ai agent开发二面实习分享-字节

感觉面完人都通透了，还是太菜了，下去沉淀一下1.介绍一下agent实习的项目架构2.你刚才提到配合定会议那个是多 agent 架构，一共用了几个 agent？每个 agent 分别负责哪一块？3.在设计上，什么情况下你会用单 agent，什么情况下会用多 agent？4.多 agent 之间的数据传输或者通信一般是怎么做的？5.如果多个 agent 之间有并发的情况，你一般怎么处理？6.如果有多个 agent 同时去操作数据库或者文件，这种并发你怎么处理？7.如果它们是异步执行的，这边会考虑怎么做8.rag混合检索机制，是怎么实现的9.你们项目里有没有遇到幻觉问题？这个问题怎么减少、规避？10.你之前都开发过哪些工具 / function？11.你提到那个 self-refine / 自我修正，你做过哪些修正策略？12.如果 API 返回结果有字段缺失，或者有冗余内容，你会用这种方式处理吗？13.你对 MCP 了解多吗？有没有写过相关的 MCP？14.假设 agent 调工具失败了，一般怎么处理？15.你之前开发过 agent，怎么管理它的 context？16.你自己在做 AI coding 时，一般怎么用？有没有什么方法论？17.上线前主要是通过什么方式保证质量的？只是靠 code review 吗？18.除了简历上写的这些，你自己还用 AI coding 做过哪些项目？19.你刚才提到那个 omo / openspec的东西，是你自己的项目实践，还是从别的地方学来的？

前面基本上都在问论文 无手撕1. 自我介绍2. 介绍下简历上这个项目3. 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？答案：对话 LLM 不是简单地做 next token prediction，它要在多轮交互里持续维护用户意图、对话状态、约束条件和安全边界。普通生成模型更关注单次输入到输出的流畅性，对话模型还要考虑上下文一致性、角色一致性、拒答策略、澄清提问以及工具调用。它的核心难点在于“历史信息并不等价于有效状态”。用户前面说过的内容，有的仍然有效，有的已经被修正，有的是噪声。对话 LLM 必须学会根据当前轮次重新解释历史，而不是把所有历史机械拼接进去。工程上通常...

45min  腾讯好喜欢手撕啊简历中的项目是实习还是学校做的？有其他实习经历吗？实习最大的收获是什么？介绍一下项目做的虚拟列表项目高度不一致时如何处理滚动位置计算？快速滑动出现白屏问题的优化方案有哪些？Vue 双向绑定的具体实现原理？React 和 Vue 在 Diff 算法上的核心区别？v-if 和 v-show 的本质区别及渲染机制？从输入 URL 到页面展示的完整生命周期？浏览器缓存机制？JS 是单线程的，如何处理重任务或网络请求？垃圾回收机制？如何判断对象是否可回收？原型链？instanceof 的原理？手撕：解析 URL    K 个一组翻转链表居然考了Hard题，没跑出来，口述了思路，挂

一、为什么 Agent 评测比 LLM 评测更难？ 传统 LLM 评测（现在当然更复杂维度更多元化）关注的是文本生成质量——回答是否流畅、事实是否正确、格式是否合规。但 Agent 是一个完整的系统，它要自主决策、调用工具、与环境交互、在多轮对话中保持状态。这意味着：  不能只看最终输出，还要看中间过程是否合理（中间过程非常重要） 不能只看单次执行，还要看重复执行是否稳定 不能只看功能正确性，还要看性能、成本、并发能力 不能只在单一场景测试，还要覆盖工具调用、长上下文、多轮对话等维度（工具调用的能力评测也是目前的难点与重点）  LLM 评测像测发动机，Agent 评测像测整车——必须综合考察在...