面灵AI→

字节后端 Agent 一面:GIL、Tool 与 Skill、RAG 切分与海量文件查找

轮次
一面
结果
已进二面
时间
2026-11
来源
牛客网

《面试题目》

  1. 主要用的是什么编程语言?
  2. 了解 Python 里的 GIL 吗?
  3. 介绍一下 Python 里的装饰器。
  4. 介绍一下 Python 里的迭代器。
  5. 了解 Agent 的记忆吗?有哪些形态?
  6. 详细讲讲 Tool 和 Skill 的区别。
  7. 你怎么理解幻觉?
  8. 幻觉可以怎么细化?如何减小?
  9. RAG 召回的原理是什么?你们的切分是怎么做的?
  10. 你怎么理解 Agent 和 Workflow 有什么区别?
  11. Agent 算法和后端有什么区别?
  12. Agent 实际加载 Skill 是怎么加载的?
  13. 介绍一下从发出消息到 Agent 最终返回的整个流程。
  14. 算法题:1GB 内存的电脑,10GB 的文件里查找 ABCDEF 出现的行号。

《参考解析》

GIL。 CPython 的全局解释器锁保证同一时刻只有一个线程执行字节码,所以多线程做 CPU 密集任务拿不到并行,只能多进程或把计算下沉到 C 扩展(NumPy 在释放 GIL 的段里能并行)。IO 密集场景多线程仍有效,因为阻塞调用会释放 GIL。3.13 起有实验性的 free-threaded 构建,但生态兼容性和单线程性能都有代价,生产上仍按有 GIL 设计。答这题要落到「我的服务怎么绕」:CPU 密集用进程池或向量化,IO 密集用 asyncio。

Tool 与 Skill。 Tool 是一次可调用的动作,有明确 JSON Schema——名字、参数、返回值、错误码,模型选它并填参数,执行完拿到结构化结果。Skill 是一套打包好的流程知识:这类任务按什么步骤做、用哪些工具、注意什么,写成可加载的文档或代码包,模型读进去改变的是自己的行为策略,而不是发起一次调用。形态上 Tool 是函数、Skill 是说明书加脚本集;粒度上 Tool 原子、Skill 面向一类任务;加载上 Tool 常驻工具表,Skill 按需检索、渐进式披露(先给索引摘要,用到再展开正文)。把流程写进工具描述会让工具表膨胀到模型选不动。

RAG 的召回与切分。 召回一般混合:向量管语义相近,BM25 管专有名词和编号,两路结果用 RRF 或加权融合后 rerank。切分没有通用最优解,取决于文档结构:Markdown 按标题层级切,代码按函数/类切,表格整块保留,PDF 先版面还原再按段落切。通用做法是结构优先加定长兜底:先按语义边界切,超阈值再按 token 硬切,相邻块留 10%–20% 重叠,防止一个定义和它的条件被切到两块里。块大小要同时对齐 embedding 模型的最大长度和塞进上下文的预算。

Agent 与 Workflow。 Workflow 的控制流由代码写死:步骤、分支、失败处理都在编排层,模型只在节点里做分类或生成。Agent 把「下一步做什么」交给模型,代码只提供工具、约束和停止条件。任务路径固定、要可审计可回归就用 Workflow;开放度高、路径无法预先枚举才用 Agent,代价是延迟、成本和不确定性一起上升。工程上多为混合:外层 Workflow 控主流程,内层某个节点用 Agent 处理开放子任务。

1GB 内存查 10GB 文件。 不能整读,也不适合 mmap 整个文件(地址空间与缺页压力都顶不住),只能流式分片:按 32–64MB 顺序读入 buffer,片间保留 len(pattern) − 1 字节重叠,否则跨片边界的匹配会漏。片内用 memchr 找首字符再逐字节比对,比正则快得多;同时累计换行数维护全局行号,命中时用「片起始行号 + 片内偏移前的换行数」还原。内存是 buffer 加常数,与文件大小无关。还能优化:多进程各扫一段并行(总内存仍受控)、布隆过滤器先粗筛、模式多时换 AC 自动机一次扫描。注意重叠区要按行边界对齐,把上一片末尾的半行带到下一片开头。