字节tiktok实习后端ai开发一面

第 53 题：上下文压缩（Context Compression）在长文本场景的应用 题目 解释上下文压缩（Context Compression）技术在长文本场景的应用。 一、为什么需要上下文压缩？ 长文档、多轮对话或大量检索结果会占满 context 窗口，导致：超出模型长度限制、重点信息被挤到边缘、成本与延迟上升。上下文压缩 指在保留关键信息的前提下缩短或摘要送入模型的文本，使更多内容“塞得进”且关键信息不丢。 二、常见做法  摘要：对长段做摘要（用模型或抽取式摘要），只把摘要放入 prompt；适合“只要大意”的问答与检索后阅读。 选择性保留：按相关性或重要性筛选句子/段落（如用检索分...

继续来分享下最近的面经~1.项目中最困难的是什么2.手撕：爬虫一个文件，10个一批并发访问3.用了固定线程池，问用消息队列如何做的，还提到了滑动窗口4.如果给了一万行，然后任务处理的时间不同，该怎么办5.epoll，poll，select区别6.vector传递引用和值有什么区别7.vector的底层原理8.进程创建后的结构9.多进程，多线程，多协程的区别10.为什么要有这么多种11.平时用到什么数据结构12.b＋树13.怎么学习golang14.平时看什么博客

自我介绍实习除了 Coze，了解过其他 Agent 相关框架吗？比如 LangChain、LangGraph三个系统都涉及 DAG，区别是什么Coze 的执行引擎能否支撑你的系统A 系统 利用编排实现解耦，还有没有其他提升空间2k QPS 下，MySQL 可以抗住，为什么加二级缓存相比加缓存之前，性能提升了多少B 平台 针对下游模型的 TPM、QPM 限制，如何限流处理在采用令牌桶的基础上，任务具有不同的优先级，如何处理；再增加一个租户维度（多业务），如何处理视频生成后的链路关注过吗？最终的视频是否满足预期八股为什么选择 Redis 做缓存，还有什么应用场景Redis 实现分布式锁的原理是什么...

本人简历上 1 个 RAG 项目 + 1 个 Agent demo；这次面的是AI岗一面前我以为：背完八股 + 把项目讲清楚，应该能稳过。0-5 min：自我介绍 + 项目背景- 顺利。讲清楚了我的 RAG 是给法律咨询场景做的，痛点是大模型不懂行业术语。5-20 min：项目深挖（开始崩）- Q1：你的法律文档总共多少？切了多少个 chunk？- 我：约 500 份 PDF，5 万个 chunk- Q2：500 份 PDF 加起来才 5 万 chunk？平均每份 100 个 chunk，你切片粒度是多少？- 我：512 token- Q3：法律文档里"第三条第二款"和"第三条之二"是不同含义，你的切片会不会把它切散？- 我：（沉默 5 秒）……应该会- Q4：那你怎么解决？- 我：我可以加一个 metadata……（开始编）❌ 第一次崩：切片粒度没考虑业务语义。20-35 min：评测体系（继续崩）- Q：你怎么知道你的 RAG 有效？- 我：我用 Recall@5……- Q：评测集多少条？怎么构造的？- 我：100 条，我手工标注的- Q：100 条够吗？分布怎么样？- 我：分布……我没分- Q：那你的 Recall@5 是 0.81，你怎么知道这个数字是好是坏？baseline 是什么？- 我：（沉默 10 秒）❌ 第二次崩：没有 baseline，没分布分析，纯靠"看起来还行"。35-55 min：Agent 部分（彻底崩）- Q：你的 Agent demo 用了几个工具？- 我：3 个，搜索、计算器、文档查询- Q：当用户问一个问题，你的 Agent 怎么决定调哪个工具？- 我：用 ReAct，让模型自己决定- Q：模型决策错了怎么办？- 我：我加了个 reflection……- Q：reflection 失败 3 次后怎么处理？- 我：（沉默 15 秒）……我没想过❌ 第三次崩：异常路径完全没设计。55-65 min：业务理解 + 反问- Q：你觉得字节做 AI 应用最大的瓶颈是什么？- 我：算力？数据？- Q：你看过哪些字节最近发的 AI 产品？- 我：豆包、扣子……- Q：扣子是 Agent 平台还是工作流平台？- 我：（再次沉默）❌ 第四次崩：对面试公司业务一无所知。