面灵AI→

字节 AI 全栈日常实习一面:35 分钟视频链路与长任务压缩

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

  1. 自我介绍。
  2. 做过的内容以及困难怎么解决。
  3. 问简历的项目:Agent 项目的 token 消耗、评测是怎么做的。
  4. 追问 OCR、ASR 是否消耗 token(项目里的)。
  5. 场景题:35 分钟视频上传,你的项目会怎么做?考察项目链路。
  6. 为什么不直接把 35 分钟视频交给大模型?
  7. 大模型解析视频不会有缓存吗?为什么采用你的项目而不用多模态大模型?
  8. 对前端有了解吗?
  9. 考察 MySQL 底层实现、索引怎么加:一张表有 100 个字段,需要都加索引吗?
  10. 考察对 Pi agent 的理解(第二个项目基于 Pi 实现)。
  11. 长任务压缩策略:长任务 token 多,运行时的压缩策略是什么?
  12. 手撕:LeetCode 3,无重复字符的最长子串,并追问时间复杂度。
  13. 反问:这个岗位对实习生的要求。

《参考解析》

35 分钟视频的处理链路:不能整段塞给模型。链路是:上传到对象存储 → 抽取音轨 → ASR 转写(分段、带时间戳)→ 关键帧抽取(按镜头切换或固定间隔)→ 文本分块与向量化入库 → 检索或按时间线组织 → 模型基于转写与关键帧摘要生成结果。工程上要处理长任务:分片并行、断点续跑、进度回传、失败重试,以及 token 预算控制(只把相关片段送进模型)。

为什么不直接交给多模态大模型:一是上下文与时长限制,35 分钟视频的帧序列远超窗口;二是成本,逐帧送模型的开销比 ASR + 少量关键帧高一个量级;三是可控性,转写文本可检索、可引用时间戳、可人工校对,纯视觉理解难以定位依据。缓存的疑问要分清:模型侧的前缀缓存只在相同输入前缀时有效,视频内容各不相同,命中率极低;而自己的链路可以缓存转写结果与向量,重复提问不必重跑。

100 个字段是否都加索引:不需要。索引不是越多越好——每个索引占空间、拖慢写入、增加优化器选择成本。只给高频查询条件、连接字段、排序分组字段建索引;优先联合索引覆盖多个条件(注意最左前缀),区分度低的列(性别、状态)单独建索引收益很小。还要避免冗余索引(已有 (a,b) 就不必再建 (a))。

Pi agent 与长任务压缩:Pi 这类 Agent 框架的核心是「模型 + 工具 + 循环」,理解其消息组织、工具调用协议与中断恢复机制。长任务压缩的运行时策略:保留系统提示与最近若干轮原文;把更早的轮次摘要成结构化记录(目标、已完成、关键结论、待办);工具输出只留摘要与引用,原文落盘可回查;接近窗口阈值时触发压缩而不是等到报错;压缩后校验关键约束是否还在(否则模型会丢目标)。

手撕 LeetCode 3:滑动窗口 + 哈希表记录字符最近出现的位置。右指针扩张,遇到重复字符时把左指针移到 max(left, lastIndex[c] + 1),每步更新最大长度,时间 O(n)、空间 O(字符集)。暴力解法是 O(n²) 枚举起点并逐字符判重,面试时要能说出两者的差距以及为什么滑动窗口不会漏解。

岗位要求:这个岗位培养 to B 与 to C 的全栈人才,需要前端与后端都了解,不止于调接口。回答时如实说明前端的边界(做过什么、没做过什么),并给出补齐计划。