ai agent实习面经分享-字节

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. 因果推断在多模态训练里能解决什么问题，为什么不是普通相关性学习就够了多模态场景里最容易出的问题就是模型学到“看起来相关”的捷径，而不是任务真正依赖的稳定因素。比如图像里某类背景、拍摄角度、文本描述习惯，可能和标签高度共现，但它们并不是真正决定结论的原因。因果推断的价值在于尽量把这些混杂因素拆出来，让模型更关注跨环境都稳定成立的信号。如果只靠相关性学习，训练集上可能效果很好，但一换数据源、设备、标注风格，性能就会掉得很厉害。因果思路不一定意味着一定要上完整的因果图模型，也可以体现在样本构造、环境分组训练、反事实增强和不变风险约束上。它本质上是在问：模型到底学到了可迁移规律，还是只记住了数据...

发点面经攒攒人品～1.实习介绍2.拷打第一个项目3.拷打第二个项目4.在向量化之前，为什么要对长文档进行切片？如果不切片会有什么后果？5.切片时设置重叠区域的作用是什么？这个比例你通常怎么来确定？6.讲一下稠密向量与稀疏向量的区别，分别适合处理什么样的搜索需求？7.向量库检索出的Top-K结果，如果K值设置得过大，对后续的生成质量有哪些负面影响？8.余弦相似度和欧氏距离在衡量文本相似性时，各自的优缺点是什么？9.为什么在初筛召回之后，还要加一个Rerank模型？它能解决向量搜索的哪些局限？10.如果文档发生了局部更新，如何通过增量索引来避免全量重新向量化？11.在RAG的生成阶段，如何在Prompt中设定边界条件来防止模型在没搜到内容时产生幻觉？12.了解HyDE吗？介绍一下原理，它在处理模糊提问时有哪些优势？13.随着超长上下文模型的出现，你认为传统RAG架构的必要性是否降低了？14.你了解哪些大模型推理框架？SGLang相比vLLM的PagedAttention在推理延迟上有哪些优势？15.调用大模型API时，为什么要使用asyncio异步编程？它在处理高并发请求时有何优势？16.针对大规模PDF解析这种任务，你选择多线程还是多进程？17.如何确保Agent返回的结果是标准的JSON格式？如果模型输出中有多余的说明文字，你在后端如何提取？18.场景题：对于RAG，如果检索到了针对同一故障的两份手册，内容相互冲突，请你设计一套逻辑，让模型能够识别冲突并优先选择时效性更高的信息？19.手撕：第k大元素

刷到这个话题，发现很多同学对AI时代的岗位认知，还停留在“AI能写代码=程序员要失业”的表层焦虑里。作为在AI行业摸爬滚打了一年的开发，结合行业现状和招聘市场的真实需求，今天给大家做一份完整的「AI时代岗位活路全景图」，分6大类讲清楚：哪些岗位不仅不会被AI替代，还会在AI浪潮里迎来长期红利，核心壁垒是什么，入行需要什么能力，全是干货，没有一句废话。先给一个最核心的底层逻辑：AI能替代的，是标准化、重复性、低决策成本的执行类工作；永远替代不了的，是需要非标准化、深度思考、复杂决策、业务理解、人性洞察的工作。判断一个岗位有没有活路，就看它的核心价值，是执行，还是思考与决策。一、AI原生核心赛道：...