快手 面经总结【05/09】快手招聘火热进行中 🔥

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

1. 【Agent与工具调用】介绍多智能体范式以及各自优缺点。
2. 【Agent与工具调用】聊聊你对MCP的理解。
3. 【Agent与工具调用】是否了解Skill，介绍一下核心原理。
4. 【Agent与工具调用】项目中写了Skill，聊聊如何实现渐进式披露。
5. 【Agent与工具调用】是否了解过Agent沙箱。
6. 【Agent与工具调用】Skill能否放在Agent沙箱里面。
7. 【系统设计与架构】如果把Skill放在Agent沙箱里面，如何和智能体交互，重点描述如何进行通信以及跨文件系统的渐进式披露怎么做。
8. 【Prompt工程】介绍一下上下文工程。
9. 【Agent与工具调用】刚才提到工具上下文，聊聊你对Function Call的理解。
10. 【Agent与工具调用】如果想要减少工具调用幻觉你有什么好方法。
11. 【Prompt工程】是否了解上下文压缩，基于记忆上下文展开来讲讲。
12. 【Prompt工程】介绍一下常见的压缩触发机制。
13. 【Prompt工程】基于滑动窗口对最近N轮进行摘要时，是将之前摘要和新摘要合并还是分别保留，分别适用什么场景，有什么好处。
14. 【AI/大模型/LLM】短期记忆如何转为长期记忆，如何判断短期记忆应该变为长期记忆。
15. 【系统设计与架构】如果让你设计一个三层记忆机制，你会如何设计，从整体架构和具体压缩方法进行描述。
16. 【Prompt工程】你还了解哪些压缩方法。
17. 【AI/大模型/LLM】Claude Code的记忆模式是否了解。
18. 【算法与数据结构】最长回文子串。

原帖链接：https://www.nowcoder.com/feed/main/detail/daa06f995ea74445a13de42d67f66265?sourceSSR=search

2. 快手｜后端开发｜一面

• 日期：2026-05-07
• 关键词：快手面经
• 难度：4 星
• 标签：技术面 / 有代码题
• 技术栈：Java、Redis、JVM、HashMap、线程、虚拟线程、操作系统

面经总结

本场面试重点考察Java基础、并发与操作系统底层原理，并结合Redis集群和一道树相关手撕算法进行深入追问。

高频问题

1. 【项目经验深挖】介绍agent项目和传统后端项目。
2. 【数据库与存储】Redis集群部署节点后，key怎么定位到节点？
3. 【数据库与存储】Redis双副本及单副本节点挂了之后的访问情况是怎样的？
4. 【编程语言特性】HashMap底层数据结构是什么？
5. 【编程语言特性】HashMap如何扩容？
6. 【编程语言特性】哈希表里的节点是有序的吗？遍历时是有序遍历还是随机遍历？排序规则是什么？
7. 【编程语言特性】HashMap怎么计算桶位？如果是自定义对象呢？
8. 【并发与多线程】创建线程有几种方式？
9. 【并发与多线程】Java里面线程间数据同步该怎么做？
10. 【并发与多线程】如果加锁的话，有哪些实现方式？
11. 【并发与多线程】用synchronized加锁后，如果临界区里抛出了OOM或者异常，锁会自动释放还是需要手动处理？
12. 【编程语言特性】OOM是什么？它是异常吗？这种错误可以捕捉并自己处理吗？
13. 【编程语言特性】OOM可以自己捕捉让程序不退出吗？
14. 【操作系统】对于一个JVM或者Java进程来说，它的退出条件是什么？
15. 【并发与多线程】一个方法里创建了一堆线程去干活，这个方法return之后进程会退出吗，还是需要阻塞等待？
16. 【并发与多线程】Java里的Thread对象、虚拟线程和操作系统线程之间是什么对应关系，是一对一、一对多还是多对多？
17. 【并发与多线程】线程崩掉之后，是整个进程退出，还是可以由其他线程捕获并处理异常？
18. 【操作系统】操作系统进行任务调度时需要做什么工作？
19. 【操作系统】任务切换时操作系统需要完成哪些工作？
20. 【操作系统】完成任务切换时，上下文主要包括哪些内容？
21. 【操作系统】为什么要用虚拟内存？
22. 【算法与数据结构】手撕：判断B树是不是A树的子树。

原帖链接：https://www.nowcoder.com/feed/main/detail/c8d0508f027249bbb230869136a0e69a?sourceSSR=search

