AI Agent二面-字节实习面经

1、项目里负责的边界是什么？哪些内容是亲手实现或验证的？我负责的边界一般分成四块：Agent 主链路、RAG 检索链路、工具调用层和效果评测。主链路包括 query 理解、路由、上下文构造、结果生成；RAG 这块包括文档清洗、切片、召回、重排和 prompt 拼接；工具调用层包括 function schema 定义、参数校验、执行封装和失败重试；评测这块包括 badcase 回流、离线测试集和线上日志分析。亲手实现的部分主要是在线链路和评测闭环，比如 query 改写、混合检索、rerank 接入、上下文压缩、工具调用编排、token 统计、失败样本分析。验证过的内容包括不同 chunk 策...

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1. 多模态大模型的具体结构2. 多模态的用户信息怎么存储和使用3. Agent项目背景4. RAG系统流程5. lora的原理和qlora的原理，qlora怎么优化显存？6. 演示Agent项目实现细节7. AI辅助开发的实践经验8. 觉得当前的agent达到预期了吗？对agent的预期是什么9. 项目中AI贡献的代码占比10. 怎么进行多模态知识检索？11. RAG+MCP这方面是你做的吗？怎么做的？RAG怎么构建的12. A2A与MCP区别13. 项目在研发过程中遇到了哪些困难，怎么解决的14. 较长较多的上下文怎么解决15. 项目用的什么架构16. Agent项目开发的框架

1、项目里负责的边界是什么？哪些内容是亲手实现和验证的？2、如果要做一套可落地的 Agent 评测体系，整体怎么设计？评测一般要分离线和线上两层。离线评测解决“改动前后谁更好”，线上评测解决“真实用户下效果是否稳定”。离线侧我会先把样本按场景拆开，比如知识问答、工具调用、多轮追问、拒答场景、多语言场景、长文本场景，然后分别看回答正确率、工具调用成功率、检索命中率、拒答准确率和格式稳定性。线上侧看用户行为指标，比如首轮解决率、转人工率、二次追问率、平均耗时、token 成本和异常率。Agent 不能只看最终答案，通常要拆成三层指标：检索层、决策层、生成层。检索层看有没有召回正确证据，决策层看有没...

3.10号二面，今天官网的流程还是面试中，期间vx问了几次hr都说在催了不过都没有后文，本人也是第一次碰到这种情况，这意思是挂了还是没挂呀