腾讯社招三面面经（Agent 方向）

《面试题目》

1. 运营活动开发代码重复率比较高，有没有内部的活动框架？
2. 有没有新增一个组件？
3. Agent 项目主要有多少人在做，分工是怎么样的？
4. memory 这一部分有用什么框架的组件之类的吗？
5. 意图识别是怎么做的？
6. 为什么抽象化后意图识别的效果更好？
7. 对 Agent 后续的场景、应用的方向有什么看法？
8. Agent 上线后对人效的提高有多少？
9. 整个 AI 行业，在具体的场景上，你特别看好哪些？
10. 你对于从应用层到框架层工作内容切换上的漂移，有什么看法？
11. 如果有足够量的 token，会做什么方面的创业？
12. 做这些项目的什么结果或过程会让你收获成就感？
13. 最近一段时间被最严厉地批评，或者跟周边同学最激烈的冲突是什么情况？
14. 整个开发过程中对 AI 的使用情况怎么样？
15. 端到端工作流的成熟度怎么样？
16. AI coding 使用率会有什么指标要求吗？
17. 用 AI coding 怎么保证输出质量？
18. 有使用到 TDD 吗？

《参考解析》

1. 意图识别怎么做、为什么抽象化后效果更好：早期常见做法是为每个具体话术写规则或训练一个多分类模型，问题是话术一变就要改、类目一多就互相干扰、标注成本也随类目线性增长。抽象化的做法是先定义一层稳定的「意图族」（按用户想达成的目标分类，而不是按说法分类），把具体说法当作族内的表达变体，再用模型 + 少量示例做归类，模糊或低置信度的直接走澄清追问而不是硬猜。效果变好的原因是：分类空间的维度降下来了、类别之间的语义距离拉开，模型不用在细枝末节上纠结；同时新增场景往往能落进已有族里，不需要重新训一版。工程上还要留一条「都不属于」的出口，否则什么请求都会被强行归类。

2. Memory 该怎么做：别把 memory 当成「把历史对话全塞回 prompt」。实用的分层是：当前会话的工作记忆（最近几轮原文）、会话级的摘要（定期把旧轮次压成结构化结论）、跨会话的长期事实（用户偏好、项目背景这类稳定信息，单独存并带来源）。写入侧要判断「什么值得记」——有长期复用价值的才写，一次性的中间过程不写；读取侧按相关性检索，而不是全量拼接。框架只是载体，真正的难点是「记错了怎么纠」和「摘要丢了信息怎么追溯」，所以每条记忆最好保留出处和时间。

3. Agent 上线后人效怎么衡量：不要只报「处理了多少请求」。有说服力的口径分三层：替代度（原本需要人工多少工时，现在多少）、质量（同样任务的准确率/返工率有没有下降）、以及覆盖面（有多少比例的真实请求真的走了新链路，而不是被人工兜底吃掉）。如果只报调用量不报兜底率，看起来很美，实际是人还在后面擦屁股。

4. AI coding 怎么保证质量、要不要 TDD：AI 写的代码质量靠确定性的闸门而不是靠信任——类型检查、lint、单测、构建、必要的端到端探针，红了就退回重写。TDD 在 AI 协作里确实更顺：先写测试等于先把验收标准固定下来，模型的自由度被约束在「让测试通过」这个明确目标上，返工次数明显下降。但它有前提——需求本身能被断言化；对于 UI 观感、策略判断这类没有明确断言的任务，TDD 换来的只是形式上的覆盖率，不如换成「给正反例 + 人工验收」。实践上更常见的是「关键路径写测试 + 其余靠类型与评审」。

5. 被严厉批评/激烈冲突怎么答：这题看的是「你有没有面对冲突并从中改变」。讲一件真事：当时的分歧是什么、对方的立场你后来怎么理解的、你做了什么调整、之后工作方式有什么变化。别答「我们团队很和谐没冲突」，也别把责任全推给对方。