3. 快手｜AI应用开发算法｜一面

• 日期：2026-05-07
• 关键词：快手面经
• 难度：4 星
• 标签：技术面 / 有代码题
• 技术栈：LangChain、LangGraph、RAG、向量数据库、IVF_FLAT、HNSW、CoT、HTTP

面经总结

本场面试重点考察大模型应用开发相关知识，包括 LangGraph、RAG、工具调用、推理优化、工程安全与 Python/算法基础。

高频问题

1. 【行为面试/软技能】自我介绍
2. 【Agent与工具调用】LangGraph相比于LangChain有什么优势？
3. 【Agent与工具调用】LangGraph的状态快照机制了解吗，大概是怎么实现的？
4. 【RAG与向量检索】你的向量记忆库是如何更新用户画像的？
5. 【Agent与工具调用】如何区分短期记忆和长期记忆？
6. 【场景设计题】安全护栏是如何实现敏感词拦截的？
7. 【RAG与向量检索】在RAG中，文档切片的粒度如何选择？
8. 【RAG与向量检索】向量数据库索引中，IVF_FLAT和HNSW有什么区别？各自的适用场景？
9. 【Prompt工程】什么是CoT？为什么它能提高模型处理复杂任务的能力？
10. 【计算机网络】HTTP协议中GET和POST请求的区别？
11. 【Agent与工具调用】介绍一下Function Call的流程，模型是如何知道该调用哪个工具的？
12. 【AI/大模型/LLM】介绍一下vLLM中PagedAttention的原理
13. 【AI/大模型/LLM】大模型应用中常见的幻觉有哪些类型？在工程上如何缓解？
14. 【编程语言特性】Python中列表和元组的区别
15. 【编程语言特性】介绍一下Python中的装饰器及其应用场景
16. 【算法与数据结构】手撕：无重复字符的最长子串

原帖链接：https://www.nowcoder.com/feed/main/detail/ad613f0d7f4544deb24168d9967b70e1?sourceSSR=search

4. 快手｜AI应用开发算法｜一面

• 日期：2026-05-07
• 关键词：快手面经
• 难度：4 星
• 标签：技术面 / 有代码题
• 技术栈：LangGraph、LangChain、RAG、向量数据库、IVF_FLAT、HNSW、CoT、HTTP

面经总结

本场面试重点考察大模型应用开发相关知识，包括LangGraph、RAG、向量检索、工具调用、推理优化，以及Python基础和一道经典算法题。

高频问题

1. 【行为面试/软技能】自我介绍
2. 【Agent与工具调用】LangGraph相比于LangChain有什么优势？
3. 【Agent与工具调用】LangGraph的状态快照机制了解吗，大概是怎么实现的？
4. 【RAG与向量检索】你的向量记忆库是如何更新用户画像的？
5. 【Agent与工具调用】如何区分短期记忆和长期记忆？
6. 【场景设计题】安全护栏是如何实现敏感词拦截的？
7. 【RAG与向量检索】在RAG中，文档切片的粒度如何选择？
8. 【RAG与向量检索】向量数据库索引中，IVF_FLAT和HNSW有什么区别？各自的适用场景？
9. 【AI/大模型/LLM】什么是CoT？为什么它能提高模型处理复杂任务的能力？
10. 【计算机网络】HTTP协议中GET和POST请求的区别？
11. 【Agent与工具调用】介绍一下Function Call的流程，模型是如何知道该调用哪个工具的？
12. 【AI/大模型/LLM】介绍一下vLLM中PagedAttention的原理
13. 【AI/大模型/LLM】大模型应用中常见的幻觉有哪些类型？在工程上如何缓解？
14. 【编程语言特性】Python中列表和元组的区别
15. 【编程语言特性】介绍一下Python中的装饰器及其应用场景
16. 【算法与数据结构】手撕：无重复字符的最长子串

原帖链接：https://www.nowcoder.com/feed/main/detail/4f0f37f01fa64605a51b635bdeba16b4?sourceSSR=search

5. 快手｜NLP算法实习生｜未知

• 日期：2026-05-07
• 关键词：快手面经
• 难度：4 星
• 标签：技术面试 / 有代码题
• 技术栈：LLM、SFT、RL、LoRA、全参数微调、Prompt、多模态大模型、ViT

