字节跳动 SRE 二面:Agent 项目追问与虚拟内存、索引取舍
- 轮次
- 二面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 为什么选择 Agent 方向的岗位?
- 在过往项目经验里,哪一块收获比较大?简单介绍一下。
- 做这个 Agent 项目的时候遇到了哪些难点?
- 项目里都用了哪些大模型?
- 有没有做过不同模型之间的对比?Agent 做完之后效果怎么衡量?
- 项目是几个人开发的?
- 如果让你重新做一遍,你会做哪些不一样的改动?
- 算法题:输入
hello ABC,输出ABC hello。 - 分析这个解法的时间复杂度、空间复杂度。
- 如何优化,把空间复杂度降到 O(1)?
- 解释为什么 Python 字符串无法原地修改。
- 你了解操作系统吗?讲讲虚拟内存的机制。
- 虚拟内存的地址大小由什么决定?
- 了解计算机网络吗?
- 如何优化数据库表的查询速度?
- 索引是不是建得越多越好?
- 你有什么想问我的?
《参考解析》
Agent 方向与 SRE 的结合点:SRE 的日常是告警处置、容量评估、故障复盘,其中大量步骤是「查指标、比对基线、执行既定处置、记录结论」的固定流程,正好适合交给 Agent 编排工具完成。回答要落到具体能力:工具调用、长流程状态管理、失败重试与人工接管,而不是泛泛地说「Agent 是趋势」。
模型对比与效果衡量:对比要固定任务集与提示词,只替换模型,记录任务成功率、工具调用正确率(参数是否正确)、平均交互轮次、首字延迟与单次成本。效果衡量分三层:离线评测集上的端到端通过率、按失败类型分类的错误分布(选错工具、参数编造、循环调用、提前结束)、线上灰度中的人工接管率与平均处理时长。只看单轮回答质量的评分不足以说明 Agent 是否可用。
重做会改的地方:常见答案是评测先行——先建评测集与失败分类,再改提示词或换模型;把工具契约做稳定,参数校验与错误返回结构化;补可观测性,记录每一步的工具调用、耗时与 token;把流程状态持久化,支持中断恢复。
字符串轮转:按空格切分后逆序拼接,时间 O(n)、空间 O(n)(切分产生的列表与结果字符串)。O(1) 额外空间的做法是三次反转:整体反转得到 CBA olleh,再分别反转两个单词,得到 ABC hello。实现时原地交换字符,只占用常数个临时变量。
Python 字符串为何不可变:str 在 CPython 中是变长对象,创建后其缓冲区长度与内容都不再改变。不可变带来三个直接收益:可以安全地共享与驻留(相同字面量复用同一对象)、哈希值可以缓存从而作为字典键、多线程读取无需加锁。代价是任何「修改」都要新建对象,因此 O(1) 空间的原地轮转在 Python 层面无法实现,只能退到 bytearray 或列表上操作。
虚拟内存:每个进程拥有独立的虚拟地址空间,CPU 通过 MMU 查页表把虚拟地址翻译为物理地址,TLB 缓存近期映射。访问未映射或未载入的页触发缺页中断,由内核分配物理页并从磁盘或交换区载入;写时复制让 fork 后的父子进程共享只读页,直到任一方写入才复制。虚拟内存带来的好处是进程隔离、地址连续(便于链接与内存分配)、可按需换入换出,以及文件映射与共享内存。
地址空间大小:由架构的位数决定。32 位下用户态通常 3GB、内核 1GB;64 位下虽然地址宽度是 64 位,实际有效位受页表层级限制(x86-64 常见 48 位,开启五级页表后 57 位),因此单进程可寻址范围远小于 2 的 64 次方。回答时区分「寄存器宽度」「有效虚拟地址位数」与「物理内存上限」三个概念。
数据库查询优化:先用执行计划确认是否走索引、扫描行数与回表次数,再针对性地建联合索引或覆盖索引;避免在索引列上做函数运算和隐式类型转换,避免 like '%x' 前导通配;深分页改用游标(记住上一页的最大 id);大结果集分页与导出放到从库或异步任务;热点数据加缓存并明确失效策略。索引不是越多越好:每个索引都带来写放大与存储开销,优化器在过多候选索引下也可能选错,低频列与选择性差的列不应单独建索引,联合索引要按最左匹配与实际查询模式设计。