Memory 面试题
共 8 篇真实面经 · 涵盖 蔚来 / 商汤 / 淘天集团 / 小米 / 百度 等 8 家公司
蔚来 Agent 二面:工程决策证据、Context 管理与协程网络库
蔚来 Agent 岗二面,面试官明确不再重复八股,改为验证工程决策是否真正理解、能否拿出量化证据:Attachment 收包优化、Buffer Pool 所有权与兼容性、消融实验,外加一道补括号算法题与 C++20 协程异步网络库。
商汤 AI 开发一面:RAG 切片、三路召回与 Memory 设计
商汤 AI 开发一面,没有自我介绍,直接讲实习经历后集中拷打 RAG 项目:文字、图像与表格的切片策略与大小,召回精度评估与重排模型,BM25 等三路召回的原理与优劣,以及 Memory 的设计。
淘天 AI Agent 一面:本体化与 RAG 之争、三层 Agent 架构与记忆设计
淘天会员技术团队 AI Agent / 大模型应用研发一面:先用大半场追问「能力开放与本体化」项目——本体和普通 RAG 的区别、是否全量本体化、效果提升来自结构还是人工整理、强 Schema 校验相对 Tool Calling 的必要性、维护门槛由谁承担;随后深挖个人项目「航旅故障排查 Agent」,围绕三层架构是否等于三个 Agent、为什么不用单 Agent ReAct、混合检索与自适应 RAG、无生产环境时指标从哪来展开;最后是 Agent 组件、System Prompt 组织、上下文压缩、会话存储、暂停与恢复、记忆的时效与衰减。
小米基础架构一面:沙箱实现、Agent Harness 组成与手写 LRU
小米基础架构一面,先逐条核对简历上的沙箱、观测与性能优化归属,追问调研过哪些沙箱、如何确认 Codex 与 Claude Code 的实现,再问 Go 语言、AI 编程与 Harness 的组成,最后现场手写 LRU。
百度后端一面(70 分钟):分片上传、布隆过滤器与 Agent harness 连环追问
百度后端一面持续 70 分钟,手撕三数之和,主体是项目深挖:分片上传的并行与合并、如何保证分片不重传、布隆过滤器误判原因、Redis 锁粒度与释放方式、CI/CD 搭建、线程池参数来源;随后转到 AI 工程——Agent harness 怎么理解、高风险审批怎么做、Claude Code 的记忆体系与 memory 评测回放、RAG 与 GraphRAG 的差别;八股覆盖 MySQL 回表与 B+ 树、Redis 数据结构、协程进程线程、CAS、用户态内核态、限流角度、排序稳定性。
字节跳动 AI应用开发实习 一面:Agent Loop 的失败恢复与长期记忆
字节跳动 AI 应用开发实习一面:围绕短视频创作 Agent 的模块挑战与技术选型,深入追问 Agent Loop 的超时失败恢复、短期与长期记忆的划分和写入、Memory 与工具调用的难度对比及百万级记忆召回。
蚂蚁集团大模型应用面经合集:业务中台与 RAG 知识库
蚂蚁集团大模型应用方向四场面试合集:一面围绕跨境售后工单中台,追问单机迁集群的典型问题、幂等 Token 与雪花算法时钟回拨、订单状态机中间态与评论分库分表热点治理;后三面深挖 RAG 知识库的采集更新、静态知识库与动态检索取舍、图 RAG 实体一致性,以及 Agent Memory 分层晋升与 Spring AI 记忆机制。
腾讯社招三面面经(Agent 方向)
腾讯社招三面,围绕 Agent 项目做深度追问:运营活动代码重复率与内部活动框架、Agent 项目的团队规模与分工、memory 用了哪些框架组件、意图识别的做法与抽象化后效果变好的原因、Agent 上线后对人效的提升;后半段转向 AI 使用本身——端到端工作流成熟度、AI coding 覆盖率与质量保障、是否用 TDD;最后是职业选择与成就感来源类的软性问题。