agent开发实习一面凉经
  • 提炼摘要：1. 为什么选择 Spring AI 框架？；2. Spring AI 框架的主要优势是什么？；3. 如何设计多模型支持架构？；4. 多租户环境下模型切换是否支持热更新？切换是否相互独立？；5. Agent 的记忆、工具调用、知识库检索等关键组件是如何实现的？；6. 系统中的 Agent 包含哪些具体状态？
  • 提取到的面试题/考点：
    1. 为什么选择 Spring AI 框架？
    1. Spring AI 框架的主要优势是什么？
    1. 如何设计多模型支持架构？
    1. 多租户环境下模型切换是否支持热更新？切换是否相互独立？
    1. Agent 的记忆、工具调用、知识库检索等关键组件是如何实现的？
    1. 系统中的 Agent 包含哪些具体状态？
    1. 后端 Agent 是否支持多租户同时调用？
    1. Session 和 User ID 是如何绑定的？
    1. Agent 工具调用的完整业务流程是怎样的？
    1. 长期记忆和短期记忆在设计上有什么区别？本质上有什么区别？
    1. SSE 在前后端是如何交互的？
    1. 后端以什么数据格式推送流式信息？
    1. Agent 发生“工具调用”时，SSE 推送的事件结构中通常包含哪些字段？
    1. MCP的交互流程是怎样的？
    1. Agent 如何与 MCP Server 连接通信？
    1. RAG 的主要模式和主要工作流程是怎样的？
    1. Agent 一般在什么阶段去查询向量知识库？通过什么方式去查询？
    1. 查询知识库的工具函数，其标准输入和输出是什么？
    1. Go 语言的 GMP 调度模型是怎样的？
    1. GMP 模型中的 Machine (M) 代表什么？
    1. Processor (P) 上的本地队列长度通常是多少？
    1. 系统如何实现图像识别等多模态功能？
    1. 为什么不直接使用多模态大模型？
    1. 在没有前端界面的情况下，本地图片是如何传到后端并进行识别的？
    1. 对其他主流 AI 框架（如 LangChain）有了解吗？
    1. 你最熟悉的主力编程语言是什么？
    1. 手撕 :两两交换链表中的节点

  • Agent面试会问什么？

2026-04-09｜4.9-淘天agent-二面

  • 公司：淘天
  • 岗位归类：ai agent开发
  • 轮次：二面
  • 来源：https://www.nowcoder.com/discuss/871774510138023936
  • 命中搜索词：4.9-淘天agent-二面
  • 提炼摘要：🕐面试时间：60min；❓面试问题：；自我介绍；聊聊对agent的认识；有没有用过open claw；skills了解吗
  • 提取到的面试题/考点：
  • 🕐面试时间：60min
  • ❓面试问题：
  • 自我介绍
  • 聊聊对agent的认识
  • 有没有用过open claw
  • skills了解吗
  • 你刚才想到了用子agent的思路，在什么情况下会这么做，有什么好处
  • skills和子agnet有什么区别，什么场景下选择不同的解决方法（我回答的是看整体的任务复杂度，问题太复杂的话用子agent，同时开发复杂度会高）
  • 问了个java开放题，我的机器每隔一段时间就会full gc 你有什么解决方式 或排查方式吗

2026-04-09｜字节Agent开发一面90min凉经

  • 公司：字节
  • 岗位归类：agent开发
  • 轮次：一面
  • 来源：https://www.nowcoder.com/feed/main/detail/91c5394e57c14927841d7a86bfe427c2
  • 命中搜索词：字节agent开发实习一面凉经
  • 提炼摘要：1.自我介绍；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
  • 提取到的面试题/考点：
  • 1.自我介绍
  • 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？
  • 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？
  • 0.讲一下项目里召回的流程
  • 1.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？
  • 2.skills的原理有没有了解过？怎么实现的？
  • 3.LLM的底层原理有没有了解？输入给模型的是什么？
  • 4.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？
  • 5.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？
  • 6.信号量的底层是怎么实现的？
  • 7.cpp编译链接流程有没有了解？编译分哪些步骤？
  • 手撕:
  • 8.岛屿最大面积
  • 9.反问

  • Agent面试会问什么？

2026-04-08｜实习-快手电商-大模型数据应用开发一面

  • 公司：快手
  • 岗位归类：大模型数据应用开发
  • 轮次：一面
  • 来源：https://www.nowcoder.com/discuss/871506086656761856
  • 命中搜索词：实习-快手电商-大模型数据应用开发一面
  • 提炼摘要：介绍netty的多路复用机制？介绍一下epoll是什么？；（简历）介绍一下双token机制？refresh token的安全性这么考虑的？；（简历）会话机制怎么校验当前客户端是他自己？；（简历）布隆过滤器的业务场景是什么？他是为了做什么的？高并发的流量是由什么决定的？；介绍一下synchronized和ReentrantLock的区别？；介绍一下synchronized的底层实现？Monitor是用来做什么的？
  • 提取到的面试题/考点：
  • 介绍netty的多路复用机制？介绍一下epoll是什么？
  • （简历）介绍一下双token机制？refresh token的安全性这么考虑的？
  • （简历）会话机制怎么校验当前客户端是他自己？
  • （简历）布隆过滤器的业务场景是什么？他是为了做什么的？高并发的流量是由什么决定的？
  • 介绍一下synchronized和ReentrantLock的区别？
  • 介绍一下synchronized的底层实现？Monitor是用来做什么的？
  • 介绍一下ReentrantLock的底层？
  • 线程池的构造参数？
  • 介绍一下Spring的AOP？
  • 有没有了解过JDK动态代理为什么是基于接口的？
  • 介绍一下Spring的IoC？
  • 讲讲Ioc的循环依赖问题和解决？
  • 算法，维护二叉树next指针，用常量级空间

2026-04-02｜联想-AI应用开发-面经

  • 公司：联想
  • 岗位归类：ai应用开发
  • 轮次：一面
  • 来源：https://www.nowcoder.com/discuss/869169098146537472
  • 命中搜索词：大模型应用、大模型开发、大模型数据应用开发 面经
  • 提炼摘要：rag中的幻觉问题是这么处理的？；你知道哪些向量数据库？；联想一面；自我介绍；rag文本分块策略；你对AI agent的了解
  • 提取到的面试题/考点：
  • rag中的幻觉问题是这么处理的？
  • 你知道哪些向量数据库？
  • 联想一面
  • 自我介绍
  • rag文本分块策略
  • 你对AI agent的了解
  • 了解哪些框架
  • 在rag中如何构建上下文对话的能力
  • 关于大模型提示词的经验
  • 你知道哪些agent工具
  • 在rag中，有哪些相似度的计算方法
  • 你知道最近两年有哪些agent框架吗
  • 谈谈你对openClaw的人生
  • 谈谈对agent Skills的认识
  • 什么是python闭包，你在项目中哪些场景中使用了的
  • Java中如何处理内存泄漏风险
  • 大概有几面：总共两面，后面一面是HR面
  • 多久能知道本次面试的结果：应该很快吧
  • 大概多久能入职：得HR才能知道
  • （整个流程总共20分钟，无手撕代码环节。时间短的比拷打1个半小时，宁愿被拷打一个半小时）
  • 第二天收到感谢信，疑似刷KPI，还是因为实力不足[牛泪]

2026-03-28｜大模型应用开发一面-美团面经

  • 公司：美团
  • 岗位归类：大模型应用开发
  • 轮次：一面
  • 来源：https://www.nowcoder.com/feed/main/detail/7a8b2cdbb8664dd8a9949fd0721b74c3
  • 命中搜索词：大模型应用开发一面-美团面经
  • 提炼摘要：1.项目拷打；2.ai项目里面的embedding向量检索的原理是什么，如果保证检索的准确性；3.function calling 如何解析用户的意图？；4.你是怎么实现模型的对话记忆功能的？；5.如何将文本导入向量数据库？切割的依据是什么？；6.对话记忆功能是所有的数据都保存吗？超出最大限度怎么办？prompt会改变吗？
  • 提取到的面试题/考点：
  • 1.项目拷打
  • 2.ai项目里面的embedding向量检索的原理是什么，如果保证检索的准确性
  • 3.function calling 如何解析用户的意图？
  • 4.你是怎么实现模型的对话记忆功能的？
  • 5.如何将文本导入向量数据库？切割的依据是什么？
  • 6.对话记忆功能是所有的数据都保存吗？超出最大限度怎么办？prompt会改变吗？
  • 7.非阻塞式响应是怎么实现的，需要引入什么依赖？
  • 8.整个项目是基于什么协议？和https有什么区别？
  • 9.你负责什么部分？前端内容是你自己实现的吗？
  • 0.zset是居于rediss的什么结构？sorted set是什么？基于哪种数据结构？如何实现？
  • 1.lua脚本是怎么使用的？使用的场景是什么？

2026-03-25｜OPPO大模型应用开发一面 攒人品

  • 公司：OPPO
  • 岗位归类：大模型应用开发
  • 轮次：一面
  • 来源：https://www.nowcoder.com/feed/main/detail/06aa48522cef44dfa62cbdda528cde6f
  • 命中搜索词：OPPO大模型应用开发一面 攒人品
  • 提炼摘要：1. 项目拷打；2.实习拷打；3. 数据收集和处理，使用Grpah-Rag的优势，本项目中Grpah的作用。；4. 训练数据的构建细节；5. 遇到数据内容冲突时应该如何处理？；6. Rec、MRR、Acc等常见检索指标。
  • 提取到的面试题/考点：
    1. 项目拷打
  • 2.实习拷打
    1. 数据收集和处理，使用Grpah-Rag的优势，本项目中Grpah的作用。
    1. 训练数据的构建细节
    1. 遇到数据内容冲突时应该如何处理？
    1. Rec、MRR、Acc等常见检索指标。
    1. 除了LLM as a Judge，还有什么方法评测回答的效果？
    1. 当不同的专家对同一回答评分方差很大时应该怎么解决？
    1. 在校内的科研/实践经历。
    1. 常见的Agent和Memory管理的范式。
    1. 遇到的印象最深/工作量最多的实际工程编码问题。

2026-03-19｜小红书 大模型开发 一面

  • 公司：小红书
  • 岗位归类：大模型开发
  • 轮次：一面
  • 来源：https://www.nowcoder.com/discuss/864159676710080512
  • 命中搜索词：小红书 AI Agent开发 一面、快手AI Agent开发一面（已过）
  • 提炼摘要：1、自我介绍；2、项目拷打；3、讲一下 OpenClaw 的记忆本地存储怎么设计；3.connect(db_path)；VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?)；WHERE user_id=? AND session_id=?
  • 提取到的面试题/考点：
  • 1、自我介绍
  • 2、项目拷打
  • 3、讲一下 OpenClaw 的记忆本地存储怎么设计
  • 3.connect(db_path)
  • VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?)
  • WHERE user_id=? AND session_id=?
  • LIMIT ?
  • WHERE user_id=? AND memory_type='long_term'
  • 4、SDD 是什么

2025-10-16｜小红书 AI Agent开发 一面凉经

  • 公司：小红书
  • 岗位归类：ai agent开发
  • 轮次：一面
  • 来源：https://www.nowcoder.com/feed/main/detail/cdb7bfdee3a248b09350459b52276a47
  • 命中搜索词：小红书 AI Agent开发 一面、快手AI Agent开发一面（已过）
  • 提炼摘要：1、自我介绍；2、 Spring 框架常用的注解有哪些？；3、@Autowired 注解的底层原理是什么；4、在实现 @Autowired 的依赖注入时，是怎么通过反射来获取成员变量的？；5、具体是用什么反射方法来获取这些字段（Field）？；6、获取到字段后，又用什么方法来检查它是否被 @Autowired 注解标记？
  • 提取到的面试题/考点：
  • 1、自我介绍
  • 2、 Spring 框架常用的注解有哪些？
  • 3、@Autowired 注解的底层原理是什么
  • 4、在实现 @Autowired 的依赖注入时，是怎么通过反射来获取成员变量的？
  • 5、具体是用什么反射方法来获取这些字段（Field）？
  • 6、获取到字段后，又用什么方法来检查它是否被 @Autowired 注解标记？
  • 7、请讲一下 Spring 中一个 Bean 的生命周期
  • 8、谈谈你对 JVM 调优的理解，有哪些常见的调优参数或方法？
  • 9、在启动命令中调整 JVM 参数，怎么做？
  • 0、解释一下 ThreadLocal 是什么，以及它的底层原理。
  • 1、ThreadLocal 可能会导致什么问题
  • 2、比较一下 MySQL 和 Elasticsearch 的区别，以及各自的应用场景
  • 3、为什么 ES 要使用倒排索引，它相比顺序扫描的好处是什么？
  • 4、项目为什么选择用 PGVector 而不是 ES 来做向量数据库？ES 可以吗？
  • 5、谈谈对 RAG的理解，你认为它主要解决了哪些问题？
  • 6、手撕 八皇后问题

