Binance 三面 | AI大模型实习 | Binance Accelerator Program

三面类似于主管面、综合面试由大模型算法leader考察候选人综合潜力

1. Web3 / 币安 / 公链理解

问题：

• 你对 Web3 或加密货币有了解吗？
• 知道币安是做什么的吗？
• Solana 和 BSC 有什么区别？

回答要点：

• 币安是全球头部加密货币交易平台，核心业务包括现货、合约、理财、钱包、Web3 基础设施等。
• Web3 强调链上资产、去中心化身份、智能合约和开放金融生态。

Solana vs BSC：

• Solana：高性能公链，主打高 TPS、低延迟、低费用，生态偏高频交易、DePIN、NFT、Meme 等。
• BSC / BNB Chain：EVM 兼容，依托 Binance 生态，开发迁移成本低，用户和资金入口强。
• 简单总结：Solana 更强调性能，BSC 更强调生态入口和 EVM 兼容。

2. 实习和项目深挖

问题：

• 自己挑一段实习经历讲。
• 挑一个最有含金量的项目讲。
• 然后围绕项目持续追问。

回答结构：

1. 项目背景是什么？
2. 你负责哪部分？
3. 技术方案怎么设计？
4. 遇到什么难点？
5. 最后效果如何？
6. 如果重做会怎么优化？

重点：

• 项目不能只讲概念，要能讲清楚具体实现。
• 如果简历写了 Agent、OpenClaw、Hermes、Claude Code、Codex，要准备被追问架构细节。

3. Agent 消息链路

问题：

在 OpenClaw / Hermes Agent 中，用户给 Agent 发送一条「你好」之后，完整数据流是怎样的？怎么得到回复？

回答要点：

用户输入
→ 平台入口 / Client
→ Gateway / Adapter
→ 消息格式标准化
→ Session / Conversation 管理
→ 构造上下文 Context
→ 调用 LLM
→ 可选 Tool Call
→ 生成最终回复
→ 平台格式转换
→ 返回给用户

展开说明：

• 用户在 CLI、Web、Telegram、微信等入口发送消息。
• Gateway / Adapter 把不同平台消息统一成内部格式。
• Session 层加载历史对话、用户信息、memory、system prompt、工具列表。
• Context Manager 组装模型输入。
• LLM 返回文本回复或 tool call。
• 如果有 tool call，Agent 执行工具后再把结果交给模型继续生成。
• 最后经过格式化和平台适配，发回用户。

4. Claude Code / Codex 上下文压缩

问题：

• Claude Code 和 Codex 的数据压缩怎么做？
• 上下文压缩机制是什么？
• 有没有看过源码？
• 如果没看过源码，怎么做自己的 Agent 项目？

回答要点：

如果没看过源码，不要硬编，可以说：

Claude Code / Codex 的完整内部实现我没有完全看过，但我了解 Coding Agent 常见的上下文管理和压缩机制，也可以按工程需求设计自己的方案。

常见机制：

• 滑动窗口： 保留最近对话，丢弃较旧内容。
• 摘要压缩： 将旧对话总结成任务状态、约束、决策和 TODO。
• 结构化记忆： 用 JSON / 状态对象保存目标、计划、修改文件、开放问题。
• 代码检索： 通过文件树、grep、AST、LSP、symbol index 找相关代码片段。
• 工具结果压缩： 长日志只保留错误栈、exit code、关键路径。
• RAG： 对历史对话、代码片段、文档建立索引，按需检索注入上下文。

自己的 Agent 可以这样做：

• 明确任务类型和上下文预算。
• 最近消息保留原文，旧消息做摘要。
• 文件按需检索，不全量塞进 prompt。
• 工具输出截断，只保留关键结果。
• 记录每次 prompt 组成和 token 使用量。
• 用任务完成率、测试通过率验证压缩效果。

5. 面试总结

这轮重点不是算法题，而是考察：

• 是否了解币安和 Web3 基础。
• 项目是否真实做过。
• 是否理解 Agent 工程架构。
• 是否能讲清楚上下文管理、工具调用和压缩机制。

一句话总结：

三面更偏系统理解和项目真实性，尤其是 Agent 项目会被深挖，不要只会说“调用大模型 API”。