字节业务中台 AI 全栈凉经:三面连考项目真实性、Agent 原理与手写组件
- 轮次
- 一面+二面+HR面
- 结果
- HR 面后挂
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
一面:
- 自我介绍,当前处于什么阶段(哪一届、什么时候毕业)?
- 你现在找的是日常实习对吧?能实习多长时间、一周几天?现在人在哪个城市?
- 之前 2024、2025 的两段实习都是本科期间做的吗?
- 能不能演示一下之前开发过的页面或项目(不涉及敏感信息)?
- 你最近没有在实习,对吧?
- 某个项目是什么时候做的?你在这个项目里具体负责哪些工作?
- 能介绍一下你开发的 Agent 项目吗?为什么要做、主要解决什么问题?
- 做这个项目时遇到的最困难、挑战最大的地方是什么?
- 你现在主要用什么 AI Coding 工具?买的是多少钱的?用的是 VS Code 里的 Codex 插件吗?你们平时是不是也重度使用 AI 工具?
- 手撕:输入一个字符串,按规则删除其中的 B 和 AC,输出处理后的字符串。(追问:能不能用一种常用的数据结构解决?)
- 设计一个类似百度的搜索框,用户输入关键词后下面自动展示联想词,从前端视角需要注意哪些问题?
- 用户连续快速输入时,如何处理频繁的后端请求?
- 防抖和节流有什么区别?
- 如果先发出的请求 5 秒才返回、后发出的请求 0.5 秒就返回,如何避免旧请求结果覆盖新结果?
- Skill 和 MCP 有什么区别?你平时封装过什么 Skill 或 MCP?能看看你的 skillhub 吗?
- 你希望在这份实习中做哪些事情?未来整体的职业规划是什么?为什么希望往 Agent 和全栈方向发展?
- 最近有没有用过让你印象特别深刻的 AI 产品?介绍一下。
- 反问:团队负责什么业务(火山引擎、豆包搜索等)?团队是往全栈发展还是有专职前端?和北京做机器学习平台的部门有什么区别?你觉得我还有哪些不足?
二面:
- 你从某段时间至今做的几个项目,分别是基于什么目的开展的?
- 为什么要做图片检索 Agent?主要想解决什么问题?
- 整个图片的存储和检索是怎么实现的?
- 图片内容理解是怎么实现的?用了什么 Embedding 模型?模型叫什么名字?
- 不同 Embedding 模型的向量维度、向量化方案有什么区别?应该如何选择最合适的?
- 猜测一下,图片 Embedding 模型会把图片的哪些信息向量化存储?
- 为什么选择 LangGraph 实现从搜索意图理解到 RAG 回答的整个工作流?
- 为什么选择 BERT 进行分词?
- 了解 BERT 自身的架构吗?
- BERT 分词之后,怎么识别哪些词是重要关键词?怎么清洗不重要的词?
- 关键词匹配时,是把 BERT 分出来的所有词都当关键词吗?
- 了解 Electron 的整体架构吗?为什么它能实现跨平台?
- 一个表情包查找工具有必要专门用 Electron 开发吗?如果要更轻量化,你会怎么做?
- 有没有考虑过直接把所有图片及描述整理成一个 Markdown 文件让 LLM 直接读取检索?效果会不会更好?
- 自己实现向量存储和检索,与用开源向量数据库有什么区别?自己实现的准确率会更高吗?
- 为什么开发自动运维巡检 Agent?主要解决什么问题?
- 运维服务用 FastAPI 实现,你对 FastAPI 的熟悉程度怎么样?有自己手写过、认真读过官方文档吗?
- 最近有没有做前端界面开发?主要是在维护个人博客吗?为什么博客的设计风格这么古典?最开始是手写用来练前端的吗?
- 假设 Agent 正在执行一条指令,用户突然想到遗漏了信息又发来一条补充指令,Agent 如何在不中断执行的情况下处理新指令?
- 如果采用暂存方式处理新指令,正在执行的上一条指令应该怎么处理?
- 例如 Agent 正在排查服务器卡顿,执行过程中用户补充「重点关注内存」,第二条指令应该怎么和正在执行的指令合并?
- 如果 Agent 陷入无限死循环,应该如何感知?又该如何退出?
- 假设让你编写一个 Harness 来控制 Agent 避免死循环、或在出现死循环后自动停止,你会如何设计和实现?
- 手撕:用 TypeScript/React 实现一个递归树形组件,每个节点显示内容并支持点击展开收起。
- 扩展要求:实现树形结构的搜索,最好支持模糊搜索,包括存在错别字的情况。
- 反问:团队是前端组还是全栈组、负责哪些业务?业务是纯 To B 还是有 To C?对实习生的主要要求是什么?你觉得我还有哪些不足?
HR 面:
- 自我介绍,并介绍过往的实习和项目经历。
- 这所学校是自己考研考上的吗?之前有没有考虑过其他学校、为什么没选更好的?
- 本科期间有准备过考研吗?本科毕业时关注过秋招机会吗?当时求职有什么进展?
- 本科期间的两段实习都是以找工作为目的去的吗?
- 距离上一段实习结束已经有一段时间,为什么之后没有继续找新的实习?