面经总结

本场面试重点考察大模型选型与微调方法、多模态基础理解，以及经典算法题手撕能力。

高频问题

1. 【项目经验深挖】实习拷打
2. 【AI/大模型/LLM】如何选择基座模型？有哪些因素需要权衡？
3. 【AI/大模型/LLM】了解市面上有哪些中文的开闭源模型？
4. 【AI/大模型/LLM】有哪些微调的方法？怎么判断做全参还是LoRA？
5. 【Prompt工程】有什么东西主要影响微调的效果？数据需要关注哪些点，多样性怎么做权衡，有一些长尾样本要怎么判断应不应该采样？对于prompt应该关注哪些方面？
6. 【AI/大模型/LLM】怎么看待LLM的复读和幻觉问题，如果微调过程中出现这类问题怎么处理？
7. 【AI/大模型/LLM】SFT做到什么程度可以做RL？
8. 【深度学习】多模态大模型中用什么网络对齐图像和文字的embedding？除了ViT还有什么？
9. 【算法与数据结构】手撕：两数之和，三数之和

原帖链接：https://www.nowcoder.com/feed/main/detail/dcad6dc4e9fb4acfa1a11b1dae95b6cc?sourceSSR=search

6. 快手/推荐算法｜推荐算法实习生｜二面

• 日期：2026-05-07
• 关键词：快手面经
• 难度：4 星
• 标签：技术面 / 挂了 / 有代码题
• 技术栈：推荐系统、召回检索、强化学习、SFT、OneRec、算法题

面经总结

本场二面重点考察推荐算法相关项目理解、召回检索与强化学习方案思考，以及逆序对统计手撕能力。

高频问题

1. 【项目经验深挖】实习拷打
2. 【项目经验深挖】你做的这个和推荐算法有什么关系
3. 【项目经验深挖】你的基座和onerec有什么关系
4. 【RAG与向量检索】召回检索是你自己做的吗
5. 【AI/大模型/LLM】为什么考虑需要强化学习，SFT不是够了吗
6. 【算法与数据结构】手撕：统计数组中逆序对个数，不能暴力

原帖链接：https://www.nowcoder.com/feed/main/detail/caa9ce3d90394fc3a2c75ccce511ea5d?sourceSSR=search

7. 快手｜C++开发｜一面

• 日期：2026-05-07
• 关键词：快手面经
• 难度：3 星
• 标签：技术面 / 有代码题
• 技术栈：C++、CMake、Linux、智能指针、移动构造、拷贝构造、完美转发、快速排序

面经总结

本场一面主要考察C++基础知识、Linux常用指令以及手写快速排序能力。

高频问题

1. 【算法与数据结构】手撕快排。
2. 【编程语言特性】CMake语法。
3. 【编程语言特性】移动构造和拷贝构造的区别。
4. 【编程语言特性】智能指针如何构造和使用。
5. 【编程语言特性】完美转发如何实现。
6. 【操作系统】Linux指令。

原帖链接：https://www.nowcoder.com/feed/main/detail/1a21d6c707fc428e929a03cf1dfeebfe?sourceSSR=search

8. 快手/AI业务应用设计开发｜AI业务应用设计开发｜二面

• 日期：2026-04-29
• 关键词：Agent面经
• 难度：3 星
• 标签：技术面 / 有代码题
• 技术栈：Agent、AgentOS、AI应用开发、Skills、Harness Engineering、模型、框架、链表

面经总结

本场面试重点考察AI应用与Agent方向的业务理解、产品设计思维、复合型岗位匹配度，以及一道基础算法题。

高频问题

1. 【项目经验深挖】你从业务角度分析一下你的实习经历，包括你接到需求如何处理，如何设计。
2. 【项目经验深挖】实习过程完成的工作会用哪些指标进行衡量，介绍一下包括冷启动0-1以及上线后的如何通过用户反馈构筑数据飞轮。
3. 【项目经验深挖】你了解哪些方法根据用户反馈去尽量全而深地了解真正痛点，从而指导你的开发工作，你实习中是否有这样的经历，如果有可以结合经历讲讲。
4. 【AI/大模型/LLM】AI的出现你认为会对程序员的工作造成什么影响。
5. 【Agent与工具调用】Harness Engineering是什么，你对它有什么理解？如果让你构筑你会做哪些工作？
6. 【Agent与工具调用】基于你对Agent的理解，你认为未来Agent的发展会如何发展、如何变化。
7. 【场景设计题】快手有很多AgentOS团队以及AI应用开发团队，会做大量基础底层能力建设，但是未来我们是否需要再去花重资产去投入呢？你可以从模型、框架、skills等方面展开说说，哪些你认为需要重投入，哪些不需要。
8. 【算法与数据结构】反转链表。
9. 【行为面试/软技能】确认到岗时间以及意向。

原帖链接：https://www.nowcoder.com/feed/main/detail/cd439337596147bbaa51fcc8074fa923?sourceSSR=search

