面灵AI→

字节 中国交易与广告 AI 全栈实习一面:MCP、A2A 与 Skill 的分层

字节跳动 AI 全栈开发(实习) 一面

字节中国交易与广告 AI 全栈实习一面:从项目架构与 Spring AI 的职责划分切入,追问多 Agent 的记忆与协作、MCP 的接入方式及与 A2A 的区别、工具过多带来的上下文与选择问题、已有 MCP 与 A2A 为何还需要 Skill、几百个 Skill 的上下文占用与领域路由、多轮任务在高并发下的 Token 成本控制,最后手撕最长回文子串(要求 O(N²))。

2026-11

帆软 Java 一面凉经:AST 解析 SQL、Agent 链路与线程安全 List

帆软 Java 开发 一面

帆软 Java 一面:项目里的 AST 如何解析 SQL、AST 与哪种设计模式相似、如何限制 SQL 只读与返回行数、分页兼容、高频问题识别与语义归类、多轮上下文保留轮数、查询结果换文件引用对 Token 的影响、Agent 链路追踪与死循环排查、工具调用轮次上限,最后是 CopyOnWriteArrayList 与打家劫舍手撕。

2026-11

腾讯 Agent 开发一面:LangGraph 编排、KV Cache 与审核链路

腾讯 Agent 开发 一面

腾讯 Agent 开发一面明显偏项目实践:先问为什么组合 LangChain 与 LangGraph、系统如何判定生成方案不合格并把审核结果反馈回执行链路、建了哪些可观测能力;再深挖主 Agent 向子 Agent 传递哪些上下文、压缩是自研还是框架能力、Token 优化与 KV Cache 命中、Skill 折叠后对缓存复用的影响、Skill 与工具的映射关系,最后问模型选型、独立评测、缓存失效导致费用上升如何定位,以及生成与审核同模型时的共同盲点。

2026-11

腾讯社招一面面经(Agent 方向)

腾讯 后端开发(Agent方向) 一面

腾讯社招一面,全程围绕 Agent 项目的工程实现:框架选型为什么用 LangChain + LangGraph、方案审核用什么指标判断不合格以及审核结果怎么回流链路、可观测性怎么做、调用 sub-agent 时主 Agent 的 context 带不带过去、超长内容怎么压缩(自研还是用 LangGraph 自带);重点问 token 消耗优化和 KV Cache 命中率的手段,并追问 Skill 系统的设计——移除 Skill 正文会不会破坏 KV Cache、Skill 本身是一个工具还是多个工具。

2026-09