排除项

  • 2026-07-17｜想找原生ai agent开发的｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/5b8db6f57ffd4be386cb1f7b3c92dbe2
  • 2026-07-16｜刘文祥麻辣烫 Agent 开发工程师 一面面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/f1a82fefaa804d6d9f6e09304838ce97
  • 2026-07-16｜嘉为科技 ai应用开发｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/fb4da04c8f2846b19060315fd05a2e4b
  • 2026-07-16｜字节AI应用开发面试题解｜超出时间窗口｜https://www.nowcoder.com/discuss/907307141701169152
  • 2026-07-16｜对线agent开发面试官｜超出时间窗口｜https://www.nowcoder.com/discuss/907294418359570432
  • 2026-07-16｜某小厂AI应用开发/Agent开发一面面经｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/d95927b94e994681beee22975766721e
  • 2026-07-15｜现在企业内agent开发会用什么｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/3529e4bc3c474996bb21c70c662217c3
  • 2026-07-15｜AI Agent开发相关的岗位是不是都很吃学历？｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/a53fee58a743448499e8bd130df3cff1
  • 2026-07-15｜阿里AI应用开发OC｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/51b8bf6eb5c840f1b447886dccd020a6
  • 2026-07-14｜博世嵌入式软件开发 实习二面面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/906811640199344128
  • 2026-07-14｜7.14 字节 AI Agent开发 三面｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/0619e2e8689e45df84ad36de9d96221d
  • 2026-07-14｜嵌入式面经111题答案汇总(含技术答疑)_3大嵌入式项目源码分享—嵌入式Linux项目｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/906548071796916224
  • 2026-07-14｜即梦全栈agent开发-剪映一面面经｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/baf1feca49954d15b89c152ecf05ab22
  • 2026-07-13｜7.13 字节 AI Agent开发二面｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/98d58b2bded741e9a4ebb73e1551393d
  • 2026-07-13｜字节即梦agent全栈开发实习求问｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/a3936fcfe8ff42bbb73773ace2a3d174
  • 2026-07-13｜大模型开发(Agent开发)岗主要做些什么内容｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/db6594c945d648fe916df0b8478698f5
  • 2026-07-13｜前端转agent开发需要学习什么？｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/86a4f690796c491b860eaeec9e96998f
  • 2026-07-10｜字节 AI应用开发(日常) 一面｜超出时间窗口｜https://www.nowcoder.com/discuss/905218813849784320
  • 2026-07-09｜面字节agent开发岗让手撕多头注意力｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/0568f746756b4c71ac635fb6fcadc13d
  • 2026-07-09｜字节财经AI应用开发日常实习一面 补档（约 70 分钟）｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/20b03c4d9dc74bc4b65597c0f1ae2b2e
  • 2026-07-08｜前后端已死，agent开发才是未来｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/fb20c0550ba94064acc99afeffdb0f9b
  • 2026-07-08｜后端开发简历/agent开发/ai｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/9efca1d786c8460e85b96ab64159e0dc
  • 2026-07-08｜7.8联影 Agent 开发一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/d5a9001f0d5048518ad85c494d1f6d54
  • 2026-07-08｜28届 7月agent开发实习投递｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/d5df77d92da04911925f16bf89eb0a39
  • 2026-07-08｜Agent面试｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/1947c211ba714f31874b9c19fae9b969
  • 2026-07-08｜淘宝Agent一面：如何从0到1设计Agent｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/89c49aed475f49cb8a60e2185216abe5
  • 2026-07-07｜7.6 字节 AI Agent开发一面｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/66e4359ca7884d72815a4a1a8af2bfa9
  • 2026-07-07｜27届找agent开发实习｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/e7d16bdc07b84f6b8bddb20618cd04d4
  • 2026-07-07｜字节、蚂蚁、腾讯Agent实习面经（凉经） 看一看有什么问题呢｜超出时间窗口｜https://www.nowcoder.com/discuss/904029765160497152
  • 2026-07-06｜微信支付 AI应用开发 一面凉经 暑期｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/95dfe69bef4d45e8a6908c5e64cd9b14
  • 2026-07-05｜Java后端 合肥某小厂面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/ba3fc9a0137544b29d8806ea3cc9de9c
  • 2026-07-04｜怎么通过ai应用开发的面试｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/55703cc84811472798d30a35ea81f775
  • 2026-07-01｜四个月速成后端（Agent）开发的学习路线｜明显是求助/讨论帖｜https://www.nowcoder.com/feed/main/detail/f1f64fa6d8a846f6918e5b05f25329bd
  • 2026-07-01｜百度 C++ 开发岗一面面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/901824896974581760
  • 2026-06-30｜ai agent 开发｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/2d39a00f62314227852c43c9951d2752
  • 2026-06-30｜27届找ai应用开发求指导｜明显是求助/讨论帖｜https://www.nowcoder.com/feed/main/detail/e57f1fc167f44f9496ae9ab3ad7027bf
  • 2026-06-30｜快手AI应用开发tl｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/cebbe737af5942a49f46f8f670c8092e
  • 2026-06-29｜AI应用开发/Agent开发实习简历求锐评｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/5f10ae7b69e140b5a1c6d1b83783a90e
  • 2026-06-29｜北邮 lastday 本科就业心得分享｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/7a711331f40245f39e4533548e11d842
  • 2026-06-28｜26届计算机普通双非硕秋春招，究竟有多难！｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/900869885855612928
  • 2026-06-26｜28日常实习AI应用开发快手二面｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/3acae5c6c6ce4f4a931332cd3d194c08
  • 2026-06-26｜杭州某小厂AI开发实习生面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/a498c7a821ce4c488a2777be5df82a79
  • 2026-06-26｜成都某中厂agent产品开发实习面经｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/d770696f3495465d9e3d40c3d631d54c
  • 2026-06-25｜28日常实习快手AI应用开发面经｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/c48aa5448c284cf3870235bd874d67e8
  • 2026-06-20｜6.17字节飞书一面凉经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/80e34a524e7e48fdae24556cd50dc3c3
  • 2026-06-19｜CVTE 2027暑期实习面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/897442390552629248
  • 2026-06-17｜实习 小鹏agent开发/华为ai应用开发怎么选｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/3c6117b451944a3da05e94ae2fd915d1
  • 2026-06-16｜数字马力校企合作面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/f9a90e0dab7e4f50a22c9581f3d7a735
  • 2026-06-16｜中控技术-前端开发面经（已OC）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/5107555352e447d5a5652aba603b220d
  • 2026-06-16｜offer选择｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/44a94ea2d186422982d945e6528282c4
  • 2026-06-12｜中科曙光ai应用开发面经｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/ea5f8ccdde514da9899789f3a0e0071e
  • 2026-06-11｜网易互娱-AI技术面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/e6137fa316b741c8a1541d790bccfbfa
  • 2026-06-11｜字节跳动 C++ 面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/894531017640296448
  • 2026-06-08｜Cider AI开发实习面经：从投递到offer的全流程复盘!｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/893577838685605888
  • 2026-06-08｜后端转型大模型心路历程-个人真实经验分享｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/893463232562642944
  • 2026-06-08｜盛大前端三轮面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/893444137280651264
  • 2026-06-06｜腾讯银之心工作室招27届28届日常实习！｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/bbb18cd4abd14399b9de2d0e54b4ab05
  • 2026-06-05｜南宁小厂面试 - Java 后端开发实习｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/b82d5b7c8b6b4e1ea5a371c97ef56ccc
  • 2026-06-03｜小红书PE后端二面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/0c111933c16a4b9e8a09ca79c26fef93
  • 2026-06-03｜大疆｜嵌入式软件开发｜一面面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/891627030649815040
  • 2026-06-02｜字节一面凉经（精简版，时间4月）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/abc736612a744daba3a849b3d8b132a1
  • 2026-06-02｜25届失业找工作day02:新东方测试开发面经6.2号｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/e9b596ed7aff42f5a60f1a09b5f0a558
  • 2026-06-01｜字节跳动校招-校园实习-剪映ai剪辑开发-一面面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/c25635de7d754dd7adcdb3a5901b1f1c
  • 2026-05-31｜货拉拉-中高级后端开发-一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/2405e5759ccc47f4a8b5dc35807ba901
  • 2026-05-29｜初创公司Java后端面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/d0f9f488fe504bd684d37ae0f2e64187
  • 2026-05-29｜AI应用开发｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/a52d164f22cf4ac38fab814e368004ce
  • 2026-05-28｜27届暑期前端高频面试题汇总（字节百度阿里快手等多家大厂）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/889546972099584000
  • 2026-05-27｜和顺慧康-AI应用开发｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/a1fe3eef3aad4891a3b8f03fa390ec15
  • 2026-05-25｜汇川技术AI开发实习生暑期面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/be007f33d2dd4c1c88913eb9ac22a226
  • 2026-05-24｜百度架构实习面经（等横向 5.26已凉）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/bfeeca34db3f44b6b0f8b8af739ec27e
  • 2026-05-18｜27届暑期实习告一段落｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/7d676745669446689c6a304a0c988182
  • 2026-05-16｜暑期实习帮选 agent 开发｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/a172c6c44a1c4a64a3f59e7d6d16a1f9
  • 2026-05-15｜27届无暑期实习未来在哪里，求救｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/8f12a9430ab24aba905d841bbe3a8e4f
  • 2026-05-12｜网易伏羲机器人-测开实习面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/883690384444964864
  • 2026-05-11｜全是一面挂，到底可能是哪出问题了｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/2d8a8707084d4f4683b2361d7cb9e1ab
  • 2026-05-11｜美团 AI应用开发 一面｜超出时间窗口｜https://www.nowcoder.com/discuss/883431602263490560
  • 2026-05-11｜浙江小厂AI工程师面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/a025b6dbd4de4e2cb9c6b86da094dd39
  • 2026-05-09｜暑期实习基本结束｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/e81803740366443682ffc955cb7cb542
  • 2026-05-09｜快手 面经总结【05/09】快手招聘火热进行中 🔥｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/882573284426932224
  • 2026-05-08｜阿里淘天27实习 智能体开发面经分享｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/f7e83c1dfcfe4ff5acca368ee258609b
  • 2026-05-08｜小公司AI应用开发岗面经20260508｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/d792d6ebcb90491ea3e56ea950225811
  • 2026-05-08｜快手面经-复活一面-后端工程（北京）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/1c0308ee21a24780943e1cdbd3bf1777
  • 2026-05-07｜字节AI应用开发一面分享-好难啊｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/1652eeda56e243199321a073534cbf15
  • 2026-05-06｜字节财经AI应用开发后端日常实习生一面面经｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/09fac7f955d34c1d8fc50f9a25fce714
  • 2026-05-06｜阿里 AI应用开发一面-27实习面经分享｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/038bad2882114c64bc6166eb716e5fce
  • 2026-05-04｜4.29 美团软件开发工程师（后端方向）暑期实习一面凉经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/37949dfff36b4340bbc3c17626b819a3
  • 2026-04-27｜字节暑期agent开发一面凉经分享｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/688deb12b60646a7b1b3519c29cd2b3f
  • 2026-04-27｜双非 oc 快手 Ai 应用开发｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/f688f78cae3b493d82105d2aab6af087
  • 2026-04-24｜别让“非大厂不可”的执念，耽误了自己的最佳时机｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/877111750183743488
  • 2026-04-23｜小红书agent开发一面 攒人品中｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/3a50438ddf984a38a2b98fa8ead0328c
  • 2026-04-23｜友友们 来一场关于阿里、多益、字节 的 Agent开发 的模拟考试吧(点赞过10发答案)｜缺少面试特征词｜https://www.nowcoder.com/discuss/876775577963851776
  • 2026-04-21｜暑期总结timeline和一些感受｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/85ef6aaa126b4863b02f63368a770d99
  • 2026-04-20｜暑期实习总结｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/2236ed7b66944c38976b866a863fa130
  • 2026-04-16｜小红书ai产品工程师-商业技术一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/1fe1612e60bd40e8ace52b0ce22a17ef
  • 2026-04-15｜2026春招必看：哪些公司面AI Coding？｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/f6b277c330a3458fab37462016fb3d00
  • 2026-04-13｜27实习小红书AI Agent开发一面｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/3bc7b48dd0f34f65876896052388c726
  • 2026-04-13｜小红书AI后端开发一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/873229176470331392
  • 2026-04-09｜小红书PE产品工程师一面面经😼｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/7c3f593bdd774091a5ca3e0d3e236409
  • 2026-04-03｜美团后端暑期一面面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/869641431994884096
  • 2026-04-03｜小红书AI后端开发一面 4.1｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/a57d904638d3437a92f61e7bd0a154b2
  • 2026-03-31｜27届 小红书PE全栈 一面 35min｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/ca5c689da55241a184b39ed4b8f04e63
  • 2026-03-29｜字节测试开发-数据平台部门一面凉经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/867788123156008960
  • 2026-03-26｜小红书 社区工程 一面 凉经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/866825324535808000
  • 2026-03-26｜今天也投了5家AI应用开发岗位｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/51de3d40af254ecfa6af26be1d881693
  • 2026-03-24｜小红书Ai agent算法一面 攒人品｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/6819d2a74f00489ea3e3913a5139346a
  • 2026-03-19｜小红书暑期一面（已挂）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/cefae139405543469602840106412c39
  • 2026-03-16｜小红书产品工程师（AI与全栈方向）面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/b99a9d20dd414b77a457ab5f3bcb8296
  • 2026-03-12｜美团移动端 C++开发 一面 面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/861562866250387456
  • 2026-02-05｜｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/958d5adb68a4408bb0fe937909e1c0c1
  • 2025-12-15｜字节大模型算法实习一面凉经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/b70dc597f95f4b8394d97ff3bd88b858
  • 2025-11-19｜27届菜鸡小硕 后端找实习记录｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/461164f75fde43cd87f409ac31033915
  • 2025-11-12｜offer选择，腾讯后台 vs 字节客户端｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/61c7efacfb154f21a6a52d9f37229b16
  • 2025-09-21｜美团数据开发面经，一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/799370041392119808
  • 2025-08-27｜计算机日常答疑，一起寻找问题的最优解｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/790328901208707072
  • 2025-05-13｜暑期offer选择｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/bc94fcbea5264c65a7782f2e3cd98e25
  • 2025-04-14｜大模型 0实习经验暑期实习投递记录｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/741384896458817536
  • 2025-04-14｜暑期实习选择，附面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/2a62657d0b734694b2baa9b7c97d368b
  • 2025-03-31｜同程旅行 全栈 春招 凉经 一面 SK精选｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/736323632040779776
  • 2025-03-28｜美团暑期一面面经 3-28｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/acee9c8c58c849dd91218b8838d0765e
  • 2025-03-28｜美团Java实习一面面经：从项目拷打到算法实战的完整复盘｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/735152276871843840
  • 2025-03-28｜26暑期实习——美团测开一面面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/735123373776179200
  • 2025-03-24｜美团暑期一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/e376ba2f1cc94c5a927c70e7a99a117d
  • 2025-03-05｜腾讯-IEG-北极光工作室群-游戏客户端开发-暑期实习：一面过/二面已挂｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/4b5838380545428aaf2fe69d5c3fb4a4
  • 2025-02-21｜2025 2 19 Java 面试题（美团 快手）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/722397808745033728
  • 2024-12-30｜终于等到你~这些提问急需你的解答！【2.20更新】｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/703250612166643712
  • 2024-12-04｜美团秋招数开面经，攒攒人品｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/b842054c72ba43418fb2601a4b83423b
  • 2024-11-17｜双非鼠鼠の图像秋招总结｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/36d73cef584d42bea2cdd9eb4070995d
  • 2024-09-18｜美团测开面经，已签意向｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/77b9e65089d3425eb65caf5d0ad8bc77
  • 2024-08-29｜大模型算法秋招投递记录｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/caf0892eb1d84ad0bcf51f3eeef32954
  • 2024-08-20｜｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/7b6d91de16c94ebca4491fb31126c1ae
  • 2024-08-09｜腾讯北极光工作室秋招一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/903233f8d8e1468eb3bb05f8f90e8a36
  • 2024-04-26｜暑期实习：腾讯 or 饿了么｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/cd3b9fe2c5784cc7820b6391d79ce7ae
  • 2024-04-10｜美团暑期一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/0f706e4ee6a5488cb6f85cd361b4d073
  • 2024-03-01｜阿里云暑期实习提前批一面（技术服务平台）|讲解｜0301｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/593104748941684736
  • 2024-02-29｜【快手】电商Java日常实习一面｜讲解｜0229｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/592736631489146880
  • 2024-02-18｜面试：百度一面，吓尿了｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/588738046242177024
  • 2023-11-07｜腾讯测开一面凉经（北极光工作室）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/5cf98c27b6e24e449940aefd89379a5f
  • 2023-07-03｜谈谈这次招聘季的经验和教训｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/505378429559173120
  • 2023-06-05｜个人实习面经记录--攒攒人品｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/495303478579851264
  • 2023-05-11｜牛客广告产品再上新！搜索品牌专区迎战秋招季｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/486210903277432832
  • 2023-03-01｜秋招面经|23届 秋招算法岗位面经 搜广推方向｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/460501011640176640
  • 2022-09-06｜顺利上岸字节本地化后端，但也真的很不顺利｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/396740931939053568
  • 2022-04-09｜游戏文案/游戏编剧岗春招记录｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353159507989700608
  • 2021-10-15｜#北极光工作室 阴间操作 offer报批被挂｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353158735046582272
  • 2021-10-01｜150+场面试 拿到了20+offer【22双非本科求职路】｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353158660908064768
  • 2021-09-30｜秋招上岸，个人历程和面经总结｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353158653773553664
  • 2021-09-13｜永航科技旗下巡回犬工作室2022届校招｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353158497732861952
  • 2021-08-22｜美团移动端一面、二面面经（北京 闪购）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353158314836041728
  • 2021-03-19｜腾讯北极光工作室引擎/客户端 两次一面凉经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353157677549297664
  • 2021-03-11｜初识产品经理校招｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353148704649584640
  • 2020-12-21｜2021我的互联网秋招算法岗总结，从零到八家大厂SSP｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353157436297125888
  • 2020-11-13｜2020秋招人力岗面试题｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353157328121831424
  • 2020-10-26｜游戏研发岗位求比较：广州网易互娱，上海腾讯北极光工作室｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353157216964386816
  • 2020-10-06｜非科班机械转行秋招｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353157114443014144
  • 2020-09-29｜记录一下自己艰苦的2020秋招---累觉不爱｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353157099884584960
  • 2020-05-08｜牛客匿名发布功能说明｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353156414929575936
  • 2020-04-15｜美团后台开发面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353156320981360640
  • 2020-04-08｜腾讯IEG游戏策划暑期实习面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353156283794661376
  • 2020-03-17｜算法岗面筋2｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353147800416362496
  • 2019-12-04｜实习经验分享｜腾讯游戏客户端岗｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353155953887485952
  • 2019-11-27｜秋招c++面经，少量算法、java，百度、滴滴、京东、58等｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353155939832373248
  • 2019-11-25｜秋招c++面经，少量算法、java，百度、滴滴、京东、58等｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353155932769165312
  • 2019-09-23｜后台秋招面经总结：字节，百度，网易，腾讯，阿里等｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353155546041753600
  • 2019-03-19｜大数据开发2019春招面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353154895723307008
  • 2018-09-20｜不带劲的前端烤面筋（顺便总结一下咸鱼找工作的这一路）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353154584594030592
  • 2018-06-13｜【史上最全面经】算法，机器学习，大数据｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353154393686089728
  • 2017-11-18｜offer求比较，纠结几天了｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353154262551175168
  • None｜index｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/offer/index
  • None｜e00579ca05b14b609cd9423b5d0b8c74｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/e00579ca05b14b609cd9423b5d0b8c74
  • None｜c5b43b75e6cc424da23aa900faedfc9a｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/c5b43b75e6cc424da23aa900faedfc9a
  • None｜9c6900e7b5b5401cbae0a131dbf12440｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/9c6900e7b5b5401cbae0a131dbf12440
  • None｜9a4161af408242c5b4a62ad8ebb3593d｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/9a4161af408242c5b4a62ad8ebb3593d
  • None｜906897383676538880｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/906897383676538880
  • None｜904414830600220672｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/904414830600220672
  • None｜904412908501618688｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/904412908501618688
  • None｜896176975042052096｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/896176975042052096
  • None｜895336794206502912｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/895336794206502912
  • None｜893900497847865344｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/893900497847865344
  • None｜893882959038541824｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/893882959038541824
  • None｜873916982129672192｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/873916982129672192
  • None｜608db09326b64fb2baca67168e7665b4｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/608db09326b64fb2baca67168e7665b4
  • None｜594f3debc8a54313b89e4b70e83419f0｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/594f3debc8a54313b89e4b70e83419f0
  • None｜55943e4337334c84baa5b0aa0df53c77｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/55943e4337334c84baa5b0aa0df53c77
  • None｜5273e64b28f448eda6e950cb124af56b｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/5273e64b28f448eda6e950cb124af56b
  • None｜51f34fe0d0cf4b918bd45dd4ec8824a9｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/51f34fe0d0cf4b918bd45dd4ec8824a9
  • None｜4ff132d0d0fb450398341f4ec9828def｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/4ff132d0d0fb450398341f4ec9828def
  • None｜4a151ab1e57247f9bdd14cdf46d2fedc｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/4a151ab1e57247f9bdd14cdf46d2fedc
  • None｜3cd8adebe27541238f161f4927618ab0｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/3cd8adebe27541238f161f4927618ab0
  • None｜353159106385092608｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/353159106385092608
  • None｜353156983446511616｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/353156983446511616
  • None｜2eff01998ecd46479e1541c8104bfe0e｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/2eff01998ecd46479e1541c8104bfe0e
  • None｜20dce7fd9d964b4191b6153b6b67f5cd｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/20dce7fd9d964b4191b6153b6b67f5cd
  • None｜194196bdf5bb4c079bce8d45dddc895e｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/194196bdf5bb4c079bce8d45dddc895e
  • None｜0f6b7fa7aa1c4e62a232e6db79a747aa｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/0f6b7fa7aa1c4e62a232e6db79a747aa
  • None｜0d575fd8c11f4055824332cfa57c3882｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/0d575fd8c11f4055824332cfa57c3882
  • None｜052d7f486d7f49a5ad99e6bccec31f03｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/052d7f486d7f49a5ad99e6bccec31f03

