腾讯日常实习 AI应用开发一面 攒人品

一面：自我介绍skills和mcp的区别介绍A2A协议，主要是用在哪些场景 有没有实际应用过代码分析agent是做什么需求的，这种分析是文件粒度还是行粒度 agent进行代码检索是如何实现的，比如提到了某些功能或者是某些报错堆栈，agent是如何查找到的，没有具体行数的话是如何检索呢对RAG了解多少 做知识检索是用哪些方式做检索的 用了哪些中间件 了解过哪些做向量检索的数据库对大数据这边的组件有没有了解线程跟协程的区别描述一下什么是工厂模式操作系统的内核态和用户态都是什么，有什么区别什么是零拷贝 c++里面有哪些封装的接口是零拷贝的简单说一下常用的网络协议，http和rpc的区别，rpc的优势...

继续来分享下之前的面经~欢迎友好讨论，信息共享1.为什么Vue不需要Fiber设计？2.React 如何做性能优化？3.使用过哪些打包工具？是如何做打包优化的？4.HTTP1、2、3各个版本的协议有哪些区别？5.你Agent 系统里边技术选型是怎么做的 ？6.AI对话里的流式渲染的实现方式？7.为什么选SSE？说一下你们SSE是怎么实现的，怎么断点重连的？你怎么判断服务端断开了？8.Markdown 分块渲染算法你们是怎么做的？为什么要这么做？主要解决了什么问题？9.假设用户一次性paste了一万行markdown进去，而且他在滚动的时候卡住了，你是怎么处理？10.假若有个调用后台接口的场景：前端调B系统接口，但接口不支持 OPTIONS，你怎么绕过去？11.假如用户说页面白屏或者功能报错了，你会怎么排查？你们生产上有没有遇到用户点开页面直接白屏的？你第一时间怎么排查？

1. 如果知识库原始数据不是 markdown，而是 PDF、PPT、图片或者网页，你会怎么处理进 RAG 系统？PDF 和 PPT 会提取标题、段落、表格和页码，图片先做 OCR，网页先抽正文和元信息，然后统一清洗噪声、去掉页眉页脚、按语义做切片，补上来源、时间、文档层级这些元数据，最后再做 embedding 和索引。这样后面的召回、溯源和权限控制都更稳定。 public List<Chunk> buildChunks(Document doc) { List<Block> blocks = parser.parse(doc); List<Block> ...

给我面没招了，发点面经攒攒人品～1.实习拷打2.你们有没有遇到 Agent 之间“决策冲突”的情况？比如设计和代码生成不一致，是怎么解决的？3.你们为什么选择“技术方案驱动”，而不是直接让 AI 从 PRD 出码？4.你们 .catpaw/rules 这套知识库，和像 OpenClaw 这种基于 RAG 的 memory，有什么区别？5.如果知识库内容过多，AI 也会有上下文压力，你们是怎么做裁剪或者命中的？6.你们有没有做 embedding 检索？7.如果知识库里的内容是错的或者过期了，会不会对 AI 产生误导？你们怎么治理这个问题？8.在一个非常大的存量项目里（比如几十万行代码），你们是怎么让 AI 快速理解项目结构的？9.你们现在 AI 出码留用率是 50%+，那剩下 50% 主要问题出在哪里？10.在复杂业务场景下，AI 出码质量下降，你觉得是什么问题？11.AI 有没有出现过“看起来对，但其实逻辑是错的”这种情况？12.你们有没有做过代码 diff 级别的控制，比如限制 AI 修改范围？13.你们基于 Playwright 做自动化测试，那测试用例是怎么保证覆盖率的？有没有评估指标？