9. 快手｜大模型算法｜二面

• 日期：2026-04-28
• 关键词：OCR
• 难度：4 星
• 标签：技术面
• 技术栈：LLM、对话系统、Agent、Prompt、工具调用、Python

面经总结

本场二面主要围绕论文与大模型算法展开，重点考察对话LLM、多轮上下文压缩、Agentic Training及工具返回mask策略的理解。

高频问题

1. 【行为面试/软技能】自我介绍
2. 【项目经验深挖】介绍下简历上这个项目
3. 【AI/大模型/LLM】你对对话 LLM 的理解是什么？它和普通文本生成模型的核心区别是什么？
4. 【AI/大模型/LLM】多轮对话训练中，如何解决上下文太长的问题？
5. 【Agent与工具调用】Agentic Training 的训练流程是什么？
6. 【Agent与工具调用】实际训练 Agent 时，工具返回内容要不要 mask 掉？

原帖链接：https://www.nowcoder.com/discuss/876505573997432832?sourceSSR=search

10. 快手/大模型/LLM相关团队｜大模型LLM岗位｜未知

• 日期：2026-04-13
• 关键词：量化压缩
• 难度：5 星
• 标签：技术面
• 技术栈：LLM、Agent、RAG、SFT、PPO、DPO、GRPO、Qwen

面经总结

本场面试重点考察大模型训练与对齐、Agent与RAG系统设计、Attention机制原理及相关工程优化能力。

高频问题

1. 【项目经验深挖】项目拷打
2. 【AI/大模型/LLM】在 Agent 多轮对话任务中，Attention 的局限性具体体现在哪些方面？
3. 【AI/大模型/LLM】简要介绍 SFT 的核心流程，以及如何制定数据集的构建策略？
4. 【AI/大模型/LLM】SFT 之后常见的 Post-Training 还有哪些？它们各自的设计目的是什么？
5. 【RAG与向量检索】什么是 RAG，它提升生成质量的核心原理是什么？
6. 【RAG与向量检索】RAG 与传统的检索 + 模型生成流程有何不同？
7. 【RAG与向量检索】如何构建评估体系来验证一个 RAG 系统是否真正 Work？
8. 【AI/大模型/LLM】PPO 和 DPO 在对齐阶段的主要区别是什么？
9. 【AI/大模型/LLM】在进行 DPO 训练时，通常有哪些关键的注意事项？是否了解过 GRPO？
10. 【Agent与工具调用】在 Modular Agent 中，多步规划是如何实现的？
11. 【Agent与工具调用】针对多个工具的调用链路，你的调度策略是如何设计的？
12. 【Agent与工具调用】Agent 评估体系包含哪些核心维度？如何量化衡量 Planning 能力与 Hallucination Rate？
13. 【AI/大模型/LLM】在微调 Qwen 模型时，你是如何确定训练阶段和 Loss Function 的？
14. 【Prompt工程】Prompt 自动推荐模块应用了哪些优化策略？是否尝试过 Prompt 压缩或 Embedding 表示的方式？
15. 【Agent与工具调用】假如 Agent 推理链路包含 3 个工具且请求频率极高，导致系统整体延迟较高，你会从哪些维度进行优化？
16. 【Agent与工具调用】在记忆系统中，意图识别承担什么职责？
17. 【RAG与向量检索】Embedding 的维度选择（如 1024 维）是基于什么逻辑？为什么不选择更高或更低的维度？
18. 【AI/大模型/LLM】Qwen-4B 的 Embedding 是如何实现的？其模型框架是否属于 BERT 系列？
19. 【RAG与向量检索】Qwen-34B 的 Rerank 是如何实现的？
20. 【深度学习】Attention 机制中的 Q、K、V 矩阵具体是如何通过输入变换得到的？
21. 【深度学习】Attention 公式中除以根号 d_k 的作用是什么？如果不除以它，是否有其他替代方案？
22. 【深度学习】请详细解释 Multi-Head Attention，并指出它目前存在的主要问题。
23. 【深度学习】如何解决多头注意力机制计算开销过大的问题？
24. 【AI/大模型/LLM】什么是 RoPE？它核心解决了什么问题？
25. 【Agent与工具调用】在 Memory 系统中，如果输入文本过长，常见的工程处理策略有哪些？

原帖链接：https://www.nowcoder.com/feed/main/detail/af68879fb392421dbb1970e6ebb0018b?sourceSSR=search

以上是这轮筛选下来我觉得比较值得刷的一批面经，欢迎在评论区补充你的高频题和真实体验。