快手 AI agent开发二面分享 1h

一、自我介绍与项目深挖做一下自我介绍。简单讲一个你最有代表性的项目，你在其中解决的最关键问题是什么？结合实习或项目，做细节追问（工作流、职责、决策、挑战等）。二、Agent 与提示工程相关提示词模板是怎么设计与迭代的？你如何判断一个模板真的变好了？你们的 Agent 是单 Agent 还是多 Agent？为什么这么设计？有没有考虑过替代方案？Agent 的任务是怎么拆分的？拆分粒度是怎么决定的？上下文是如何构建的？你们怎么避免上下文过长或信息污染？如果上下文窗口不够，你会优先保留哪些信息？为什么？三、代码理解与单测生成（工程场景）做代码理解时，AST、调用关系这些信息是怎么用起来的？单测生成里，哪些代码不适合生成单测？你们是如何识别并过滤的？覆盖率高但测试质量很差，你见过吗？你们是如何解决的？mock 在单测里什么时候是必须的？什么时候反而会带来问题？如果一个函数同时依赖数据库和 RPC，你怎么让模型生成的单测稳定运行？你们如何评估生成单测的质量？ 除了覆盖率，还有哪些指标有效？四、LLM 基础与 Transformer 细节LLM 的输入到底是什么？模型真正看到的内容包含哪些？self-attention 的核心作用是什么？为什么要拆成 Q、K、V？为什么 attention 能建模长距离关系？为什么需要 multi-head？attention 为什么可以看成动态加权？同一个 token 的 Q、K、V 为什么不相同？attention 复杂度很高，当上下文特别长时，你会怎么优化？模型产生幻觉的常见原因是什么？工程上有哪些方法可以降低幻觉？五、后端与系统基础Python 有多线程吗？GIL 是干嘛的？什么时候多线程才是有用的？讲一下 C++ 从源码到可执行文件的完整编译流程。六、算法题（手撕）给定一个数组 nums，计算所有子数组的中位数之和。定义：如果子数组长度为奇数：中位数 = 排序后中间的数。如果为偶数：中位数 = 排序后靠左的那个数。要求：计算所有子数组的中位数之和。

🕐面试时间：60min❓面试问题：自我介绍ai coding 40min，给一个业务需求，做一个词包agent（10w+词进行分类，plus一些业务问题），只需给一个大致的架构方案设计，当大模型给出方案后，面试官会问你觉得这个方案有什么坑点，也会给你一些提示（10w+单词不好全让大模型来做分类，想法是让一个子agent或子模块来做），你也可以让大模型来想解决办法。聊聊对agent的认识有没有用过open clawskills了解吗你刚才想到了用子agent的思路，在什么情况下会这么做，有什么好处skills和子agnet有什么区别，什么场景下选择不同的解决方法（我回答的是看整体的任务复杂度，...

继续来分享下最近的面经~1.介绍一下你设计的整个 Agent 架构。2.为什么设计成主从架构？3.讲一下完整的业务流程，Agent 在整个过程中做了哪些事情？4.为什么在这里设计的是先调用 tool 去查商品，再走 RAG 检索商品信息？5.你的 RAG 知识库的索引是怎么设计的？6.你这个 Agent 的自主规划执行有没有轮次限制？7.你在写 Prompt 方面有什么心得？可以举例说明。8.如果在 Prompt 中明确提出 RAG 结果不要返回某种商品，但模型还是返回了，并且多次出现，这种情况可能是什么原因？9.说说你对 Agent 和 Skills 的理解。10.一般情况下你这个 Agent 的响应时间是多少？

1. 自我介绍2. 多阶段 RAG 里同时使用 BM25 和向量召回，混合检索策略通常怎么设计混合检索的关键不是把两路结果简单拼起来，而是根据问题类型决定两路召回各自承担什么角色。BM25 对精确术语、错误码、接口名、字段名、版本号这类关键词命中很强，向量召回则更擅长语义改写、口语化表达和抽象问题。真正稳定的设计一般是先并行召回，再做去重、融合、重排，最后再进入上下文构建阶段。如果问题本身是“精确定位型”，比如某个报错码、类名、接口路径，BM25 权重通常更高；如果问题是“意图表达型”，比如用户用自然语言描述故障现象，向量召回的权重会更高。工程里比较常见的是先取两路 topk，再用 RRF 或...