可观测性 面试题
共 18 篇真实面经 · 涵盖 腾讯 / 百度 / 得物 / 快手 / 同花顺 等 13 家公司
腾讯客户端开发三面:场景题与源码关键路径的答法
这篇帖文以三面复盘的形式整理场景题与源码追问的作答思路:面试官不会停在「是什么」,而是接着问「你会怎么做」——高并发下的库存与幂等、接口 RT 飙高与 CPU 打满的排查、百万数据导出如何避免 OOM、发布如何做到无损,并要求能讲清源码里的关键路径,用以支撑方案为什么成立。
百度 Agent 二面:不看简历、不做自我介绍,连抛 6 道架构题
百度 Agent 二面面经:全程开放式架构题,考 Agent 应用的分层与模块、通用 Runtime 的多厂商抽象、C 端 Token 成本控制、代码执行沙箱安全、上下文压缩与信息保全、Harness Engineering 演进、评测归因、Trace 可观测性与监控熔断、多 Agent 通信,最后手撕判断二叉树是否平衡。
百度架构一面:全链路可观测、断点续传与「让 MySQL 无上限集群化」
百度架构一面,二十道题几乎全部围绕实习项目做体系化追问:全链路可观测怎么落地、异常怎么用 Agent 快速定位、智能告警系统怎么设计、K8s 建 Pod 的时间花在哪、分片上传与断点续传细节、并发与串行传输的取舍、零拷贝,以及高并发评论服务与 MySQL 集群化的设计题。
得物后端一面:RAG 召回与生成归因、多轮意图与可观测性
得物后端一面只问 AI 项目:物流客服智能助手的背景与选型、切分与 top-k、召回问题和生成问题怎么区分、multi-query 的收益与副作用、BM25 适用场景、多轮摘要的意图保持、MongoDB 存上下文、召回率升但准确率降、偶发慢请求定位。
快手 C++开发 三面:P99 抖动定位与多工具并发聚合
快手 C++ 开发三面:从内部知识检索 Agent 的架构与指标讲起,追问 CPU 和内存正常时 P99 延迟怎么定位、线上 case 怎么找、多工具并发执行与结果聚合,以及 shared_ptr 在高并发下的数据竞争和性能问题。
同花顺一面面经(10.9)
同花顺后端一面面经:先聊教育背景、科研方向与实习难点,随后深挖接口异常与网络波动下的稳定性、重试设计、跨系统调用幂等与并发安全,并追问如何用 AI 做技术选型和线上问题定位、如何借 Trace 与定时分析改进 Agent 系统。
vast 后端开发一面面经
vast 后端一面,30 问几乎全围绕腾讯实习经历:问题定位与监控 Agent、全链路可观测、Go 埋点、AI 分析与 Codex 工作流、代码质量识别、K8s requests/limits 与节点池调度。
小米 AI Agent 三面:压力面,全程问“你踩过什么坑”
小米 AI Agent 三面压力面面经:全程追问工程细节,考多租户隔离与模型/沙箱资源划分、服务重启后的状态恢复、并发 1000 个沙箱的资源池与调度、长周期任务的行为漂移治理、代码审查 Agent 的漏检控制、RAG 与长上下文模型的关系、上下文压缩的信息保真与回退,最后手撕二叉树层序遍历。
小米 AI Agent 二面:金融理赔的确定性与追责
小米 AI Agent 开发二面:以传统后端与 LLM 应用差异开场,围绕保险理赔 Agent 的工具编排、材料不全与改口供处理、金额校验与转人工、权限与审计、追责与可观测性展开,延伸到金融风控 Agent 的规则引擎配合、误杀漏杀权衡、A/B 与 ROI 归因,最后手撕幂等状态机。
10.30 智物起源 Java 后端一面:RAG 编排、Agent 测试与 AI 工具链连问 26 题
智物起源 Java 后端一面(10.30):前半段全压在 RAG 项目上——编排怎么实现、数据处理链路用了哪些组件、历史文档版本怎么处理、用户问题怎么做预处理、改写与识别提示词怎么写、prompt 怎么迭代;中段问日志可观测性、Agent 怎么做测试与用例对比、上线后的 token 与延迟;后半段转到个人项目、AI 编程工具的选择与沉淀、团队分工与工作强度。
Agent 应用工程师面试题库:工具调用、记忆检索与线上排障
一份 Agent 应用工程师面试题库,按「主问题 + 逐层追问」组织,覆盖 Function Calling 链路与容错、结构化输出、记忆与上下文预算、RAG 幻觉排查、死循环兜底、写操作幂等、Prompt Injection 防护与线上排障。
百度一面:链路追踪、Agent 诊断评测与 RAG 管理
百度一面面经:以微服务链路追踪与 Agent 故障诊断为主线,追问跨语言 trace 如何拼接、服务与数据库实例如何定位、Agent 诊断的评测方式与 RT 长尾、RAG 新旧版本管理,以及让模型执行 SQL 时的脱敏与安全边界,另有两道可观测性场景题。
快手 AI 全栈一面(发券营销):Agent 可观测性与线上排查
快手 AI 全栈一面(发券营销),9 月 24 日:围绕 Agent 可观测性、用户反馈答案不满意时的归因排查、Redis 分布式锁的可靠性、MCP 的适用场景与一次主站故障的定位恢复展开。
腾讯社招二面面经(Agent 方向)
腾讯社招二面,围绕 Agent 项目的技术细节逐个追问:项目语言选型与 Go 的 Agent 框架、意图识别的具体实现与准确率如何验证、多意图请求怎么处理、上下文工程与 memory 模块的做法、KV Cache 命中率优化、多轮对话的上下文压缩是同步还是异步、agent 线上部署规模与用户量、全链路可观测性用什么存储、整体效果评测怎么做。
微店 AI 全栈开发秋招二面:Agent 可验证性与工程边界
微店 AI 全栈开发秋招二面面经:围绕 Agent 工程化能力展开,包括如何证明 Agent 执行结果不是偶然成功、如何用步数/时间/Token/预算约束执行范围、多国家法规知识库的元数据与版本隔离、图文审核冲突的仲裁、模型调用客户端封装、配置优先级与启动校验、工具依赖与参数补全、以及 JSON 合法但语义错误怎么兜。
作业帮 Agent 开发一面:评测体系与 Trace 闭环
作业帮 Agent 开发一面面经(9 月 23 日),整场围绕 Agent 工程化展开:工具调用幂等与断线重连、审计能力、真实对话 Trace 的收集回流、评测集构建与人工 Review、确定性指标与 Agent Reviewer 结合的评分报告,以及按低分 Case 定向调优。
拼多多服务端开发一面面经
拼多多服务端开发一面,重点追问代码运行时行为、JVM 与内核态切换、Agent 项目架构、MCP 粒度、埋点数据质量和端侧可观测性。
小红书引擎架构Java开发一面面经
小红书引擎架构Java开发一面,围绕短期/长期记忆设计、Redis选型与持久化、大Key问题、线程池参数与调用链可观测性等场景题展开,面试官全程耐心引导。