字节跳动2026届校招

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。

面试很难，还是要多多练习，感觉自己说不明白业务逻辑（1）实习拷打（2）介绍一下垃圾回收算法。（3）了解过抓包吗？介绍一下tcpdump？（4）介绍一下分布式系统的一致性哈希算法。（5）介绍一下HTTPS四次握手。（6）算法题：实现两个字符串类型的大数相加

1. Agent和普通LLM调用的区别？LLM是一次问答；Agent = LLM + 规划 + 记忆 + 工具调用，能自主分解任务、多步执行。2. 核心组件有哪些？规划（Planning）、记忆（Memory）、工具（Tools）、执行（Action）。3. ReAct模式是什么？Reason+Act，推理和行动交替。和CoT的区别：CoT只推理，ReAct会调用工具。

1. 当 Agent 依靠 RAG 回答专业领域问题时，若检索耗时超过 2 秒，你会选择让用户等待，还是先返回部分流式内容？检索重排序（Rerank）策略会对产品体验带来哪些具体影响？2. 对于金融场景的 Agent，如果工具调用返回 JSON 格式错误等结构性异常数据，除常规重试机制外，产品层面应如何设计人工兜底的触发条件与接管流程，以保障资金操作的绝对安全？3. 在评估多工具协同的 Agent 时，除任务完成率外，你会如何定义“工具调用准确率”这一指标？若模型选错了工具，但最终结果正确，这类数据该如何归因？4. 如果要引入 MCP 协议统一内部工具接口，作为产品经理，你认为这会对现有 Agent 任务规划模块带来哪些架构层面的改动？主要迁移成本体现在哪些方面？5. 面对复杂任务，你如何选择采用“对话式逐步确认”还是“一次性生成工作流供用户审核”？请结合 Token 成本与用户认知负荷两个维度，说明你的决策逻辑。