牛客近6个月AI应用开发面经：知识点聚类

  • 面经样本数：12
  • 提取题目数：185

聚类总览

知识点 题目数 涉及公司数 涉及面经数
Agent架构与范式 24 7 8
RAG与检索优化 18 5 7
记忆与上下文管理 13 6 8
后端基础与工程化 12 7 8
项目介绍与项目拷打 11 7 9
框架、MCP与工具调用 11 6 7
模型基础与推理机制 9 4 5
算法与编码题 6 5 6
评测、幻觉与数据集 4 3 3
前端与跨端工程 2 2 2
业务场景设计 1 1 1
HR与流程信息 1 1 1
其他 71 9 11

逐类展开

Agent架构与范式

  • 题目数：24
  • 覆盖公司：OPPO、字节、小红书、淘天、百度、米哈游、联想
  • 代表题目：
  • (3) #Agent面试会问什么？# —— 字节、百度
  • (1) 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent —— 小红书
  • (1) Agent 的规划、执行、反思三段式链路怎么设计 —— 小红书
  • (1) RAG 可以怎么分类，Agentic RAG 和传统 RAG 差别在哪 —— 小红书
  • (1) workflow和agent区别 —— 米哈游
  • (1) agent怎么保证有用？ —— 米哈游
  • (1) 你们的 Agent 是单 Agent 还是多 Agent？为什么这么设计？有没有考虑过替代方案？ —— 百度
  • (1) Agent 的任务是怎么拆分的？拆分粒度是怎么决定的？ —— 百度

RAG与检索优化

  • 题目数：18
  • 覆盖公司：OPPO、字节、小红书、美团、联想
  • 代表题目：
  • (1) RAG 项目里怎么做召回闭环，才能让系统真的越用越准 —— 小红书
  • (1) HyDE 的原理是什么，什么时候有效，什么时候会害人 —— 小红书
  • (1) IVF、PQ、IVF-PQ 分别在做什么，为什么它们能把向量检索做快 —— 小红书
  • (1) 向量索引有哪些典型类别，分别适合什么场景 —— 小红书
  • (1) RAG 的主要模式和主要工作流程是怎样的？ —— 字节
  • (1) 讲一下项目里召回的流程 —— 字节
  • (1) 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？ —— 字节
  • (1) rag中的幻觉问题是这么处理的？ —— 联想

记忆与上下文管理

  • 题目数：13
  • 覆盖公司：字节、小红书、百度、米哈游、美团、联想
  • 代表题目：
  • (1) Agent 的记忆一般怎么分层，为什么不能只靠聊天历史 —— 小红书
  • (1) 记忆机制的设计？如果都放在一起怎么办 —— 米哈游
  • (1) 上下文是如何构建的？你们怎么避免上下文过长或信息污染？ —— 百度
  • (1) 如果上下文窗口不够，你会优先保留哪些信息？为什么？ —— 百度
  • (1) attention 复杂度很高，当上下文特别长时，你会怎么优化？ —— 百度
  • (1) Session 和 User ID 是如何绑定的？ —— 字节
  • (1) 长期记忆和短期记忆在设计上有什么区别？本质上有什么区别？ —— 字节
  • (1) 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？ —— 字节

后端基础与工程化

  • 题目数：12
  • 覆盖公司：字节、小红书、快手、淘天、百度、美团、联想
  • 代表题目：
  • (1) Python 有多线程吗？GIL 是干嘛的？什么时候多线程才是有用的？ —— 百度
  • (1) 多租户环境下模型切换是否支持热更新？切换是否相互独立？ —— 字节
  • (1) 问了个java开放题，我的机器每隔一段时间就会full gc 你有什么解决方式 或排查方式吗 —— 淘天
  • (1) 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？ —— 字节
  • (1) （简历）布隆过滤器的业务场景是什么？他是为了做什么的？高并发的流量是由什么决定的？ —— 快手
  • (1) 线程池的构造参数？ —— 快手
  • (1) 什么是python闭包，你在项目中哪些场景中使用了的 —— 联想
  • (1) Java中如何处理内存泄漏风险 —— 联想

项目介绍与项目拷打

  • 题目数：11
  • 覆盖公司：OPPO、字节、小红书、淘天、米哈游、美团、联想
  • 代表题目：
  • (7) 自我介绍 —— 字节、小红书、淘天、米哈游、联想
  • (3) 项目拷打 —— OPPO、小红书、美团
  • (1) 介绍你写的这个项目 —— 小红书

框架、MCP与工具调用

  • 题目数：11
  • 覆盖公司：字节、小红书、淘天、米哈游、美团、联想
  • 代表题目：
  • (1) MCP、Function Calling、Skills、Agent 分别是什么，它们之间是什么关系 —— 小红书
  • (1) mcp —— 米哈游
  • (1) 为什么选择 Spring AI 框架？ —— 字节
  • (1) Spring AI 框架的主要优势是什么？ —— 字节
  • (1) MCP的交互流程是怎样的？ —— 字节
  • (1) 对其他主流 AI 框架（如 LangChain）有了解吗？ —— 字节
  • (1) skills了解吗 —— 淘天
  • (1) skills和子agnet有什么区别，什么场景下选择不同的解决方法（我回答的是看整体的任务复杂度，问题太复杂的话用子agent，同时开发复杂度会高） —— 淘天

模型基础与推理机制

  • 题目数：9
  • 覆盖公司：字节、百度、米哈游、联想
  • 代表题目：
  • (1) attention和self-attention —— 米哈游
  • (1) 为什么attention比rnn好 —— 米哈游
  • (1) LLM 的输入到底是什么？模型真正看到的内容包含哪些？ —— 百度
  • (1) self-attention 的核心作用是什么？为什么要拆成 Q、K、V？ —— 百度
  • (1) 为什么 attention 能建模长距离关系？ —— 百度
  • (1) 为什么需要 multi-head？attention 为什么可以看成动态加权？ —— 百度
  • (1) 为什么不直接使用多模态大模型？ —— 字节
  • (1) LLM的底层原理有没有了解？输入给模型的是什么？ —— 字节

算法与编码题

  • 题目数：6
  • 覆盖公司：字节、小红书、快手、米哈游、联想
  • 代表题目：
  • (1) 代码实现LRU —— 米哈游
  • (1) 手撕 :两两交换链表中的节点 —— 字节
  • (1) 手撕 —— 字节
  • (1) 算法，维护二叉树next指针，用常量级空间 —— 快手
  • (1) （整个流程总共20分钟，无手撕代码环节。时间短的比拷打1个半小时，宁愿被拷打一个半小时） —— 联想
  • (1) 手撕 八皇后问题 —— 小红书