- 你做过的所有项目里,哪个挑战最大、复杂度最高?详细介绍一下。
- 面对某个项目时间紧、任务重、人手不足的问题,除了增加人手还有没有更好的解决方案?
- 除了字节,目前还在面其他公司的实习岗位吗?有拿到其他公司的 Offer 吗?
- 每周能实习几天?具体哪天需要请假?
- 对工作强度和加班,你个人的接受程度怎么样?
- 反问:您是业务组 HR 还是专门负责招聘的 HR?是之前微信上联系我的那位吗?字节招实习生主要看哪些软技能和综合素质?
《参考解析》
这场的价值在于它展示了「AI 全栈」这个岗位现在到底在考什么:项目真实性、技术选型的理由、Agent 运行时的工程细节、以及手写前端组件的基本功。
一面的主体是验证真实性。「能不能演示一下」「这个项目什么时候做的」「你具体负责哪块」这些问题连在一起,就是为了确认简历上的东西你真做过。演示环节作者因为电脑环境没准备好只能无实物讲,这在面试里是明显减分项——面试前把项目跑起来、准备好截图或录屏,是这类面的必做动作。
「删除 B 和 AC」这题的正确解法是栈:顺序扫描,字符是 B 就丢,是 C 且栈顶是 A 就把 A 弹出,否则入栈,O(n) 时间 O(n) 空间。面试官追问数据结构说明他想听这个,而不是反复字符串替换(那样会退化成 O(n²),且处理不了「删除后新形成的 AC」)。
搜索联想框的四连问是前端高频组合:输入防抖(等用户停手再发)、请求竞态(用自增序号或 AbortController 丢弃过期响应,而不是靠先发先回)、空结果与错误态、以及联想词的缓存与预取。防抖是「最后一次触发后等待 N 毫秒才执行」,节流是「N 毫秒内只执行一次」,二者解决的不是同一个问题。
Skill 与 MCP 的区别可以说清层次:MCP 是模型与外部工具/数据源之间的协议(解决「怎么接」),Skill 是把某类任务的做法、脚本与规范打包成可复用的能力(解决「怎么做这类事」)。能看到候选人的 skillhub,说明这家团队确实在积累这类资产。
二面是本场的技术核心。图片检索 Agent 那串问题层层递进:Embedding 模型选型要看模态(图片要不要和文本对齐)、维度与成本、领域适配(通用 CLIP 类模型对表情包这种排版文字多、风格化的内容效果一般),答不出具体模型名会显得是照抄教程。BERT 分词那几问要注意别混:中文 BERT 用的是字级或 WordPiece 子词,不是分词器;「识别关键词」可以走 TF-IDF/TextRank/BM25 或让模型抽取,清洗则是去停用词、去高频无信息词。
LangGraph 的选型理由要落到「需要循环与状态」:意图理解 → 检索 → 判断是否足够 → 再检索/生成回答,这条链路有分支和回退,用图建模比链式清晰,还能断点恢复。Electron 那两问是典型的「选型反思」:Electron 用 Chromium + Node 把 Web 应用打进桌面,跨平台来自 Chromium 的一致性,代价是体积和内存;如果只是查表情包,轻量方案是纯网页/Tauri/浏览器扩展——面试官在考你会不会为一个简单需求上重武器。
「直接做成 Markdown 让 LLM 读」是个好问题,诚实答更好:小规模、描述质量高的场景确实可行,靠长上下文一次读完省掉检索链路;但规模一大就撞上下文上限、成本和召回精度,而且更新维护困难。自己实现向量检索与用向量库的差别在工程性:索引结构(HNSW/IVF)、过滤、持久化、并发与增量更新,自己写通常准确率不会更高,但能学到东西。
Agent 指令合并与死循环是全场最硬的两问。新指令不该打断正在执行的动作,正确做法是把它作为「追加约束」写进会话状态,在当前步骤结束后由规划环节重新读取;如果用户补充的是方向性修正(重点关注内存),就把它提升为高优先级约束,让后续步骤先做内存相关检查,同时在输出里显式确认「已收到补充」。死循环的感知要靠可观测信号:同一工具同样参数的重复调用次数、步数或 token 预算上限、连续多步没有产生新的观察结果、目标未推进;退出策略是预算熔断 + 强制收敛(让模型基于已有信息给部分结论)+ 上报人工。写 Harness 就是把这些做成外置策略:循环检测器、预算计数器、超时与重试上限、可中断的状态机,而不是指望模型自觉。
前端手写递归树组件考的是基本功:节点递归渲染、展开状态存在一个 Set 或 map 里、key 用节点 id、点击切换时避免整棵树重渲染。模糊搜索那层提一句「支持错别字」就意味着要做编辑距离或前缀树 + 容错匹配,答不上细节至少给出思路。
HR 面问的都是稳定性:为什么考研、为什么没有更好的学校、为什么这段时间没实习、加班能不能接受。这类问题没有标准答案,但前后要一致、不要贬低过去的选择。作者最终的复盘是「一问小林的项目就不同频」,这句话本身值得记住——不是你做过的每个项目都能扛住深挖,面试里要主动把话题引到自己真正掌控的部分。