面灵AI→

网易有道 Agent 开发三面凉经:记忆模块、多 Agent 分层与 workflow 选型

轮次
三面
时间
2026-11
来源
牛客网

《面试题目》

一面

  1. 平时怎么学习的?
  2. 了解 DSH 的核心吗?
  3. cordis 的热加载是基于语言层面还是工程层面?
  4. cordis 卸载一个插件后,怎么回到最初的状态?
  5. Agent 记忆有哪几种范式?
  6. 主流的 Agent 记忆实现架构是什么样的?
  7. 为什么选择用 RAG 做 Agent 的记忆模块?你的记忆模块输入输出与完整链路是什么?
  8. 多跳检索怎么处理?
  9. workflow 和 agent 的区别是什么?
  10. 什么时候用 workflow,什么时候用 agent?
  11. 多 Agent 的上下文怎么分层?

二面

  1. 说说你实习的难点与重点。
  2. 通过上下文动态注入来控制 Agent 权限是怎么做的?
  3. 为什么选择 RAG 而不是文件系统来做记忆模块?
  4. 为什么文件系统不适合多租户?
  5. 什么时候用多 Agent,什么时候用单 Agent?
  6. 多 Agent 实现的难点是什么?
  7. 开放题:怎么设计一个教育 Agent?
  8. 追问:并发量过高、队列阻塞了怎么办?
  9. 追问:模型输出了错误的脚本怎么办?
  10. 追问:用户问了 100 道错题,怎么管理长上下文?

三面

  1. 说说你实习负责的模块。
  2. 上下文动态注入的效果如何衡量?
  3. 记忆系统的输入输出与调用链路。
  4. 如果有上千万个用户,你会怎么改进记忆系统?
  5. 平时用什么 AI 工具?怎么使用?
  6. 让你独立负责一个项目,你会怎么用 AI 辅助完成?
  7. 什么场景要用 agent?
  8. 未来的职业规划。

《参考解析》

cordis 的热加载属于工程层面:JavaScript 语言本身没有「卸载模块」的语义,require 缓存只能删除引用,模块执行时注册的定时器、事件监听、全局变量不会自动消失。所以插件框架要做的是在工程层提供生命周期——把插件注册的一切副作用包装成可撤销的 effect,卸载时统一 dispose,再重新加载新版本模块。判断依据是「换掉插件后进程不重启、旧副作用消失」,这靠的是依赖注入容器加生命周期管理,不是语言特性。卸载后能否回到初始状态,取决于插件是否把所有副作用都登记为可撤销;漏登记的(比如直接 setInterval、写全局单例)就会残留。

记忆分四类,别只答「向量库」:按持续时间和作用分——工作记忆(当前上下文窗口内的消息与工具结果)、情景记忆(历史会话与事件,按时间或任务索引)、语义记忆(事实与知识,通常向量化或结构化存储)、程序记忆(怎么做事的技能与提示模板)。主流实现是「短期上下文 + 长期存储 + 检索注入」:写入侧做摘要、抽取实体与事实、去重与冲突处理;读取侧按当前 query 做混合检索(向量 + 关键词 + 时间衰减),必要时多跳。

多跳检索靠「查询分解 + 迭代检索」:先把复合问题拆成有依赖的子问题,逐跳检索并用上一跳的答案改写下一跳的查询(IRCoT、Self-Ask 这类做法),每跳都要判断证据是否足够、是否需要回溯;工程上要控制跳数与预算,并保留每跳的证据链以便溯源。教育场景的典型多跳是「这个学生这道题为什么错 → 涉及哪个知识点 → 该知识点的前置概念是什么」。

workflow 与 agent 的边界是「路径是否可预先枚举」:步骤固定、可审计、要求稳定的用 workflow(编排图、状态机),例如批改、组卷、内容审核;需要根据中间结果动态决定下一步、工具组合不确定的用 agent,例如答疑、排障。实践里常用「workflow 骨架 + agent 节点」:外层用确定性流程保证可控,内层把开放决策交给模型。多 Agent 的适用条件是子任务可独立、上下文可隔离、收益大于通信成本;难点在上下文传递(传什么、传多少)、状态一致性、错误传播与调试。

RAG 与文件系统做记忆的取舍:RAG 的优势是写入即索引、按语义召回、跨用户隔离靠元数据过滤,缺点是更新与删除要同步索引、精确查询(按 id、按时间范围)不如结构化存储;文件系统适合让 Agent 自己组织长文档与工作区(读写、编辑、版本),但检索靠遍历与文件名,规模一大就退化成线性扫描。多租户场景下文件系统的问题更明显:目录隔离依赖路径拼接,越权只需构造一个相对路径,配额、并发写、备份与迁移都很难按租户切分;而 RAG 的隔离可以在检索层用 tenant_id 强制过滤,配合行级权限与加密。

上下文动态注入控权限的本质是「能力随身份变化」:把用户身份、角色、数据范围解析成一份权限清单,在构造系统提示与工具表时按清单裁剪——没有权限的工具根本不出现在上下文里,检索时在查询层加 tenant 与数据域过滤,而不是靠模型自觉不越权。效果衡量要看越权请求的拦截率、正常任务的完成率、以及注入后上下文的 token 增量;只报拦截率不看完成率,会把「全部拒绝」当成好结果。

千万级用户的记忆系统要先做冷热分层:热数据(最近会话、当前任务状态)放 KV 或内存并设 TTL;温数据(近几个月的事实与摘要)放向量库加元数据索引;冷数据归档到对象存储,按需回捞。写入侧做异步管道(消息队列 + 批量 embedding),读取侧做多级缓存与查询裁剪;按用户分片并限制单用户记忆条数与检索预算,避免头部用户拖垮集群。合规上要能按用户删除、导出与审计。

「100 道错题」这类长上下文的处理:不要全塞进窗口,先按知识点聚类,再按错误频次与最近时间排序,只把「高频错题 + 典型错因 + 对应知识点」注入;其余留作可检索索引,由模型按需查询。回答时给出「摘要层 + 索引层 + 原文层」的三层结构,并说明每层的 token 预算。

模型输出错误脚本的兜底:脚本生成后先做静态检查与沙箱试运行(限制文件系统、网络与执行时长),失败则把报错回灌给模型重试并限制次数;对不可逆操作要求人工确认,并保留上一版可用脚本用于回滚。并发高导致队列阻塞时,按优先级分队列、给交互式请求预留配额、对批量任务做限流与背压,必要时降级到同步小模型或直接告知用户排队时长。