评测、幻觉与数据集

  • 题目数：4
  • 覆盖公司：OPPO、字节、百度
  • 代表题目：
  • (1) 你们如何评估生成单测的质量？ 除了覆盖率，还有哪些指标有效？ —— 百度
  • (1) 模型产生幻觉的常见原因是什么？工程上有哪些方法可以降低幻觉？ —— 百度
  • (1) 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？ —— 字节
  • (1) 除了LLM as a Judge，还有什么方法评测回答的效果？ —— OPPO

前端与跨端工程

  • 题目数：2
  • 覆盖公司：字节、美团
  • 代表题目：
  • (1) 在没有前端界面的情况下，本地图片是如何传到后端并进行识别的？ —— 字节
  • (1) 你负责什么部分？前端内容是你自己实现的吗？ —— 美团

业务场景设计

  • 题目数：1
  • 覆盖公司：快手
  • 代表题目：
  • (1) （简历）介绍一下双token机制？refresh token的安全性这么考虑的？ —— 快手

HR与流程信息

  • 题目数：1
  • 覆盖公司：联想
  • 代表题目：
  • (1) 大概有几面：总共两面，后面一面是HR面 —— 联想

其他

  • 题目数：71
  • 覆盖公司：OPPO、字节、小红书、快手、淘天、百度、米哈游、美团、联想
  • 代表题目：
  • (1) 项目 —— 米哈游
  • (1) 问SFT —— 米哈游
  • (1) few-shot有没有用？ —— 米哈游
  • (1) 沙箱了解吗？ —— 米哈游
  • (1) 你会怎么去测试ai写的代码？ —— 米哈游
  • (1) 简单讲一个你最有代表性的项目，你在其中解决的最关键问题是什么？ —— 百度
  • (1) 提示词模板是怎么设计与迭代的？你如何判断一个模板真的变好了？ —— 百度
  • (1) 做代码理解时，AST、调用关系这些信息是怎么用起来的？ —— 百度

牛客近6个月AI应用开发面经：高频题题库与答案框架

  • 面经样本数：12
  • 高频主题数：13

高频题总览

高频题主题 命中题数 涉及公司数 涉及面经数
检索/召回/重排/向量索引优化 12 4 6
项目介绍/项目拷打 11 7 9
MCP / Function Calling / Skills / Tool Calling 9 6 7
记忆系统设计 7 4 5
RAG/Agent 评测与幻觉治理 7 5 5
模型基础：Transformer/KV Cache/Temperature 7 3 3
算法题/手撕题 6 5 6
Agent 与 workflow/单多 Agent 选型 3 3 3
RAG 系统设计 2 1 1
后端基础：Redis/缓存/MQ/高并发 2 2 2
LangChain / LangGraph / 编排框架选型 1 1 1
意图识别与 Query 理解 1 1 1
场景设计题（游戏/电商/安全/客服） 1 1 1

题库与答案框架

检索/召回/重排/向量索引优化

  • 命中题数：12
  • 涉及公司：字节、小红书、美团、联想
  • 高频问法：
  • (1) RAG 项目里怎么做召回闭环，才能让系统真的越用越准
  • (1) HyDE 的原理是什么，什么时候有效，什么时候会害人
  • (1) IVF、PQ、IVF-PQ 分别在做什么，为什么它们能把向量检索做快
  • (1) 向量索引有哪些典型类别，分别适合什么场景
  • (1) Agent 一般在什么阶段去查询向量知识库？通过什么方式去查询？
  • (1) 讲一下项目里召回的流程
  • 答案框架：
    1. 先拆问题：召回质量、排序质量、检索延迟、索引成本。
  • 回答常见优化：BM25 + 向量混检、query rewrite、HyDE、rerank。
  • 索引层说明：HNSW 适合高召回低延迟，IVF/PQ 更偏大规模压缩。
  • 针对 PDF/OCR/表格，强调结构化抽取和版面信息保留。
  • 结尾说评估方式：Recall@K、MRR、NDCG、端到端正确率。

项目介绍/项目拷打

  • 命中题数：11
  • 涉及公司：OPPO、字节、小红书、淘天、米哈游、美团、联想
  • 高频问法：
  • (7) 自我介绍
  • (3) 项目拷打
  • (1) 介绍你写的这个项目
  • 答案框架：
    1. 先给业务背景：用户是谁、核心痛点是什么、为什么值得用 AI/Agent 做。
  • 再讲系统方案：输入 -> 处理链路 -> 模型/检索/工具 -> 输出。
  • 明确你自己的 ownership：你主导了哪几块，做了什么关键决策。
  • 量化结果：准确率、成功率、响应时延、成本、人工替代率。
  • 最后补一段复盘：踩过什么坑、怎么权衡、如果重做会怎么改。

MCP / Function Calling / Skills / Tool Calling

  • 命中题数：9
  • 涉及公司：字节、小红书、淘天、米哈游、美团、联想
  • 高频问法：
  • (1) MCP、Function Calling、Skills、Agent 分别是什么，它们之间是什么关系
  • (1) mcp
  • (1) MCP的交互流程是怎样的？
  • (1) Agent 如何与 MCP Server 连接通信？
  • (1) skills了解吗
  • (1) skills和子agnet有什么区别，什么场景下选择不同的解决方法（我回答的是看整体的任务复杂度，问题太复杂的话用子agent，同时开发复杂度会高）
  • 答案框架：
    1. 先逐一定义概念，不要混着说。
  • Function Calling/Tool Calling 是模型触发工具；Skill 更像能力封装；MCP 更像工具/上下文接入协议。
  • 说明它们如何协同：模型规划 -> 选择工具/skill -> 调用执行 -> 回填结果。
  • 补充工程问题：权限、超时、幂等、失败重试、可观测性。
  • 最后说实际价值：降低接入成本，提高复用和治理能力。

记忆系统设计

  • 命中题数：7
  • 涉及公司：字节、小红书、米哈游、美团
  • 高频问法：
  • (1) Agent 的记忆一般怎么分层，为什么不能只靠聊天历史
  • (1) 记忆机制的设计？如果都放在一起怎么办
  • (1) Agent 的记忆、工具调用、知识库检索等关键组件是如何实现的？
  • (1) 长期记忆和短期记忆在设计上有什么区别？本质上有什么区别？
  • (1) 你是怎么实现模型的对话记忆功能的？
  • (1) 对话记忆功能是所有的数据都保存吗？超出最大限度怎么办？prompt会改变吗？
  • 答案框架：
    1. 分层回答：短期记忆、长期记忆、用户画像/外部知识。
  • 说明写入时机：并不是“全量记忆”，而是事件触发/摘要压缩/显著性提取。
  • 说明存储介质：会话缓存、数据库/向量库、文件或 KV。
  • 说明召回策略：按用户、会话、任务阶段、时间窗口过滤。
  • 补充治理：过期淘汰、冲突解决、并发一致性、隐私隔离。

RAG/Agent 评测与幻觉治理

  • 命中题数：7
  • 涉及公司：OPPO、字节、小红书、百度、联想
  • 高频问法：
  • (1) RAG 项目里怎么做召回闭环，才能让系统真的越用越准
  • (1) 你们如何评估生成单测的质量？ 除了覆盖率，还有哪些指标有效？
  • (1) 模型产生幻觉的常见原因是什么？工程上有哪些方法可以降低幻觉？
  • (1) 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？
  • (1) rag中的幻觉问题是这么处理的？
  • (1) Rec、MRR、Acc等常见检索指标
  • 答案框架：
    1. 先分离检索评测和生成评测，不把问题混成一个指标。
  • 检索看 Recall@K / MRR / NDCG；生成看正确率、引用一致性、任务成功率。
  • 数据集来源要说清：真实日志、人工构造、失败样本回流。
  • 幻觉治理从三层答：输入约束、检索增强、输出校验/拒答。
  • 最好补线上监控：抽样复核、回流闭环、AB 实验。

模型基础：Transformer/KV Cache/Temperature

  • 命中题数：7
  • 涉及公司：字节、百度、米哈游
  • 高频问法：
  • (1) attention和self-attention
  • (1) 为什么attention比rnn好
  • (1) self-attention 的核心作用是什么？为什么要拆成 Q、K、V？
  • (1) 为什么 attention 能建模长距离关系？
  • (1) 为什么需要 multi-head？attention 为什么可以看成动态加权？
  • (1) attention 复杂度很高，当上下文特别长时，你会怎么优化？
  • 答案框架：
    1. Transformer 至少讲清 self-attention、前馈层、位置编码、残差归一化。
  • KV Cache 要说明它缓存什么、为什么能加速 decode、代价是什么。
  • Temperature/Top-p/Top-k 回答采样多样性与稳定性的权衡。
  • 如果问微调/强化学习，先分清 SFT、偏好优化、在线强化。
  • 强调“懂概念 + 懂工程影响”，不要只背术语。

算法题/手撕题

  • 命中题数：6
  • 涉及公司：字节、小红书、快手、米哈游、联想
  • 高频问法：
  • (1) 代码实现LRU
  • (1) 手撕 :两两交换链表中的节点
  • (1) 手撕
  • (1) 算法，维护二叉树next指针，用常量级空间
  • (1) （整个流程总共20分钟，无手撕代码环节。时间短的比拷打1个半小时，宁愿被拷打一个半小时）
  • (1) 手撕 八皇后问题
  • 答案框架：
    1. 先确认题意和输入输出边界。
  • 说思路时先给复杂度，再落到数据结构选择。
  • 编码时注意鲁棒性、边界条件、变量命名。
  • 写完主动做样例验证。
  • 如果时间不够，先给可行解再优化。

Agent 与 workflow/单多 Agent 选型

  • 命中题数：3
  • 涉及公司：字节、小红书、米哈游
  • 高频问法：
  • (1) 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent
  • (1) workflow和agent区别
  • (1) 单Agent还是多Agent的？子Agent任务是什么？
  • 答案框架：
    1. 先下定义：workflow 是预定义流程，Agent 是基于上下文动态决策。
  • 再讲适用场景：稳定高频任务用 workflow；开放复杂任务才考虑 Agent。
  • 单 Agent 适合轻量任务，多 Agent 适合角色分工明显、工具复杂、需要并行/反思的场景。
  • 补充风险：多 Agent 会带来状态同步、成本、时延、调试难度。
  • 结尾给出选型原则：先 workflow，必要时再逐步 Agent 化。

RAG 系统设计

  • 命中题数：2
  • 涉及公司：小红书
  • 高频问法：
  • (1) RAG 可以怎么分类，Agentic RAG 和传统 RAG 差别在哪
  • (1) RAG 项目里怎么做召回闭环，才能让系统真的越用越准
  • 答案框架：
    1. 先回答为什么要用 RAG：补齐私域知识、降低幻觉、提升可控性。
  • 再讲链路：文档接入 -> 清洗切块 -> 索引 -> 召回 -> 重排 -> 生成。
  • 讲清关键设计：chunk 粒度、元数据、混合检索、引用回传。
  • 补充失败兜底：低置信度拒答、回退模板、人工介入。
  • 最后讲如何评估：检索命中率、答案正确率、业务指标。

后端基础：Redis/缓存/MQ/高并发

  • 命中题数：2
  • 涉及公司：快手、美团
  • 高频问法：
  • (1) （简历）布隆过滤器的业务场景是什么？他是为了做什么的？高并发的流量是由什么决定的？
  • (1) zset是居于rediss的什么结构？sorted set是什么？基于哪种数据结构？如何实现？
  • 答案框架：
    1. 先回到业务问题：为什么引入缓存/MQ，而不是只背定义。
  • Redis 重点答数据结构、单线程高性能原因、持久化/集群/一致性。
  • MQ 重点答解耦、削峰、异步，以及顺序性、幂等、丢消息治理。
  • 缓存题要讲失效策略、穿透击穿雪崩、冷热数据。
  • 最好结合自己项目里实际怎么用。

LangChain / LangGraph / 编排框架选型

  • 命中题数：1
  • 涉及公司：字节
  • 高频问法：
  • (1) 对其他主流 AI 框架（如 LangChain）有了解吗？
  • 答案框架：
    1. 先说定位：LangChain 偏快速搭链路，LangGraph 偏复杂状态机编排。
  • 如果有分支、循环、重试、人工介入、checkpoint，LangGraph 更合适。
  • 如果只是简单工具串联，LangChain 更轻更快。
  • 选型时讲维度：开发效率、可观测性、状态管理、扩展性、维护成本。
  • 最后结合自己项目说“为什么这次这么选”。

意图识别与 Query 理解

  • 命中题数：1
  • 涉及公司：字节
  • 高频问法：
  • (1) 并行化意图识别是什么？为什么要并行化？如何实现的？
  • 答案框架：
    1. 先说明方法：规则、小模型分类、大模型判断、混合路由。
  • 再说输入特征：用户 query、上下文、历史行为、业务元数据。
  • 重点讲评估：准确率、召回率、混淆类目、线上误判样本。
  • 强调兜底：低置信度回退到澄清问句或保守策略。
  • 如果业务复杂，要补“多意图/歧义 query 如何处理”。

场景设计题（游戏/电商/安全/客服）

  • 命中题数：1
  • 涉及公司：快手
  • 高频问法：
  • (1) （简历）介绍一下双token机制？refresh token的安全性这么考虑的？
  • 答案框架：
    1. 先画业务目标：用户是谁，核心任务是什么，成功指标是什么。
  • 再拆系统：意图识别、检索/知识库、工具调用、状态管理、输出策略。
  • 说明为什么需要 Agent/多 Agent，以及每个角色负责什么。
  • 补稳定性与安全：权限、审计、拒答、异常兜底。
  • 最后补评测与上线：离线集、灰度、AB、人工复核。

