拼多多 AI Agent 岗一二面:RAG 切块评估、记忆分层与多 Agent 协作
- 轮次
- 一面+二面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- RAG 的 Chunk 怎么切,效果怎么测?
- 短期记忆、长期记忆各存什么?
- 多 Agent 怎么分工、共享状态?意见不一样怎么办?
- 手写:LRU 怎么实现?
《参考解析》
Chunk 切分的原则是「不要把一个语义单元拆散」,评估的原则是「检索与生成分开看」。 切分时先保留结构化信息(标题、来源、版本、章节层级),再按段落或语义边界切,宁可让一个块里带上它所属的小标题,也不要把一个定义和它的例外条件分到两个块里。块大小与重叠量没有普适最优值,要按文档类型调:制度类文档段落长、块可以大一些;FAQ 类短问答适合一问一块;代码文档要按函数或类切。工程上常用递归切分(先按标题、再按段落、最后按句子)+ 父文档检索(小块用于召回、召回后带出它所属的大块给模型),能在精度和上下文完整性之间折中。
评估要拆成检索和生成两段,这是回答里最能加分的地方。 检索段看:该命中的证据有没有被召回(Recall@K)、排序有没有把它排到前面(MRR / NDCG)、以及召回的内容里有多少是噪声(准确率)。生成段看:给定正确上下文时答案是否用对了证据、有没有超出上下文的编造。做法是给每个测试问题标注一条或多条「必须命中的证据片段」,然后用固定问题集做对照实验,每次只改一个变量(切块大小、重叠、embedding 模型、rerank 是否开启),看证据召回与答案正确率的联动。另外必须专门准备「知识库没有答案」的题,测模型会不会胡编——这是 RAG 上线后最容易出事的地方。
记忆分层的关键是「什么该跨会话保留、什么只在这一轮有用」。 工作记忆/短期记忆存当前任务的执行状态:处理到哪一步、已确认的事实、待办事项、临时工具结果,要求可恢复、可截断(超长时按重要性或时间淘汰);长期记忆存跨会话仍然成立的偏好、身份信息、历史结论,写入要有触发条件(用户明确说「记住」、或多次重复出现的事实),并且必须带过期时间与删除入口。原文(转写、文档)与摘要要分开存:摘要方便检索但会丢细节,回答需要引用时回到原文核对。向量库做语义检索,结构化字段(时间、人物、项目)做过滤,两者结合比纯向量更准。
多 Agent 的分工要先写清每个角色的输入与验收条件,再决定要不要拆。 典型划分是按职责:一个找证据、一个产出结论、一个做校验,协调者负责汇总与冲突处理。共享状态用一份带版本号的任务黑板(谁改了什么、基于哪个版本的输入),交接时带齐任务描述、输入版本、产物和待确认项。冲突处理的原则是「回到原始证据」而不是投票:两个 Agent 结论不一致时,看各自引用的原文是否支持自己的结论,谁引不出来谁让步;如果都无法判定,升级给人或给出两个候选并标注不确定。还要能说出不拆的理由——如果拆完只是多一次转述、没有并行收益或专业分工,单 Agent 加工具更简单可靠。
LRU 的实现是哈希表 + 双向链表: 哈希表存 key 到链表节点的映射,实现 O(1) 定位;双向链表维护使用顺序,头部是最近使用、尾部是最久未使用。get 命中就把节点移到头部并返回值,未命中返回 -1;put 时若 key 已存在则更新值并移到头部,不存在则新建节点插到头部、哈希表记录,若超出容量则删掉尾部节点并同步删哈希表项。用哨兵头尾节点可以省掉大量判空分支。要主动补边界用例:容量为 1、重复更新同一个 key(不能算两次占用)、get 也会改变淘汰顺序、容量为 0 的退化处理。如果面试官继续追问,可以接「并发场景怎么加锁」(分段锁或 ConcurrentHashMap + 同步链表)、「怎么做到近似 LRU 又省内存」(Redis 的采样淘汰)、以及「TTL 怎么加」(每个节点带过期时间 + 惰性删除 + 定期清理)。