字节暑期实习AI应用开发一面 1h左右

1. 手撕：给定一个大小为 n 的数组 nums ，返回其中的多数元素。多数元素是指在数组中出现次数 大于 ⌊ n/2 ⌋ 的元素。2. 解释摩尔投票法的思路，为什么用这种方法？3. 为什么不用哈希表？4. 哈希表的扩容机制是什么？5. 扩容时的时间复杂度？6. 用HashMap的总时间复杂度7. 如果所有元素都不同，哈希表的内存占用会怎样？8. 如果用摩尔投票法， 不存在超过半数的元素，如何识别？9. 场馆预订平台的框架和技术选型，用了什么框架？10. 如何实现存数据库一致性11. 如何用Canal监听MySQL binlog？如果是大规模数据，用几台Canal12. 那数据量很大的话，单台...

面试很难，还是要多多练习1. 论文拷打2. 实习经历深度追问3. 首个项目深挖：MinerU解析跨页表格时，保障表格语义完整的核心思路？简述Ragas评测框架；若Answer Relevance指标偏低，如何精准区分检索质量与模型能力的影响边界？4. 第二个项目深究：LangGraph中State的定义逻辑与流转机制？当任务节点数量较多时，如何规避状态对象膨胀引发的内存溢出问题？长期记忆库层面，多轮对话信息提炼为结构化用户画像并入库的具体实现路径？5. 文档切片策略：overlap参数的核心作用？如何权衡分片尺寸与上下文完整性之间的平衡关系？6. 对GraphRAG的理解与应用认知7. GraphRAG召回海量关联信息后，生成阶段如何借助自反思（Self-Reflection）或思维链（CoT）策略过滤检索噪声？8. ReAct框架的核心原理，阐述其对复杂任务理解能力的提升逻辑9. 模型调用工具出现参数幻觉、语法错误时，可采用的自动化修正手段有哪些？10. Multi-Agent系统中心化编排模式的内涵，对比点对点架构的核心优势m11. Agent的Self-Reflection机制，说明其识别输出逻辑错误的底层原理12. Agent长期记忆的设计思路与核心要点13. 支付等高敏感操作场景下，Human-in-the-loop（人工介入）流程的设计原则与实现方式14. 单一Skill模块的设计思路与核心逻辑15. Skill与MCP的核心差异对比分析16. OpenClaw对Agent本地文件系统操作、代码执行环境感知及权限增强的实现逻辑17. 对Vibe Coding的理解，结合实际场景谈谈相关经验18. 如何保障自然语言任务描述能精准转化为稳定、可靠的执行路径？19. 上下文缓存的概念，说明其在处理Agent频繁读取的冗余系统指令时的核心价值

Q1：⼀句话说明什么是 AI Agent？答案：AI Agent 是以⼤模型为认知核⼼，结合规划、记忆与⼯具调⽤，能在多步交互中根据环境反馈持续决策并完成任务的系统；其本质是 闭环的感知—思考—⾏动 循环，⽽不仅是单次⽂本⽣成。Q2：为什么说 Agent = LLM + Planning + Memory + Tools？缺⼀块会怎样？答案：缺 Planning：容易变成「只会接话」的聊天，⻓任务易跑偏或⼀步登天完不成。缺 Memory：⻓对话会丢线索，多会话⽆法延续⽤户偏好与任务状态。缺 Tools：只能「空谈」，⽆法查实时信息、执⾏代码、改系统状态。LLM 仍是中枢，但单靠 LLM 没有外...

五月份还是没有大厂实习，感觉已经炸了，日常的话估计也难，秋招咋办啊