牛客近6个月AI应用开发面经：逐题优秀答案稿

说明：这不是“标准答案”，而是适合优秀候选人的答题模板。重点是回答结构、工程取舍、评估与复盘意识。项目相关题请按你自己的真实经历替换占位信息，不要编造。

优秀候选人的共性答法

  • 先给结论，不先绕概念背景。
  • 定义、适用边界、工程取舍三件事同时讲清。
  • 尽量带指标、代价、失败场景和兜底策略。
  • 项目题不编造经历；没有做过的部分明确说“当时没做到，但我会这样补”。
  • 面试表达优先“我的判断 -> 为什么 -> 怎么落地 -> 怎么验证”。

逐题答案

项目介绍/项目拷打

1. 自我介绍

  • 命中次数：7
  • 优秀答法：
  • 我会用“背景-项目-能力-匹配度”四段式来答，控制在 1 到 2 分钟。
  • 例如：我主要做过 AI 应用开发和全栈/后端工程，最近一段经历聚焦在 Agent、RAG、工具调用和工程落地。我比较强的点不是只会调模型，而是能把检索、记忆、工具、评测和后端服务串成一个可上线系统。
  • 项目里我通常负责核心链路设计和工程落地，比如知识库接入、检索优化、工具调用协议、状态管理、评测闭环，以及线上问题排查和性能优化。
  • 我现在投这个岗位，是因为它既要求 AI 应用理解，也要求工程实现，我过去的经历比较匹配，而且我更擅长把不稳定的 demo 做成可维护、可评估、可迭代的产品能力。
  • 加分点：
  • 最后一句要强行收束到“我为什么适合这个岗位”。
  • 别把经历按时间流水账罗列，要围绕岗位能力讲。
  • 避坑：
  • 不要一上来讲兴趣爱好。
  • 不要说自己“主要靠大模型写代码”，会显得 ownership 不足。

2. 项目拷打

  • 命中次数：3
  • 优秀答法：
  • 先讲业务目标和用户痛点，再讲架构链路，最后讲你自己的 ownership 和结果。
  • 优秀候选人的答法不是“我做了一个 Agent”，而是“我为了解决什么问题，为什么选这个方案，这个方案具体怎么工作”。
  • 项目链路建议按“输入 -> 预处理 -> 检索/记忆/工具 -> 规划执行 -> 输出校验 -> 监控评测”来讲。
  • 一定补指标，例如成功率、延迟、人工替代率、命中率、成本变化；如果没有现成指标，就坦诚说当时没有系统化监控，但我现在会补这几类指标。
  • 最后一定复盘一个 trade-off，例如为什么没上多 Agent、为什么先做混合检索、为什么记忆不做全量写入。
  • 加分点：
  • 如果面试官追问，先守住业务目标和技术决策依据。
  • 项目题最加分的是“知道自己没做好的地方以及如何补”。
  • 避坑：
  • 不要把所有技术名词堆一遍。
  • 不要只讲功能，不讲你负责什么。

3. 介绍你写的这个项目

  • 命中次数：1
  • 优秀答法：
  • 先讲业务目标和用户痛点，再讲架构链路，最后讲你自己的 ownership 和结果。
  • 优秀候选人的答法不是“我做了一个 Agent”，而是“我为了解决什么问题，为什么选这个方案，这个方案具体怎么工作”。
  • 项目链路建议按“输入 -> 预处理 -> 检索/记忆/工具 -> 规划执行 -> 输出校验 -> 监控评测”来讲。
  • 一定补指标，例如成功率、延迟、人工替代率、命中率、成本变化；如果没有现成指标，就坦诚说当时没有系统化监控，但我现在会补这几类指标。
  • 最后一定复盘一个 trade-off，例如为什么没上多 Agent、为什么先做混合检索、为什么记忆不做全量写入。
  • 加分点：
  • 如果面试官追问，先守住业务目标和技术决策依据。
  • 项目题最加分的是“知道自己没做好的地方以及如何补”。
  • 避坑：
  • 不要把所有技术名词堆一遍。
  • 不要只讲功能，不讲你负责什么。

Agent 与 workflow/单多 Agent 选型

1. 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent

  • 命中次数：1
  • 优秀答法：
  • 我的判断是：默认先用 workflow 或单 Agent，只有在角色分工明显、工具复杂、需要并行或反思时，才引入多 Agent。
  • 单 Agent 的优势是实现简单、上下文集中、成本和时延可控；多 Agent 的优势是职责清晰、可并行、便于隔离不同策略，但代价是状态同步、调度复杂度、失败链路都会上升。
  • 如果任务本质是固定流程，比如检索、摘要、生成、审核几步相对稳定，我更倾向 workflow；如果需要动态规划、多轮纠错、角色协作，才会考虑 Agent 化。
  • 所以选型标准不是“是否更酷”，而是看任务开放度、可预测性、失败成本和维护成本。
  • 加分点：
  • 补一句“我默认从简单方案起步”，会显得工程判断成熟。
  • 如果做过状态机或 DAG，补一个真实例子最加分。
  • 避坑：
  • 不要把 ReAct 当成所有 Agent 的同义词。
  • 不要说“多 Agent 一定更强”。

2. workflow和agent区别

  • 命中次数：1
  • 优秀答法：
  • workflow 和 Agent 的核心区别在于：workflow 是预定义路径，Agent 是基于上下文动态选择下一步动作。
  • 我通常先问两个问题：任务步骤能不能提前穷举？失败后允许不允许探索？如果能穷举且稳定，就优先 workflow。
  • 很多线上场景其实不需要“强自主”，因为可预测、可审计、低成本比灵活性更重要。
  • 只有当任务存在不确定路径、工具组合多、需要反思或多轮规划时，Agent 才真正有价值。
  • 加分点：
  • 补一句“我默认从简单方案起步”，会显得工程判断成熟。
  • 如果做过状态机或 DAG，补一个真实例子最加分。
  • 避坑：
  • 不要把 ReAct 当成所有 Agent 的同义词。
  • 不要说“多 Agent 一定更强”。

3. 单Agent还是多Agent的？子Agent任务是什么？

  • 命中次数：1
  • 优秀答法：
  • 我的判断是：默认先用 workflow 或单 Agent，只有在角色分工明显、工具复杂、需要并行或反思时，才引入多 Agent。
  • 单 Agent 的优势是实现简单、上下文集中、成本和时延可控；多 Agent 的优势是职责清晰、可并行、便于隔离不同策略，但代价是状态同步、调度复杂度、失败链路都会上升。
  • 如果任务本质是固定流程，比如检索、摘要、生成、审核几步相对稳定，我更倾向 workflow；如果需要动态规划、多轮纠错、角色协作，才会考虑 Agent 化。
  • 所以选型标准不是“是否更酷”，而是看任务开放度、可预测性、失败成本和维护成本。
  • 加分点：
  • 补一句“我默认从简单方案起步”，会显得工程判断成熟。
  • 如果做过状态机或 DAG，补一个真实例子最加分。
  • 避坑：
  • 不要把 ReAct 当成所有 Agent 的同义词。
  • 不要说“多 Agent 一定更强”。

记忆系统设计

1. Agent 的记忆一般怎么分层，为什么不能只靠聊天历史

  • 命中次数：1
  • 优秀答法：
  • 我会把记忆分成三层：当前会话短期记忆、跨会话长期记忆、用户画像/业务外部知识。三层职责不同，不能混在一起。
  • 短期记忆解决当前任务上下文连续性，通常用窗口、摘要或关键状态维护；长期记忆存稳定偏好、历史任务结论、可复用事实；外部知识则是知识库或业务系统，不应该伪装成“记忆”。
  • 记忆不是全量写入，而是事件触发写入：比如用户偏好更新、任务完成结论、长期有效约束。否则噪声会把召回质量拖垮。
  • 读的时候我会按用户、任务阶段、时间窗口、置信度过滤，再做摘要拼接，避免把过多低价值历史塞回上下文。
  • 真正的难点是治理：冲突怎么处理、过期怎么清、隐私如何隔离、并发更新如何保证一致性。
  • 加分点：
  • 如果被追问评估，回答“看跨轮成功率、历史事实命中率、无关记忆污染率”。
  • 提到“全都记住通常是坏事”会显得你真做过。
  • 避坑：
  • 不要把聊天历史直接等同于记忆。
  • 不要只讲向量库，不讲写入策略和淘汰策略。

2. 记忆机制的设计？如果都放在一起怎么办

  • 命中次数：1
  • 优秀答法：
  • 我会把记忆分成三层：当前会话短期记忆、跨会话长期记忆、用户画像/业务外部知识。三层职责不同，不能混在一起。
  • 短期记忆解决当前任务上下文连续性，通常用窗口、摘要或关键状态维护；长期记忆存稳定偏好、历史任务结论、可复用事实；外部知识则是知识库或业务系统，不应该伪装成“记忆”。
  • 记忆不是全量写入，而是事件触发写入：比如用户偏好更新、任务完成结论、长期有效约束。否则噪声会把召回质量拖垮。
  • 读的时候我会按用户、任务阶段、时间窗口、置信度过滤，再做摘要拼接，避免把过多低价值历史塞回上下文。
  • 真正的难点是治理：冲突怎么处理、过期怎么清、隐私如何隔离、并发更新如何保证一致性。
  • 加分点：
  • 如果被追问评估，回答“看跨轮成功率、历史事实命中率、无关记忆污染率”。
  • 提到“全都记住通常是坏事”会显得你真做过。
  • 避坑：
  • 不要把聊天历史直接等同于记忆。
  • 不要只讲向量库，不讲写入策略和淘汰策略。

3. Agent 的记忆、工具调用、知识库检索等关键组件是如何实现的？

  • 命中次数：1
  • 优秀答法：
  • 我会把记忆分成三层：当前会话短期记忆、跨会话长期记忆、用户画像/业务外部知识。三层职责不同，不能混在一起。
  • 短期记忆解决当前任务上下文连续性，通常用窗口、摘要或关键状态维护；长期记忆存稳定偏好、历史任务结论、可复用事实；外部知识则是知识库或业务系统，不应该伪装成“记忆”。
  • 记忆不是全量写入，而是事件触发写入：比如用户偏好更新、任务完成结论、长期有效约束。否则噪声会把召回质量拖垮。
  • 读的时候我会按用户、任务阶段、时间窗口、置信度过滤，再做摘要拼接，避免把过多低价值历史塞回上下文。
  • 真正的难点是治理：冲突怎么处理、过期怎么清、隐私如何隔离、并发更新如何保证一致性。
  • 加分点：
  • 如果被追问评估，回答“看跨轮成功率、历史事实命中率、无关记忆污染率”。
  • 提到“全都记住通常是坏事”会显得你真做过。
  • 避坑：
  • 不要把聊天历史直接等同于记忆。
  • 不要只讲向量库，不讲写入策略和淘汰策略。

4. 长期记忆和短期记忆在设计上有什么区别？本质上有什么区别？

  • 命中次数：1
  • 优秀答法：
  • 我会把记忆分成三层：当前会话短期记忆、跨会话长期记忆、用户画像/业务外部知识。三层职责不同，不能混在一起。
  • 短期记忆解决当前任务上下文连续性，通常用窗口、摘要或关键状态维护；长期记忆存稳定偏好、历史任务结论、可复用事实；外部知识则是知识库或业务系统，不应该伪装成“记忆”。
  • 记忆不是全量写入，而是事件触发写入：比如用户偏好更新、任务完成结论、长期有效约束。否则噪声会把召回质量拖垮。
  • 读的时候我会按用户、任务阶段、时间窗口、置信度过滤，再做摘要拼接，避免把过多低价值历史塞回上下文。
  • 真正的难点是治理：冲突怎么处理、过期怎么清、隐私如何隔离、并发更新如何保证一致性。
  • 加分点：
  • 如果被追问评估，回答“看跨轮成功率、历史事实命中率、无关记忆污染率”。
  • 提到“全都记住通常是坏事”会显得你真做过。
  • 避坑：
  • 不要把聊天历史直接等同于记忆。
  • 不要只讲向量库，不讲写入策略和淘汰策略。

5. 你是怎么实现模型的对话记忆功能的？

  • 命中次数：1
  • 优秀答法：
  • 我会把记忆分成三层：当前会话短期记忆、跨会话长期记忆、用户画像/业务外部知识。三层职责不同，不能混在一起。
  • 短期记忆解决当前任务上下文连续性，通常用窗口、摘要或关键状态维护；长期记忆存稳定偏好、历史任务结论、可复用事实；外部知识则是知识库或业务系统，不应该伪装成“记忆”。
  • 记忆不是全量写入，而是事件触发写入：比如用户偏好更新、任务完成结论、长期有效约束。否则噪声会把召回质量拖垮。
  • 读的时候我会按用户、任务阶段、时间窗口、置信度过滤，再做摘要拼接，避免把过多低价值历史塞回上下文。
  • 真正的难点是治理：冲突怎么处理、过期怎么清、隐私如何隔离、并发更新如何保证一致性。
  • 加分点：
  • 如果被追问评估，回答“看跨轮成功率、历史事实命中率、无关记忆污染率”。
  • 提到“全都记住通常是坏事”会显得你真做过。
  • 避坑：
  • 不要把聊天历史直接等同于记忆。
  • 不要只讲向量库，不讲写入策略和淘汰策略。

6. 对话记忆功能是所有的数据都保存吗？超出最大限度怎么办？prompt会改变吗？

  • 命中次数：1
  • 优秀答法：
  • 我会把记忆分成三层：当前会话短期记忆、跨会话长期记忆、用户画像/业务外部知识。三层职责不同，不能混在一起。
  • 短期记忆解决当前任务上下文连续性，通常用窗口、摘要或关键状态维护；长期记忆存稳定偏好、历史任务结论、可复用事实；外部知识则是知识库或业务系统，不应该伪装成“记忆”。
  • 记忆不是全量写入，而是事件触发写入：比如用户偏好更新、任务完成结论、长期有效约束。否则噪声会把召回质量拖垮。
  • 读的时候我会按用户、任务阶段、时间窗口、置信度过滤，再做摘要拼接，避免把过多低价值历史塞回上下文。
  • 真正的难点是治理：冲突怎么处理、过期怎么清、隐私如何隔离、并发更新如何保证一致性。
  • 加分点：
  • 如果被追问评估，回答“看跨轮成功率、历史事实命中率、无关记忆污染率”。
  • 提到“全都记住通常是坏事”会显得你真做过。
  • 避坑：
  • 不要把聊天历史直接等同于记忆。
  • 不要只讲向量库，不讲写入策略和淘汰策略。

