Ai agent开发二面 快手面经

AI与八股 "介绍一下AI的技术理解" 回答要点：  Skill概念：技能说明书，渐进式加载，更精确 MCP vs Function Calling：MCP是统一标准，Function Calling需自定义 Transformer：QKV注意力机制，编码器理解语义，解码器生成文本  "对RAG的向量库有了解吗？" 回答要点：  PGVector：项目中使用，500万以下数据，开发友好 Milvus：专业开源向量库，支持分布式 作用：向量存储，权重分配，精准定位知识  "怎么把文档转换成向量库？" 回答要点：  文档预处理：加载、转换...

发点面经攒攒人品～1、为什么引入父子索引？2、为什么在检索阶段引入 BM25？3、rerank 后一般返回几个块？4、rerank 后的 topK 截断是怎么做的？5、讲一下上下文工程是怎么设计的。6、记忆机制是怎么做的？7、Function Calling 是怎么设计的？8、Agent 的任务规划是怎么做的？9、Prompt 注入攻击如何防御？10、工具调用的安全控制是怎么实现的？11、讲一下分布式令牌桶限流。12、漏桶算法是什么？13、滑动窗口算法是怎么实现的？14、滑动窗口和令牌桶相比有什么区别？15、布隆过滤器讲一下。16、数据库索引失效的情况有哪些？17、like 查询会不会导致索引失效？18、RAG 系统如何评测？

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...

攒人品中，祝大家都能拿到满意的Offer！项目深挖（AI项目+后端项目）1、为什么要引入父子索引？BM25引入的原因是什么，比例是怎么设置的，整个具体流程是怎样的，有没有做rerank操作？2、如果做了rerank， rerank之后返回几个块？有没有做过一些验证来确保效果？3、rerank之后的topk截断是怎么实现的？为什么选这个k值，有没有考虑过其他方案？4、讲一下上下文工程，还有记忆功能是怎么实现的。5、讲一下LRU的原理和实现。