字节后端实习agent一面分享

攒人品中 1.实习拷打2.开白板画画一下它的一个系统架构？3.这个系统有哪些模块、每个模块是做什么的、模块之间是怎么通信的？4. RAG 这一块是怎么工作的？5.这些文件是什么时候做 processing 的？6.是不是有另外一套流程去检查有没有更新的文档或新增文档，并做 chunk split 和数据存储？7.会有哪些 tool？写了什么tool，介绍复杂的8.多agent 和单agent 怎么选择，什么考量9.怎么做的鉴权？10.它是怎么做 authentication 和 validation 的？11.那这个 agent 自身的 system prompt 大概长什么样？13.你是怎么去构造这个 prompt 的？ 上下文怎么处理？长期短期？14.那它怎么知道自己有哪些 tools 可以去调用？15.用 RAG 检索和直接把大量文档内容作为输入喂给 agent 相比，为什么 RAG 检索会更优？手撕：LRU

1. Agent 工具调用你知道怎么训练吗？训练集应该包含哪些？怎么得到训练数据集？如果只是让模型“知道有工具”，那只需要在 SFT 里教会它工具名和参数格式；但如果想让它真的会用工具，训练集必须覆盖完整决策链路。至少要有三类样本：一类是该调用工具的，一类是不该调用工具的，还有一类是要调用多个工具且有依赖关系的。否则模型很容易学成“逢问题必调用”。训练数据来源一般有几种。最理想的是业务日志里已有高质量人工操作轨迹，把用户问题、检索条件、调用参数、返回结果和最终回复串起来。没有现成轨迹时，就要靠规则模板、专家构造、模型自蒸馏和人工校验混合生成。真正难的地方不在造正样本，而在构造反例，比如参数缺失...

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.实习拷打2.这个方案有没有考虑过在单 Agent 里面继续丰富它的 tool？3.单 Agent 和多 Agent 这两条路线，你们当时是怎么考虑的？为什么最后选择了多 Agent？4.如果模型自己思考并自主选择调用什么工具、执行什么操作，这种方式有什么问题？5.Agent 可以自主决定要不要调用工具；如果不需要就结束整个 ReAct 循环。那按这个逻辑，理论上是不是不需要额外做 Agent 编排/流程设计？6.刚刚提到的那个基于业务知识库的RAG系统，你们是怎么搭建的？7.召回是基于向量相似度做的吗？还是基于 embedding 模型，或者别的方式？8.我听到这里的 TopK，是不是一个向量检索相关的概念？因为你刚刚提到了向量数据库，是吗？9.在这个项目里，你觉得自己做得比较好，或者最有挑战的一件事是什么？10.刚刚提到这个场景涉及多 Agent 的综合调用，是吗？11.如果是在同一个业务领域里，为什么不考虑做成单 Agent，让模型自主思考后再去调用？12.既然 Tool 背后本质上就是 RPC 接口，那不能统一封装后交给同一个 Agent 内部去调度吗？13.你们这个检索/召回方案里，评价指标具体怎么看？14.你们拆成多 Agent 之后，链路失败或局部失败时怎么处理？15.多 Agent 场景下，上下文传递为什么要用 json / slot 这类结构化方式？16.如果 Tool 本身都能统一封装，为什么还要按业务拆 Agent？17.你在线上项目里是怎么权衡响应时间和效果的？手撕：单词拆分

1. 你的RAG项目主要什么作用2. RAG项目工作流程是什么3. 你的RAG项目出现问题，怎么进行排错4. 大模型微调过程中数据预处理的步骤有哪些？5. 如何解决大模型Agent的工具调用 幻觉问题？6. LoRA微调技术是什么？7. 大模型Agent的记忆机制分为哪几类？8. 大模型后端部署常用的框架有哪些？9. 全参数微调与轻量化微调的适用场景分别是什么？10. 大模型Agent实现复杂任务规划的核心方法有哪些？11. 大模型推理服务的性能优化手段有哪些？12. 如何设计大模型微调后的效果评估体系？13. 大模型Agent对接第三方API时，后端如何做接口鉴权、限流与异常捕获？14. 大...