RAG 系统设计

1. RAG 可以怎么分类，Agentic RAG 和传统 RAG 差别在哪

  • 命中次数：1
  • 优秀答法：
  • 我会先说明为什么需要 RAG：核心不是“让模型更聪明”，而是补齐私域知识、降低幻觉、提高可控性和可引用性。
  • 完整链路是：文档接入 -> 清洗/结构化 -> 切块 -> 建索引 -> 召回 -> 重排 -> 生成 -> 引用/拒答。
  • 关键设计点通常是 chunk 粒度、元数据设计、混合检索、query rewrite、低置信度拒答，以及引用证据如何回传到答案。
  • 如果是 Agentic RAG，我会强调它不是普通 RAG 加个名字，而是在检索前后允许模型做任务分解、查询改写、多轮检索和结果验证。
  • 最后讲评估：检索命中率、答案正确率、引用一致性、任务成功率和线上反馈闭环。
  • 加分点：
  • 如果题目偏业务，补“为什么不用纯 LLM 直答”。
  • 如果题目偏工程，补“PDF、表格、OCR 需要保留结构信息”。
  • 避坑：
  • 不要只讲向量数据库。
  • 不要把 RAG 说成一个检索接口调用。

检索/召回/重排/向量索引优化

1. RAG 项目里怎么做召回闭环，才能让系统真的越用越准

  • 命中次数：1
  • 优秀答法：
  • 我会把召回闭环分成四件事：离线标注集、线上失败样本回流、查询改写策略、重排与阈值调优。
  • 召回层通常不只一路，我更倾向 BM25、向量检索、规则召回并行，然后用 rerank 统一排序，避免单路召回盲区。
  • 闭环的关键不是“多做一些 trick”，而是建立失败样本到策略改进的路径，比如 query rewrite、chunk 策略调整、元数据过滤和重排阈值优化。
  • 最终验证看 Recall@K、MRR、NDCG，以及端到端正确率是否真的提升。
  • 加分点：
  • 回答检索题时，记得最后落到评估指标。
  • 如果提到 PDF/OCR/表格，会显得更贴近真实业务。
  • 避坑：
  • 不要把“召回”和“重排”混为一谈。
  • 不要只背 HNSW/IVF 名字，不讲适用场景。

2. HyDE 的原理是什么，什么时候有效，什么时候会害人

  • 命中次数：1
  • 优秀答法：
  • HyDE 的核心思路是先让模型为用户问题生成一个“假想答案”，再拿这个假想答案去做向量检索，因为它通常比原始 query 语义更完整。
  • 它适合原始 query 很短、表达模糊、领域术语缺失的场景，尤其当语料本身是描述性文本时会有帮助。
  • 但它也可能害人：如果模型先编出错误方向，检索会被带偏，尤其在高风险场景或 query 已经很明确时反而会引入噪声。
  • 所以我的做法通常不是盲开，而是做成可配置策略，并通过 Recall@K、MRR、端到端正确率验证收益。
  • 加分点：
  • 回答检索题时，记得最后落到评估指标。
  • 如果提到 PDF/OCR/表格，会显得更贴近真实业务。
  • 避坑：
  • 不要把“召回”和“重排”混为一谈。
  • 不要只背 HNSW/IVF 名字，不讲适用场景。

3. IVF、PQ、IVF-PQ 分别在做什么，为什么它们能把向量检索做快

  • 命中次数：1
  • 优秀答法：
  • 向量索引的本质是用空间划分或近似搜索，把“全量暴力比对”变成“更小候选集上的近似检索”。
  • HNSW 更适合高召回、低时延和中大规模场景；IVF 先做粗聚类，再只搜少量桶；PQ 通过量化压缩向量降低存储和计算；IVF-PQ 则是两者结合，换空间和召回来换规模能力。
  • 所以没有绝对最优，只有业务 trade-off：如果你更看重召回质量，优先 HNSW；如果向量规模极大、内存压力大，才更认真考虑 IVF/PQ 体系。
  • 优秀候选人会补一句：索引优化不能只看 QPS，还要看召回率和端到端答案质量是否下降。
  • 加分点：
  • 回答检索题时，记得最后落到评估指标。
  • 如果提到 PDF/OCR/表格，会显得更贴近真实业务。
  • 避坑：
  • 不要把“召回”和“重排”混为一谈。
  • 不要只背 HNSW/IVF 名字，不讲适用场景。

4. 向量索引有哪些典型类别，分别适合什么场景

  • 命中次数：1
  • 优秀答法：
  • 向量索引的本质是用空间划分或近似搜索，把“全量暴力比对”变成“更小候选集上的近似检索”。
  • HNSW 更适合高召回、低时延和中大规模场景；IVF 先做粗聚类，再只搜少量桶；PQ 通过量化压缩向量降低存储和计算；IVF-PQ 则是两者结合，换空间和召回来换规模能力。
  • 所以没有绝对最优，只有业务 trade-off：如果你更看重召回质量，优先 HNSW；如果向量规模极大、内存压力大，才更认真考虑 IVF/PQ 体系。
  • 优秀候选人会补一句：索引优化不能只看 QPS，还要看召回率和端到端答案质量是否下降。
  • 加分点：
  • 回答检索题时，记得最后落到评估指标。
  • 如果提到 PDF/OCR/表格，会显得更贴近真实业务。
  • 避坑：
  • 不要把“召回”和“重排”混为一谈。
  • 不要只背 HNSW/IVF 名字，不讲适用场景。

5. Agent 一般在什么阶段去查询向量知识库？通过什么方式去查询？

  • 命中次数：1
  • 优秀答法：
  • 检索优化我会从召回质量、排序质量、延迟、存储成本四个维度来答，而不是只盯着某一个索引算法。
  • 常见手段包括混合检索、query rewrite、HyDE、元数据过滤、重排模型、chunk 优化和结构化信息保留。
  • 如果文档是 PDF、OCR、表格，版面结构和字段抽取往往比单纯换索引更重要。
  • 加分点：
  • 回答检索题时，记得最后落到评估指标。
  • 如果提到 PDF/OCR/表格，会显得更贴近真实业务。
  • 避坑：
  • 不要把“召回”和“重排”混为一谈。
  • 不要只背 HNSW/IVF 名字，不讲适用场景。

6. 讲一下项目里召回的流程

  • 命中次数：1
  • 优秀答法：
  • 检索优化我会从召回质量、排序质量、延迟、存储成本四个维度来答，而不是只盯着某一个索引算法。
  • 常见手段包括混合检索、query rewrite、HyDE、元数据过滤、重排模型、chunk 优化和结构化信息保留。
  • 如果文档是 PDF、OCR、表格，版面结构和字段抽取往往比单纯换索引更重要。
  • 加分点：
  • 回答检索题时，记得最后落到评估指标。
  • 如果提到 PDF/OCR/表格，会显得更贴近真实业务。
  • 避坑：
  • 不要把“召回”和“重排”混为一谈。
  • 不要只背 HNSW/IVF 名字，不讲适用场景。

RAG/Agent 评测与幻觉治理

1. 你们如何评估生成单测的质量？ 除了覆盖率，还有哪些指标有效？

  • 命中次数：1
  • 优秀答法：
  • 我会先把问题拆开：检索效果评测、生成效果评测、业务效果评测，三者不能混成一个分数。
  • 检索层看 Recall@K、MRR、NDCG；生成层看正确率、引用一致性、拒答合理性、任务成功率；业务层看转化、耗时、人工替代率等指标。
  • 离线数据集最好来自三类：真实日志回流、人工构造难例、线上失败样本。这样才能覆盖常见 query、边界 query 和高风险 query。
  • 幻觉治理我会从输入约束、检索增强、输出校验三层处理：必要时要求引用、关键事实做 grounding 检查、低置信度直接拒答。
  • 如果是在线实验，我会强调 AI 应用比传统 AB 更难，因为输出非确定、长尾问题多、人工标注成本高，所以要结合抽样复核和灰度放量。
  • 加分点：
  • 补一句“不要把用户反馈当唯一指标”，很加分。
  • 高风险场景主动提拒答和人工复核。
  • 避坑：
  • 不要说“效果主要看感觉”。
  • 不要只讲一个 LLM-as-a-judge 分数。

2. 模型产生幻觉的常见原因是什么？工程上有哪些方法可以降低幻觉？

  • 命中次数：1
  • 优秀答法：
  • 我会先把问题拆开：检索效果评测、生成效果评测、业务效果评测，三者不能混成一个分数。
  • 检索层看 Recall@K、MRR、NDCG；生成层看正确率、引用一致性、拒答合理性、任务成功率；业务层看转化、耗时、人工替代率等指标。
  • 离线数据集最好来自三类：真实日志回流、人工构造难例、线上失败样本。这样才能覆盖常见 query、边界 query 和高风险 query。
  • 幻觉治理我会从输入约束、检索增强、输出校验三层处理：必要时要求引用、关键事实做 grounding 检查、低置信度直接拒答。
  • 如果是在线实验，我会强调 AI 应用比传统 AB 更难，因为输出非确定、长尾问题多、人工标注成本高，所以要结合抽样复核和灰度放量。
  • 加分点：
  • 补一句“不要把用户反馈当唯一指标”，很加分。
  • 高风险场景主动提拒答和人工复核。
  • 避坑：
  • 不要说“效果主要看感觉”。
  • 不要只讲一个 LLM-as-a-judge 分数。

3. 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？

  • 命中次数：1
  • 优秀答法：
  • 我会先把问题拆开：检索效果评测、生成效果评测、业务效果评测，三者不能混成一个分数。
  • 检索层看 Recall@K、MRR、NDCG；生成层看正确率、引用一致性、拒答合理性、任务成功率；业务层看转化、耗时、人工替代率等指标。
  • 离线数据集最好来自三类：真实日志回流、人工构造难例、线上失败样本。这样才能覆盖常见 query、边界 query 和高风险 query。
  • 幻觉治理我会从输入约束、检索增强、输出校验三层处理：必要时要求引用、关键事实做 grounding 检查、低置信度直接拒答。
  • 如果是在线实验，我会强调 AI 应用比传统 AB 更难，因为输出非确定、长尾问题多、人工标注成本高，所以要结合抽样复核和灰度放量。
  • 加分点：
  • 补一句“不要把用户反馈当唯一指标”，很加分。
  • 高风险场景主动提拒答和人工复核。
  • 避坑：
  • 不要说“效果主要看感觉”。
  • 不要只讲一个 LLM-as-a-judge 分数。

4. rag中的幻觉问题是这么处理的？

  • 命中次数：1
  • 优秀答法：
  • 我会先把问题拆开：检索效果评测、生成效果评测、业务效果评测，三者不能混成一个分数。
  • 检索层看 Recall@K、MRR、NDCG；生成层看正确率、引用一致性、拒答合理性、任务成功率；业务层看转化、耗时、人工替代率等指标。
  • 离线数据集最好来自三类：真实日志回流、人工构造难例、线上失败样本。这样才能覆盖常见 query、边界 query 和高风险 query。
  • 幻觉治理我会从输入约束、检索增强、输出校验三层处理：必要时要求引用、关键事实做 grounding 检查、低置信度直接拒答。
  • 如果是在线实验，我会强调 AI 应用比传统 AB 更难，因为输出非确定、长尾问题多、人工标注成本高，所以要结合抽样复核和灰度放量。
  • 加分点：
  • 补一句“不要把用户反馈当唯一指标”，很加分。
  • 高风险场景主动提拒答和人工复核。
  • 避坑：
  • 不要说“效果主要看感觉”。
  • 不要只讲一个 LLM-as-a-judge 分数。

5. Rec、MRR、Acc等常见检索指标

  • 命中次数：1
  • 优秀答法：
  • 我会先把问题拆开：检索效果评测、生成效果评测、业务效果评测，三者不能混成一个分数。
  • 检索层看 Recall@K、MRR、NDCG；生成层看正确率、引用一致性、拒答合理性、任务成功率；业务层看转化、耗时、人工替代率等指标。
  • 离线数据集最好来自三类：真实日志回流、人工构造难例、线上失败样本。这样才能覆盖常见 query、边界 query 和高风险 query。
  • 幻觉治理我会从输入约束、检索增强、输出校验三层处理：必要时要求引用、关键事实做 grounding 检查、低置信度直接拒答。
  • 如果是在线实验，我会强调 AI 应用比传统 AB 更难，因为输出非确定、长尾问题多、人工标注成本高，所以要结合抽样复核和灰度放量。
  • 加分点：
  • 补一句“不要把用户反馈当唯一指标”，很加分。
  • 高风险场景主动提拒答和人工复核。
  • 避坑：
  • 不要说“效果主要看感觉”。
  • 不要只讲一个 LLM-as-a-judge 分数。

LangChain / LangGraph / 编排框架选型

1. 对其他主流 AI 框架（如 LangChain）有了解吗？

  • 命中次数：1
  • 优秀答法：
  • 我通常先说定位：LangChain 更像快速搭建链路的应用框架，LangGraph 更适合有显式状态、分支、循环、重试、人工介入的复杂编排。
  • 如果流程比较线性，比如检索、生成、解析、存储几步串起来，LangChain 会更轻；如果任务有状态机特征、需要 checkpoint 或中断恢复，LangGraph 更合适。
  • 选型时我会看五个维度：开发效率、状态管理、可观测性、故障恢复、维护成本，而不是看哪个概念更新。
  • 如果题目问到 Spring AI / LangChain4j / Ailibaba，我会把答案落在语言生态、团队技术栈、接入成本和扩展性上。
  • 加分点：
  • 最加分的是结合自己项目给出“为什么这次这样选”。
  • 提到 checkpoint、人工介入、回放，会显得更工程化。
  • 避坑：
  • 不要把框架名当能力本身。
  • 不要为了显得高级而强行上复杂编排。

