快手 AI 应用开发一面：Agent 设计 + AI Coding 工作流

《面试题目》

1. 自我介绍，重点介绍你的技术方向和 AI Agent 相关经验。
2. 你在项目中使用过哪些 AI 编码辅助工具（Cursor、Codex）？如何协作保证代码质量？
3. 你设计过工具调用结果缓存吗？如何决定哪些结果可缓存？缓存内容／时长怎么定？
4. 用户长期偏好（语言／地点）的存储数据结构是什么？
5. Agent 敏感信息泄露防护（输入过滤／输出脱敏）怎么做？
6. 系统设计：智能文档审阅 Agent（风险标注／修改建议），你怎么设计？
7. Java ThreadLocal 在会话管理中的使用及内存泄漏注意？
8. 意图识别模块（分类模型 vs 规则引擎）及准确率提升？
9. 工具调用失败常见原因？如何优化工具调用成功率？
10. Agent 记忆模块如何设计？上下文无限膨胀有哪些处理方案？
11. Agent 项目 Token 成本从哪些维度做优化？
12. 结合业务，设计一个行程规划 Agent，你会怎么设计？
13. 你刚才提到用了 RAG，完整描述 RAG 全流程，RAG 有哪些手段解决幻觉问题？
14. LangChain 和 LangGraph 的区别，为什么现在项目优先 LangGraph？
15. 说说你理解的 Agent，核心组件有哪些？
16. 如果 AI 连续三次没修好一个 Bug，你会怎么处理？策略是什么？有没有真实案例？
17. 你平时怎么用 AI 写代码？AI Coding 工作流完整描述一下：从拿到需求到提交代码，AI 参与了哪些环节？
18. 如果 AI 生成的代码能跑但逻辑很烂，哪些问题必须改？你怎么发现这些问题？有没有自动化检查手段？
19. 你是怎么管理 AI 编程时的上下文的？如果 Context Window 满了，你会优先丢弃哪部分信息？
20. 你怎么看待 Spec-driven development 在 AI 时代的演变？
21. 你认为现在的 AI Coding 工具最大的瓶颈是什么？
22. 操作系统的知识怎么应用到 Agent 开发里的？
23. 除了 AI 项目，传统的后端项目做过哪些？
24. 挑一个你最满意的 AI 落地场景讲讲难点？
25. 为什么你的 RAG 方案里没用 Knowledge Graph？
26. 在 Token 消耗上做过哪些具体的成本控制？
27. 你自己定义过哪些 Function Call（Tools）？
28. 现在写代码主要用什么 AI 辅助工具？用 Cursor 的时候有什么独家技巧吗？
29. 为什么有时候 AI 生成的代码虽然能跑但逻辑很烂？
30. 你怎么保证 AI 生成代码的长期可维护性？
31. 如果让你从 0 到 1 设计一个 Coding Agent，你的思路是什么？
32. 你觉得校招生应该具备哪些能力？
33. 手撕题：反转链表。追问：如果链表有环怎么处理？如果要求每 k 个一组反转呢？如果链表长度是 10 亿、内存放不下怎么办？

《参考解析》

Agent 记忆要分短长期，上下文膨胀靠分层治理：工作记忆（当前会话）放最近若干轮原文加工具调用摘要，情景记忆存历史任务与结论，语义记忆存用户稳定偏好（语言、地点、习惯），三者存取路径不同。治理膨胀的手段包括：按优先级裁剪（系统提示与工具契约不裁，早期历史先压缩）、滚动摘要（每 N 轮把旧对话压成结构化要点）、工具结果外置（大返回落对象存储只留引用与摘要）、检索式回忆（需要时按向量检索取回而不是全塞进 prompt）。偏好类数据用结构化 KV 或带 TTL 的表存，不要指望模型「记住」，否则既费 Token 又容易串味。

