腾讯面试状态初试和复试

上周去面一个AI Agent相关的岗，面试官第一句就扔过来：“你说说ReAct是什么？”我当时脑子一卡，差点把React框架说出来。还好缓过劲儿，赶紧答：ReAct就是Reason + Act，模型先想一想该干啥，再调用工具执行，拿到结果再观察，然后继续下一轮思考。不是一次性吐答案，而是边想边干，循环迭代，像给人配了个会反思的实习生。他接着追问：“那任务拆解怎么搞？”这题挺实用。我说复杂任务不能一股脑全扔给模型，得先拆成小步。比如用户说“帮我分析上季度用户留存”，就拆成：1. 拉取留存数据；2. 定义留存指标（次日、7日、30日）；3. 分渠道、分用户群看趋势；4. 找异常点并给出假设；5. 生成图表和建议。拆得越细，Agent执行时越不容易跑偏。面试官点点头，说很多新人就卡在这一步，模型直接硬上，结果输出一堆废话。最狠的是后面那道：“设计一个数据分析Agent（数分Agent）给我看看。”我现场画了架构：核心是LLM做大脑，配上工具集（SQL查询、Pandas处理、Matplotlib画图、甚至直接连BI系统）。加个记忆模块，记住上次的分析偏好；再套ReAct循环，确保每步都有Reason-Action-Observation。潜在坑我也提了：幻觉问题怎么防？加个验证步骤，让模型先输出SQL再执行，人工或规则审核；工具调用失败了怎么重试；多轮对话时上下文爆了怎么办，用向量数据库存历史摘要。面试回来我复盘，发现Agent岗现在问得越来越实操。不再是背定义，而是让你现场脑暴：怎么让Agent不卡死在循环里？怎么处理多Agent协作（一个负责查数据，一个负责写报告）？工具权限怎么控，避免它乱删库？甚至问你用LangChain还是LangGraph搭框架，为什么？说实话，Agent这东西火得快，但面试暴露的问题也多。很多人只玩过简单demo，一到设计真实场景就露馅。准备的时候，别光刷论文，多自己搭个小Agent练手，比如做一个自动回邮件的，或者帮你监控竞品价格的。真正拉开差距的，是你能不能把“想清楚-干一步-看结果”这个循环玩明白，而不是靠模型瞎猜。

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...

给我面没招了，发点面经攒攒人品～1.拷打实习2.如何提升AI生成质量？3.什么是幻觉？解决方案？4.Rerank详细讲一下？5.多智能体系统设计架构？6.上下文管理？怎么确保多智能体系统并行而不是读同一个上下文？7.mysql/pgsql区别？暑数据结构？8.Redis内存竞争？分布式锁？9.Redis缓存策略？更新策略？10.为什么用Stream？11.更新策略？Redis旧数据库新咋办？12.缓存击穿/穿透/雪崩？13.手撕：LeetCode 768

感觉自己好菜、面试很难，还是要多多练习1. 介绍一下ReAct范式和Plan and Execute范式？这两种范式的应用场景是什么？2. 什么情况下用ReAct，什么情况下用Plan and Execute？3. 介绍一下Multi-Agent？是如何共享上下文的？子Agent会使用父Agent的所有Context吗？4. 场景题：现在需要设计智能客服Agent，根据用户的提问来进行尽可能准确的回答，你觉得该如何设计？需要考虑哪些方面？5. 如何避免这个场景下模型的幻觉问题？6. 对于这样的Agent服务，电商大促的时候，流量大，有流量尖刺的情况下，如何解决？7. JVM调优时，如何查看内存对象的情况？有了解过开源工具吗？8. 如果你实习新到一个部门，你会如何在两周内快速上手业务逻辑？你该如何弄清楚微服务之间的调用关系？9. SSE和WebSocket的区别？