MCP / Function Calling / Skills / Tool Calling

1. MCP、Function Calling、Skills、Agent 分别是什么，它们之间是什么关系

  • 命中次数：1
  • 优秀答法：
  • 我的回答会先把概念拆开：Function Calling/Tool Calling 是模型触发某个工具；Skill 是把一类能力封装成可复用单元；MCP 更像工具与上下文接入协议。
  • 它们的关系可以理解为：模型负责规划，Tool/Skill 负责执行，MCP 负责以统一方式暴露能力和上下文。
  • 工程上我更关心权限、参数校验、超时、幂等、失败重试和可观测性，因为真正线上不稳定的往往不是“模型会不会调工具”，而是工具链路本身。
  • 如果问 skill 联动，我会强调它们当然可以组合，但组合前提是输入输出契约清晰、权限边界明确、异常能定位。
  • 加分点：
  • 优秀候选人会主动补一句“这些概念不要混着用”。
  • 如果提到 schema 校验、审计日志，会更强。
  • 避坑：
  • 不要把 MCP 说成某个具体产品。
  • 不要只讲业务价值，不讲技术拆分。

2. mcp

  • 命中次数：1
  • 优秀答法：
  • 我的回答会先把概念拆开：Function Calling/Tool Calling 是模型触发某个工具；Skill 是把一类能力封装成可复用单元；MCP 更像工具与上下文接入协议。
  • 它们的关系可以理解为：模型负责规划，Tool/Skill 负责执行，MCP 负责以统一方式暴露能力和上下文。
  • 工程上我更关心权限、参数校验、超时、幂等、失败重试和可观测性，因为真正线上不稳定的往往不是“模型会不会调工具”，而是工具链路本身。
  • 如果问 skill 联动，我会强调它们当然可以组合，但组合前提是输入输出契约清晰、权限边界明确、异常能定位。
  • 加分点：
  • 优秀候选人会主动补一句“这些概念不要混着用”。
  • 如果提到 schema 校验、审计日志，会更强。
  • 避坑：
  • 不要把 MCP 说成某个具体产品。
  • 不要只讲业务价值，不讲技术拆分。

3. MCP的交互流程是怎样的？

  • 命中次数：1
  • 优秀答法：
  • 我的回答会先把概念拆开：Function Calling/Tool Calling 是模型触发某个工具；Skill 是把一类能力封装成可复用单元；MCP 更像工具与上下文接入协议。
  • 它们的关系可以理解为：模型负责规划，Tool/Skill 负责执行，MCP 负责以统一方式暴露能力和上下文。
  • 工程上我更关心权限、参数校验、超时、幂等、失败重试和可观测性，因为真正线上不稳定的往往不是“模型会不会调工具”，而是工具链路本身。
  • 如果问 skill 联动，我会强调它们当然可以组合，但组合前提是输入输出契约清晰、权限边界明确、异常能定位。
  • 加分点：
  • 优秀候选人会主动补一句“这些概念不要混着用”。
  • 如果提到 schema 校验、审计日志，会更强。
  • 避坑：
  • 不要把 MCP 说成某个具体产品。
  • 不要只讲业务价值，不讲技术拆分。

4. Agent 如何与 MCP Server 连接通信？

  • 命中次数：1
  • 优秀答法：
  • 我的回答会先把概念拆开：Function Calling/Tool Calling 是模型触发某个工具；Skill 是把一类能力封装成可复用单元；MCP 更像工具与上下文接入协议。
  • 它们的关系可以理解为：模型负责规划，Tool/Skill 负责执行，MCP 负责以统一方式暴露能力和上下文。
  • 工程上我更关心权限、参数校验、超时、幂等、失败重试和可观测性，因为真正线上不稳定的往往不是“模型会不会调工具”，而是工具链路本身。
  • 如果问 skill 联动，我会强调它们当然可以组合，但组合前提是输入输出契约清晰、权限边界明确、异常能定位。
  • 加分点：
  • 优秀候选人会主动补一句“这些概念不要混着用”。
  • 如果提到 schema 校验、审计日志，会更强。
  • 避坑：
  • 不要把 MCP 说成某个具体产品。
  • 不要只讲业务价值，不讲技术拆分。

5. skills了解吗

  • 命中次数：1
  • 优秀答法：
  • 我的回答会先把概念拆开：Function Calling/Tool Calling 是模型触发某个工具；Skill 是把一类能力封装成可复用单元；MCP 更像工具与上下文接入协议。
  • 它们的关系可以理解为：模型负责规划，Tool/Skill 负责执行，MCP 负责以统一方式暴露能力和上下文。
  • 工程上我更关心权限、参数校验、超时、幂等、失败重试和可观测性，因为真正线上不稳定的往往不是“模型会不会调工具”，而是工具链路本身。
  • 如果问 skill 联动，我会强调它们当然可以组合，但组合前提是输入输出契约清晰、权限边界明确、异常能定位。
  • 加分点：
  • 优秀候选人会主动补一句“这些概念不要混着用”。
  • 如果提到 schema 校验、审计日志，会更强。
  • 避坑：
  • 不要把 MCP 说成某个具体产品。
  • 不要只讲业务价值，不讲技术拆分。

6. skills和子agnet有什么区别，什么场景下选择不同的解决方法（我回答的是看整体的任务复杂度，问题太复杂的话用子agent，同时开发复杂度会高）

  • 命中次数：1
  • 优秀答法：
  • 我的回答会先把概念拆开：Function Calling/Tool Calling 是模型触发某个工具；Skill 是把一类能力封装成可复用单元；MCP 更像工具与上下文接入协议。
  • 它们的关系可以理解为：模型负责规划，Tool/Skill 负责执行，MCP 负责以统一方式暴露能力和上下文。
  • 工程上我更关心权限、参数校验、超时、幂等、失败重试和可观测性，因为真正线上不稳定的往往不是“模型会不会调工具”，而是工具链路本身。
  • 如果问 skill 联动，我会强调它们当然可以组合，但组合前提是输入输出契约清晰、权限边界明确、异常能定位。
  • 加分点：
  • 优秀候选人会主动补一句“这些概念不要混着用”。
  • 如果提到 schema 校验、审计日志，会更强。
  • 避坑：
  • 不要把 MCP 说成某个具体产品。
  • 不要只讲业务价值，不讲技术拆分。

意图识别与 Query 理解

1. 并行化意图识别是什么？为什么要并行化？如何实现的？

  • 命中次数：1
  • 优秀答法：
  • 意图识别我一般不把它只当分类模型问题，而是当路由问题：决定后续是检索、工具调用、澄清追问还是直接回答。
  • 实现上可以是规则、小模型分类、大模型判断、混合路由；具体选什么看业务复杂度和稳定性要求。
  • 我会特别强调低置信度处理：不要硬判错意图，而是回退到澄清问句或保守路径。
  • 评估除了整体准确率，更要看混淆类目、长尾 query、线上误判成本，因为错路由的代价通常比“不答”更高。
  • 加分点：
  • 把“低置信度兜底”说出来很加分。
  • 如果是电商/客服，可补充上下文和用户行为特征。
  • 避坑：
  • 不要只讲一个分类模型名字。
  • 不要忽略多意图和歧义 query。

场景设计题（游戏/电商/安全/客服）

1. （简历）介绍一下双token机制？refresh token的安全性这么考虑的？

  • 命中次数：1
  • 优秀答法：
  • 场景题我会先讲目标用户、核心任务和成功指标，再讲系统结构；优秀候选人不会一上来就堆技术方案。
  • 系统层通常拆成：意图识别、知识/检索、工具调用、状态管理、输出约束、评测监控。
  • 如果是高风险场景，比如安全、医疗、金融，我会强调权限控制、引用证据、拒答策略、人工兜底和审计日志。
  • 如果是电商或客服场景，我会补充业务指标，比如转化率、客服节省时长、订单完成率、投诉率等。
  • 最后再解释为什么这里需要 Agent，而不是普通 workflow 或问答系统。
  • 加分点：
  • 一定主动谈稳定性和安全性。
  • 如果能补离线评测+灰度上线，会更完整。
  • 避坑：
  • 不要把场景题答成“我会用一个大模型”。
  • 不要忽略业务指标。

后端基础：Redis/缓存/MQ/高并发

1. （简历）布隆过滤器的业务场景是什么？他是为了做什么的？高并发的流量是由什么决定的？

  • 命中次数：1
  • 优秀答法：
  • 后端基础题我会尽量落到真实业务：为什么引入缓存/MQ/限流，解决了什么瓶颈，带来了什么副作用。
  • 优秀候选人会把概念、工程实现和故障治理连起来答，而不是只背八股。
  • 加分点：
  • 如果能结合自己项目中的 key/value 设计或监控指标，会很加分。
  • 回答时别忘了异常场景和治理。
  • 避坑：
  • 不要只背“Redis 很快因为单线程”。
  • 不要说“当时只学了这个所以用了这个”然后就结束。

2. zset是居于rediss的什么结构？sorted set是什么？基于哪种数据结构？如何实现？

  • 命中次数：1
  • 优秀答法：
  • Redis 题我会先回到业务用途：缓存、会话、限流、排行榜、向量检索缓存，而不是只背定义。
  • 如果问单线程高性能，我会讲内存操作、IO 多路复用、数据结构高效、避免线程切换四点；如果问集群，我会补 slot 分片、主从复制、故障转移和一致性代价。
  • 如果问缓存设计，我会把 key 设计、过期策略、热点处理、穿透击穿雪崩、回源治理讲清。
  • 如果问向量检索缓存，我会说缓存的是 query embedding、召回结果或 rerank 结果，并说明失效策略和命中条件。
  • 加分点：
  • 如果能结合自己项目中的 key/value 设计或监控指标，会很加分。
  • 回答时别忘了异常场景和治理。
  • 避坑：
  • 不要只背“Redis 很快因为单线程”。
  • 不要说“当时只学了这个所以用了这个”然后就结束。

模型基础：Transformer/KV Cache/Temperature

1. attention和self-attention

  • 命中次数：1
  • 优秀答法：
  • 模型基础题我会坚持“概念 + 工程影响”一起答。比如讲 self-attention，不只说公式，而要说它为什么能建模长距离关系、为什么更利于并行。
  • 如果问 Transformer，我会覆盖 attention、前馈层、位置编码、残差与归一化；如果问采样，我会讲稳定性和多样性的 trade-off。
  • 加分点：
  • 回答模型题时，别只背名词，补一层“这对线上效果意味着什么”。
  • 如果不确定某个细节，不要强编。
  • 避坑：
  • 不要把 temperature 说成控制“创造力”的玄学参数。
  • 不要把 KV Cache 说成训练技巧。

2. 为什么attention比rnn好

  • 命中次数：1
  • 优秀答法：
  • 模型基础题我会坚持“概念 + 工程影响”一起答。比如讲 self-attention，不只说公式，而要说它为什么能建模长距离关系、为什么更利于并行。
  • 如果问 Transformer，我会覆盖 attention、前馈层、位置编码、残差与归一化；如果问采样，我会讲稳定性和多样性的 trade-off。
  • 加分点：
  • 回答模型题时，别只背名词，补一层“这对线上效果意味着什么”。
  • 如果不确定某个细节，不要强编。
  • 避坑：
  • 不要把 temperature 说成控制“创造力”的玄学参数。
  • 不要把 KV Cache 说成训练技巧。

3. self-attention 的核心作用是什么？为什么要拆成 Q、K、V？

  • 命中次数：1
  • 优秀答法：
  • 模型基础题我会坚持“概念 + 工程影响”一起答。比如讲 self-attention，不只说公式，而要说它为什么能建模长距离关系、为什么更利于并行。
  • 如果问 Transformer，我会覆盖 attention、前馈层、位置编码、残差与归一化；如果问采样，我会讲稳定性和多样性的 trade-off。
  • 加分点：
  • 回答模型题时，别只背名词，补一层“这对线上效果意味着什么”。
  • 如果不确定某个细节，不要强编。
  • 避坑：
  • 不要把 temperature 说成控制“创造力”的玄学参数。
  • 不要把 KV Cache 说成训练技巧。

4. 为什么 attention 能建模长距离关系？

  • 命中次数：1
  • 优秀答法：
  • 模型基础题我会坚持“概念 + 工程影响”一起答。比如讲 self-attention，不只说公式，而要说它为什么能建模长距离关系、为什么更利于并行。
  • 如果问 Transformer，我会覆盖 attention、前馈层、位置编码、残差与归一化；如果问采样，我会讲稳定性和多样性的 trade-off。
  • 加分点：
  • 回答模型题时，别只背名词，补一层“这对线上效果意味着什么”。
  • 如果不确定某个细节，不要强编。
  • 避坑：
  • 不要把 temperature 说成控制“创造力”的玄学参数。
  • 不要把 KV Cache 说成训练技巧。

5. 为什么需要 multi-head？attention 为什么可以看成动态加权？

  • 命中次数：1
  • 优秀答法：
  • 模型基础题我会坚持“概念 + 工程影响”一起答。比如讲 self-attention，不只说公式，而要说它为什么能建模长距离关系、为什么更利于并行。
  • 如果问 Transformer，我会覆盖 attention、前馈层、位置编码、残差与归一化；如果问采样，我会讲稳定性和多样性的 trade-off。
  • 加分点：
  • 回答模型题时，别只背名词，补一层“这对线上效果意味着什么”。
  • 如果不确定某个细节，不要强编。
  • 避坑：
  • 不要把 temperature 说成控制“创造力”的玄学参数。
  • 不要把 KV Cache 说成训练技巧。