工具调用缓存与成功率优化是两件配套的事：可缓存的前提是「无副作用 + 参数足以决定结果 + 结果时效可接受」——查询类适合缓存，写操作绝不能缓存；缓存键用工具名加规范化参数哈希，TTL 按数据变化频率定（汇率分钟级、订单状态秒级、知识库条目按版本号失效），并给缓存加灰度和命中率指标。调用失败常见原因分四类：参数不合 schema（模型编造字段）、鉴权与限流、下游超时或 5xx、同名工具选错。对应手段是：用 JSON Schema 严格校验并把错误信息回灌给模型自我修正、给工具写清一句话描述与正反例、收敛工具数量、加超时与重试（只重试幂等操作）、连续失败降级到确定性兜底。衡量就看调用成功率、平均步数与无效调用占比。

RAG 全流程要说成一条可调优的流水线：解析清洗 → 切分（按结构语义切，重叠窗口兜住跨段语义）→ 向量化（选与检索语言匹配的 embedding，注意对称／非对称）→ 索引存储（向量库加元数据过滤）→ 查询处理（Query Rewrite、多查询扩展、意图路由）→ 检索（向量召回 + 关键词 BM25 混合，RRF 或加权融合）→ 重排（cross-encoder 精排）→ 生成（带引用、约束只能依据片段作答）→ 评估与回流（召回率、忠实度、答案相关性）。抑制幻觉的抓手是：召回质量（宁缺毋滥、加相似度阈值）、强制引用与拒答（检索为空或分数过低就说不知道）、生成后一致性校验、把坏例沉淀成评测集。至于为什么没上 Knowledge Graph，可以老实答：收益集中在多跳关系推理，而当前业务问题多属单跳事实检索，图谱的构建维护成本远高于增量收益——讲清取舍比硬上更好。

AI Coding 工作流要有明确的人机分工：拿到需求先自己写清边界与验收标准（Spec 先行），再让 AI 起草方案与骨架，人审查接口与数据流；实现阶段小步提交，每步都保持可运行；验证靠类型检查、lint、单测与端到端跑通，AI 可以生成测试骨架但断言由人把关。连续三次修不好同一个 Bug 就该停下——说明前置假设错了，正确动作是回到最小复现、缩小范围、必要时换实现路径或求人 review，而不是继续换 Prompt 硬试。判断「能跑但逻辑烂」的信号包括：吞异常、重复实现、隐藏的并发假设、硬编码、边界缺失、无意义抽象，发现手段是 review 清单加静态扫描加针对性单测。被问到 AI 工具瓶颈或校招生能力时，答题要落到可验证的证据：AI Coding 的短板在于缺乏项目级长期记忆与真实运行反馈，人的价值前移到定义问题、设定约束、验收结果。

系统设计题按「输入—决策—执行—输出—兜底」五段答：智能文档审阅 Agent 的输入是文档（先解析结构分块），决策层做风险识别（分类模型或规则库打标）与修改建议生成，执行层调用检索（法规、模板库）、比对工具、批注写入接口，输出要带定位（第几段第几行）、置信度与依据引用，兜底是低置信度转人工、批量任务限流与审计日志。行程规划 Agent 则要设计工具集（天气、地图、票务、支付）、约束求解（预算、时间窗、偏好）、异常处理（天气变化触发重规划）、多轮澄清（缺预算或日期主动问）与用户确认点（下单类动作必须确认）。两者共同的采分点是：工具契约清晰、幂等与超时、失败可恢复，以及人在关键节点有否决权。

手撕反转链表的追问考的是边界与规模：基础版本用三指针迭代或递归，注意头结点、单节点与递归栈深度。链表有环要先判环——快慢指针找到相遇点后直接反转会死循环，正确做法是定位入环点、断环再反转，或者先判环直接返回错误。每 k 个一组反转要在反转前数够 k 个，不足 k 个保持原序，注意组间前后指针的接续。长度 10 亿、内存放不下时，思路要换成外部存储或流式处理：把链表分片落盘（或放分布式存储），片内先反转，再通过指针文件拼接，或者用「多次遍历 + 固定大小缓冲」把驻留内存压在常数级。这类追问的采分点不是写出代码，而是你能说出「内存放不下时算法变成 IO 密集型，瓶颈在磁盘与网络而不是指针操作」。