面灵AI→

OPPO Agent 一面:框架抽象、上下文压缩与记忆分层

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

  1. 为什么考虑 OPPO?
  2. 请做自我介绍。
  3. 实习任务是什么?
  4. 框架如何抽象 ReAct 等不同 Agent 架构?业务方知道自己要用哪种模式时,如何显式指定?
  5. 框架的上下文压缩具体怎么做?
  6. 框架为开发者使用 Function Calling 提供了哪些能力?
  7. 工具数量较多时,框架如何做工具召回和检索?
  8. 办公助手采用了什么 Agent 架构?为什么选它?
  9. 对长程任务,ReAct 是否仍然合适?你如何判断什么时候需要规划和执行分离?
  10. 多 Agent 之间如何共享上下文?主 Agent 是否应把全部上下文交给每个子 Agent?
  11. 你做过哪些记忆管理?记忆如何分层、保存和召回?
  12. 一个月前的问答属于什么记忆?跨 Session 后如何使用?
  13. 从历史对话提取的事件,与稳定的用户画像、偏好和习惯,应该放在一起管理吗?

《参考解析》

架构抽象的落点:把 Agent 运行抽象为「状态 + 节点 + 边」的图,节点只有几类——模型调用、工具调用、条件判断、终止;ReAct 是「模型调用 → 解析 action → 工具调用 → 回填 observation → 再进模型」的自环,Plan-and-Execute 是「规划节点产出一张步骤表 → 逐步执行 → 失败回规划」的两段结构。业务方显式指定时给的是工作流标识加配置(最大步数、终止条件、可用工具集、是否允许并行工具调用),框架按注册表取对应的图实例;需要定制时允许传入自定义图,而不是在同一个循环里塞一堆 if。

上下文压缩:先定触发条件(token 占比、轮数、工具结果累计长度),再定策略。常用组合是保留 system 与最近若干轮原文、把更早的对话压成摘要、对超长工具结果做截断或二次摘要、把稳定的结构化状态(任务清单、已确认事实、文件路径)外置到 scratchpad 而不是留在对话里。压缩必须发生在轮次边界,且保证 tool_call 与 tool_result 成对,否则模型会报参数缺失;压缩后要重新计数 token 并保持消息前缀稳定,否则整段缓存失效,成本反而上升。

Function Calling 的框架能力:从类型或装饰器生成 JSON Schema、调用前做参数校验并把校验错误回传给模型、支持并行工具调用与流式增量解析、提供超时与取消、把工具结果裁剪成模型可读的短结构、统一错误码、按权限决定哪些工具对该用户可见,以及工具调用的审计日志。参数校验失败不要让框架直接抛异常终止,应作为一条工具结果返回,让模型自行修正。

工具召回:工具数量到几十上百个后,全量塞进 system 会挤占上下文并降低选择准确率。做法是分层:先按命名空间或服务选一组,再用工具描述向量召回 top-k,最后只把选中工具的完整 schema 放进本轮请求;也可以两阶段,第一阶段只给工具名与一句话描述做选择,第二阶段再给完整 schema。召回应带规则兜底(最近使用、显式指定的工具集),并把工具表缓存在稳定前缀里。

长程任务与 ReAct:ReAct 每一步只看局部观察,没有全局计划,任务一长就容易重复动作、偏离目标、上下文爆炸。判断是否拆分规划与执行的信号很直接:步骤数超过十来步、步骤之间有依赖关系需要排布、需要跨会话恢复、需要人工审批节点、或者失败重试的代价高。短任务和探索性任务仍适合 ReAct,因为计划本身在信息不足时没有意义。

多 Agent 上下文共享:共享结构化事实而不是复制完整对话。主 Agent 维护一份共享状态(目标、约束、已完成步骤、产物位置),子 Agent 启动时只拿与自身任务相关的最小上下文和明确的交付契约,返回摘要与产物引用而不是全量轨迹。把全部上下文交给每个子 Agent 会让 token 成本随 Agent 数线性增长,也会让子 Agent 被无关信息干扰。

记忆分层:工作记忆是当前会话的对话与临时状态;情节记忆是按时间索引的历史事件与问答;语义记忆是从事件中归纳出的稳定画像、偏好与习惯;程序记忆是可复用的技能与提示模板。一个月前的问答属于情节记忆,跨 Session 使用时按查询改写后做向量召回,再叠加时间衰减与相关性阈值,注入时标注时间与来源,避免把过期结论当成当前事实。

事件与画像不宜混存:事件带时间、可增删、可能只反映一次偶发情况;画像是归纳后的属性,需要置信度、来源与更新策略。混在一起最直接的后果是一次临时偏好被写成长期画像,之后每次对话都被错误地个性化。合理做法是事件表独立存储并可回溯,画像由事件定期归纳生成,冲突时以近期高置信度证据覆盖,并允许用户查看与纠正。