6. attention 复杂度很高，当上下文特别长时，你会怎么优化？

  • 命中次数：1
  • 优秀答法：
  • 模型基础题我会坚持“概念 + 工程影响”一起答。比如讲 self-attention，不只说公式，而要说它为什么能建模长距离关系、为什么更利于并行。
  • 如果问 Transformer，我会覆盖 attention、前馈层、位置编码、残差与归一化；如果问采样，我会讲稳定性和多样性的 trade-off。
  • 加分点：
  • 回答模型题时，别只背名词，补一层“这对线上效果意味着什么”。
  • 如果不确定某个细节，不要强编。
  • 避坑：
  • 不要把 temperature 说成控制“创造力”的玄学参数。
  • 不要把 KV Cache 说成训练技巧。

算法题/手撕题

1. 代码实现LRU

  • 命中次数：1
  • 优秀答法：
  • 算法题我会先确认输入输出和边界，再先说思路和复杂度，最后再写代码。
  • 如果一开始没想到最优解，我也会先给可行解，再讲如何优化，这比一直沉默更像成熟候选人。
  • 写完后我会主动用样例和边界条件验证，包括空输入、重复值、极端长度等。
  • 加分点：
  • 说复杂度时尽量顺带解释为什么是这个复杂度。
  • 边写边说关键不变量，很加分。
  • 避坑：
  • 不要一上来就写代码。
  • 不要写完不测。

2. 手撕 :两两交换链表中的节点

  • 命中次数：1
  • 优秀答法：
  • 算法题我会先确认输入输出和边界，再先说思路和复杂度，最后再写代码。
  • 如果一开始没想到最优解，我也会先给可行解，再讲如何优化，这比一直沉默更像成熟候选人。
  • 写完后我会主动用样例和边界条件验证，包括空输入、重复值、极端长度等。
  • 加分点：
  • 说复杂度时尽量顺带解释为什么是这个复杂度。
  • 边写边说关键不变量，很加分。
  • 避坑：
  • 不要一上来就写代码。
  • 不要写完不测。

3. 手撕

  • 命中次数：1
  • 优秀答法：
  • 算法题我会先确认输入输出和边界，再先说思路和复杂度，最后再写代码。
  • 如果一开始没想到最优解，我也会先给可行解，再讲如何优化，这比一直沉默更像成熟候选人。
  • 写完后我会主动用样例和边界条件验证，包括空输入、重复值、极端长度等。
  • 加分点：
  • 说复杂度时尽量顺带解释为什么是这个复杂度。
  • 边写边说关键不变量，很加分。
  • 避坑：
  • 不要一上来就写代码。
  • 不要写完不测。

4. 算法，维护二叉树next指针，用常量级空间

  • 命中次数：1
  • 优秀答法：
  • 算法题我会先确认输入输出和边界，再先说思路和复杂度，最后再写代码。
  • 如果一开始没想到最优解，我也会先给可行解，再讲如何优化，这比一直沉默更像成熟候选人。
  • 写完后我会主动用样例和边界条件验证，包括空输入、重复值、极端长度等。
  • 加分点：
  • 说复杂度时尽量顺带解释为什么是这个复杂度。
  • 边写边说关键不变量，很加分。
  • 避坑：
  • 不要一上来就写代码。
  • 不要写完不测。

5. （整个流程总共20分钟，无手撕代码环节。时间短的比拷打1个半小时，宁愿被拷打一个半小时）

  • 命中次数：1
  • 优秀答法：
  • 算法题我会先确认输入输出和边界，再先说思路和复杂度，最后再写代码。
  • 如果一开始没想到最优解，我也会先给可行解，再讲如何优化，这比一直沉默更像成熟候选人。
  • 写完后我会主动用样例和边界条件验证，包括空输入、重复值、极端长度等。
  • 加分点：
  • 说复杂度时尽量顺带解释为什么是这个复杂度。
  • 边写边说关键不变量，很加分。
  • 避坑：
  • 不要一上来就写代码。
  • 不要写完不测。

6. 手撕 八皇后问题

  • 命中次数：1
  • 优秀答法：
  • 算法题我会先确认输入输出和边界，再先说思路和复杂度，最后再写代码。
  • 如果一开始没想到最优解，我也会先给可行解，再讲如何优化，这比一直沉默更像成熟候选人。
  • 写完后我会主动用样例和边界条件验证，包括空输入、重复值、极端长度等。
  • 加分点：
  • 说复杂度时尽量顺带解释为什么是这个复杂度。
  • 边写边说关键不变量，很加分。
  • 避坑：
  • 不要一上来就写代码。
  • 不要写完不测。

牛客近6个月AI应用开发面经：公司维度对比分析

  • 统计公司数：9

公司总览

公司 面经数 高频知识点 风格提示
小红书 3 项目介绍与项目拷打、记忆与上下文管理、RAG与检索优化 Agent / RAG / 向量索引问得系统，喜欢考概念边界与检索细节。
字节 2 框架、MCP与工具调用、后端基础与工程化、Agent架构与范式 项目细节会深挖到记忆、评测、数据集、并发隔离，常伴随模型基础或算法题。
米哈游 1 项目介绍与项目拷打、模型基础与推理机制、Agent架构与范式 偏游戏场景下的 Agent 设计、状态定义与记忆管理。
百度 1 Agent架构与范式、记忆与上下文管理、评测、幻觉与数据集 偏 Agent 项目深挖，关注规划、记忆、工具调用和评测。
淘天 1 项目介绍与项目拷打、Agent架构与范式、框架、MCP与工具调用 偏 Agent 范式、记忆设计、RAG 优化和业务场景落地，也会问实验与成本。
快手 1 业务场景设计、后端基础与工程化、算法与编码题 AI 应用 + 后端八股混合考，Redis/MQ/框架选型比重高。
联想 1 RAG与检索优化、项目介绍与项目拷打、Agent架构与范式 以具体项目深挖为主，建议按该公司的高频知识点准备。
美团 1 项目介绍与项目拷打、RAG与检索优化、框架、MCP与工具调用 以具体项目深挖为主，建议按该公司的高频知识点准备。
OPPO 1 项目介绍与项目拷打、RAG与检索优化、评测、幻觉与数据集 以具体项目深挖为主，建议按该公司的高频知识点准备。

逐公司分析

小红书

  • 面经数：3
  • 风格画像：Agent / RAG / 向量索引问得系统，喜欢考概念边界与检索细节。
  • 高频知识点：
  • 项目介绍与项目拷打: 3
  • 记忆与上下文管理: 2
  • RAG与检索优化: 2
  • Agent架构与范式: 1
  • 框架、MCP与工具调用: 1
  • 后端基础与工程化: 1
  • 高频题型：
  • 项目介绍/项目拷打: 3
  • 记忆系统设计: 2
  • 检索/召回/重排/向量索引优化: 2
  • Agent 与 workflow/单多 Agent 选型: 1
  • MCP / Function Calling / Skills / Tool Calling: 1
  • RAG 系统设计: 1
  • 相关面经：
  • 2026-04-12｜小红书 AI Agent开发 一面
  • 2026-03-19｜小红书 大模型开发 一面
  • 2025-10-16｜小红书 AI Agent开发 一面凉经

字节

  • 面经数：2
  • 风格画像：项目细节会深挖到记忆、评测、数据集、并发隔离，常伴随模型基础或算法题。
  • 高频知识点：
  • 框架、MCP与工具调用: 2
  • 后端基础与工程化: 2
  • Agent架构与范式: 2
  • 记忆与上下文管理: 2
  • RAG与检索优化: 2
  • 模型基础与推理机制: 2
  • 高频题型：
  • MCP / Function Calling / Skills / Tool Calling: 2
  • 检索/召回/重排/向量索引优化: 2
  • 算法题/手撕题: 2
  • 记忆系统设计: 1
  • LangChain / LangGraph / 编排框架选型: 1
  • 项目介绍/项目拷打: 1
  • 相关面经：
  • 2026-04-09｜字节agent开发实习一面凉经
  • 2026-04-09｜字节Agent开发一面90min凉经

米哈游

  • 面经数：1
  • 风格画像：偏游戏场景下的 Agent 设计、状态定义与记忆管理。
  • 高频知识点：
  • 项目介绍与项目拷打: 1
  • 模型基础与推理机制: 1
  • Agent架构与范式: 1
  • 记忆与上下文管理: 1
  • 框架、MCP与工具调用: 1
  • 算法与编码题: 1
  • 高频题型：
  • 项目介绍/项目拷打: 1
  • 模型基础：Transformer/KV Cache/Temperature: 1
  • Agent 与 workflow/单多 Agent 选型: 1
  • 记忆系统设计: 1
  • MCP / Function Calling / Skills / Tool Calling: 1
  • 算法题/手撕题: 1
  • 相关面经：
  • 2026-04-09｜米哈游-AI Agent研发-暑期一面

百度

  • 面经数：1
  • 风格画像：偏 Agent 项目深挖，关注规划、记忆、工具调用和评测。
  • 高频知识点：
  • Agent架构与范式: 1
  • 记忆与上下文管理: 1
  • 评测、幻觉与数据集: 1
  • 模型基础与推理机制: 1
  • 后端基础与工程化: 1
  • 高频题型：
  • RAG/Agent 评测与幻觉治理: 1
  • 模型基础：Transformer/KV Cache/Temperature: 1
  • 相关面经：
  • 2026-04-09｜百度ai agent开发春招一面

淘天

  • 面经数：1
  • 风格画像：偏 Agent 范式、记忆设计、RAG 优化和业务场景落地，也会问实验与成本。
  • 高频知识点：
  • 项目介绍与项目拷打: 1
  • Agent架构与范式: 1
  • 框架、MCP与工具调用: 1
  • 后端基础与工程化: 1
  • 高频题型：
  • 项目介绍/项目拷打: 1
  • MCP / Function Calling / Skills / Tool Calling: 1
  • 相关面经：
  • 2026-04-09｜4.9-淘天agent-二面

快手

  • 面经数：1
  • 风格画像：AI 应用 + 后端八股混合考，Redis/MQ/框架选型比重高。
  • 高频知识点：
  • 业务场景设计: 1
  • 后端基础与工程化: 1
  • 算法与编码题: 1
  • 高频题型：
  • 场景设计题（游戏/电商/安全/客服）: 1
  • 后端基础：Redis/缓存/MQ/高并发: 1
  • 算法题/手撕题: 1
  • 相关面经：
  • 2026-04-08｜实习-快手电商-大模型数据应用开发一面

联想

  • 面经数：1
  • 风格画像：以具体项目深挖为主，建议按该公司的高频知识点准备。
  • 高频知识点：
  • RAG与检索优化: 1
  • 项目介绍与项目拷打: 1
  • Agent架构与范式: 1
  • 记忆与上下文管理: 1
  • 模型基础与推理机制: 1
  • 框架、MCP与工具调用: 1
  • 高频题型：
  • RAG/Agent 评测与幻觉治理: 1
  • 检索/召回/重排/向量索引优化: 1
  • 项目介绍/项目拷打: 1
  • MCP / Function Calling / Skills / Tool Calling: 1
  • 算法题/手撕题: 1
  • 相关面经：
  • 2026-04-02｜联想-AI应用开发-面经

美团

  • 面经数：1
  • 风格画像：以具体项目深挖为主，建议按该公司的高频知识点准备。
  • 高频知识点：
  • 项目介绍与项目拷打: 1
  • RAG与检索优化: 1
  • 框架、MCP与工具调用: 1
  • 记忆与上下文管理: 1
  • 前端与跨端工程: 1
  • 后端基础与工程化: 1
  • 高频题型：
  • 项目介绍/项目拷打: 1
  • 检索/召回/重排/向量索引优化: 1
  • MCP / Function Calling / Skills / Tool Calling: 1
  • 记忆系统设计: 1
  • 后端基础：Redis/缓存/MQ/高并发: 1
  • 相关面经：
  • 2026-03-28｜大模型应用开发一面-美团面经

OPPO

  • 面经数：1
  • 风格画像：以具体项目深挖为主，建议按该公司的高频知识点准备。
  • 高频知识点：
  • 项目介绍与项目拷打: 1
  • RAG与检索优化: 1
  • 评测、幻觉与数据集: 1
  • Agent架构与范式: 1
  • 高频题型：
  • 项目介绍/项目拷打: 1
  • RAG/Agent 评测与幻觉治理: 1
  • 相关面经：
  • 2026-03-25｜OPPO大模型应用开发一面 攒人品

附录：最新面经列表

具体面经条目放在附录区，优先级低于前面的知识点导航、聚类和题库。

日期公司岗位轮次标题原帖
2026-04-12 小红书 ai agent开发 一面 小红书 AI Agent开发 一面 查看原帖
2026-04-09 米哈游 ai agent研发 一面 米哈游-AI Agent研发-暑期一面 查看原帖
2026-04-09 百度 ai agent开发 一面 百度ai agent开发春招一面 查看原帖
2026-04-09 字节 agent开发 一面 字节agent开发实习一面凉经 查看原帖
2026-04-09 字节 agent开发 一面 字节Agent开发一面90min凉经 查看原帖
2026-04-09 淘天 ai agent开发 二面 4.9-淘天agent-二面 查看原帖
2026-04-08 快手 大模型数据应用开发 一面 实习-快手电商-大模型数据应用开发一面 查看原帖
2026-04-02 联想 ai应用开发 一面 联想-AI应用开发-面经 查看原帖
2026-03-28 美团 大模型应用开发 一面 大模型应用开发一面-美团面经 查看原帖
2026-03-25 OPPO 大模型应用开发 一面 OPPO大模型应用开发一面 攒人品 查看原帖
2026-03-19 小红书 大模型开发 一面 小红书 大模型开发 一面 查看原帖
2025-10-16 小红书 ai agent开发 一面 小红书 AI Agent开发 一面凉经 查看原帖
由本地脚本自动生成。更新流程：抓取牛客面经 → 分析聚类 → 生成网页/PDF。