面灵AI→

腾讯游戏安全后台开发一面(已挂):Python 脚本怎么在操作系统里跑起来、Agent 原理与 Spring Boot 路由

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

开场与基本情况

  1. 做一下自我介绍。
  2. 现在还在实习,还是回学校了?
  3. 后面的实习时间怎么安排,从什么时候开始、大概能持续多久?
  4. 学校还有课吗,需不需要回学校上课?
  5. 简历写的开发语言主要是 Java 和 Python,你对岗位的语言要求怎么看?
  6. 你的新项目是用 Python 开发的吧?

语言运行机制与操作系统

  1. 用 Python 和计算机基础课的关系是什么?起一个 .py 脚本,它在操作系统里具体是怎么执行的?
  2. Python 解释器是跟程序一起执行的吗?纯从操作系统进程角度看。
  3. JVM 跟 Java 程序是什么关系,同样从进程角度看。
  4. 就按学过的操作系统基础知识推断,JVM 是怎么工作的?
  5. 如果让你设计一套这种机制,你会怎么设计?
  6. 追问:不是问原理或特性,是问它怎么在操作系统里跑起来。

项目:二手车关键词意图路由

  1. 从一段实习加两个项目里挑一个最能体现技术能力与项目深度的,详细介绍。
  2. 描述一下关键词的规则,怎么维护?比如新增或修改。
  3. 为什么加关键词命中这层逻辑,全部用大模型判断不行吗?
  4. 实际统计过吗,有多少比例命中这个规则?
  5. 关键词命中用什么方法,类似正则吗,还是别的?

项目:DCI 问答与 Pi agent

  1. 实习简历里提到的 DCI 问答是怎么实现的?
  2. 具体是怎么实现的(追问)?
  3. 项目里 Agent 其实没改动,只是 Python 代码里调了 Pi 进程让它执行,是吧?
  4. 简历上写的自研 harness 和消融实验,做的是什么?
  5. 所以结论是 Agent 能力不需要很强、工具够好就能达到效果?

Agent 原理与大模型原理

  1. 结合这个项目,讲一下 AI Agent 是怎么工作的。
  2. 执行外部工具是在哪里执行的,在大模型那边吗?
  3. 大模型怎么知道有哪些工具可以调用?
  4. 大模型收到一次请求后内部怎么工作,怎么根据输入产生输出?
  5. 它怎么决定下一个 token 生成什么?
  6. 一直生成 token,什么时候结束,怎么知道该结束?
  7. 追问:EOS 这个标识符是怎么产生的?
  8. 你刚提到 QKV,常说的 KV Cache 是干嘛的?
  9. 为什么每次新生成的 token 都要看前面所有 token?
  10. 一次请求是无状态的,为什么 Agent loop 里反复对话能记住之前信息、做出稳定产出?
  11. 刚提到这些功能,你有去看 Pi 是怎么实现的吗?

操作系统与后端框架

  1. 操作系统里的进程是如何启动的、怎么工作?
  2. 计算机基础知识里,你觉得哪一块掌握得比较好?
  3. 你提到用 Python 的 FastAPI 做过 Web 开发吧?
  4. 介绍一下 FastAPI 是什么、主要做什么。
  5. Spring Boot 里,一个 HTTP 请求从客户端发起到进入业务代码,流程是怎样的?
  6. 一个 Web 服务有不同接口、逻辑不同,怎么发到对应代码里?
  7. 追问:不同请求地址怎么通过 Spring Boot 框架最后到你的代码,这块怎么实现?
  8. 如果要你实现这个功能,你会怎么实现?
  9. 假设用哈希找到对应的类,作为框架怎么做得通用?
  10. 你想想你的 Spring Boot 里有继承什么类吗?
  11. 连续追问:你的方案是不是「基类 + 继承」?反过来你写每个 path 的逻辑时,用的是继承还是别的方式?

收尾

  1. 最后有没有内容补充,或其他问题要讨论?

《参考解析》

起一个 .py 脚本在内核眼里发生了什么:用户在 shell 输入命令后,shell 调 fork 复制出子进程,子进程调 execve 把 /usr/bin/python3 的 ELF 加载进地址空间,内核解析 ELF 头、建立新的内存映射(代码段、数据段、堆栈)、把参数与环境变量压栈,然后把控制权交给解释器的 _start。解释器启动后初始化运行时(堆、GC、模块导入系统),读取 .py 文件、词法语法分析成 AST、编译成字节码,再由 CPython 的求值循环逐条执行字节码;期间遇到 IO 走系统调用陷入内核。所以「解释器与程序一起执行」的说法不准确:解释器本身就是一个进程,你的脚本是它读入的数据,没有独立进程。

JVM 与 Java 程序的关系:同样从进程角度看,java Main 启动的是 JVM 这个进程,JVM 用 C++ 写成,先做自己的初始化(解析参数、建堆与元空间、加载核心类库),再通过类加载器把 Main.class 读进来、验证、准备、解析、初始化,最后由字节码执行引擎解释执行或 JIT 编译成本地代码。Java 代码不是被内核直接执行的,内核只负责把 JVM 的 ELF 加载起来。自己设计这套机制时,核心是三件事:定义一个可移植的中间表示(字节码)、写一个能加载并解释它的运行时、以及把内存管理与线程调度收进运行时里,代价是启动开销与「不直接跑在硬件上」的性能损失,收益是一次编译到处运行。

为什么加规则层而不是全用大模型:关键词意图路由本质是「用确定性手段处理高频明确意图」。全用大模型的代价是延迟、成本与不确定性——每次请求都要过模型,P99 延迟和 token 成本随流量线性上升,而且同一个 query 可能给出不同结果。规则层把高频、边界清晰的 query 用词典或正则精确命中,剩下的长尾再交给模型,既压成本又保稳定。规则维护的关键是把词典做成配置而不是代码:运营可增删词、支持同义词与否定词、按业务线分组、灰度发布并能回滚,同时记录命中日志以便评估覆盖率。面试官追问命中率,是看有没有量化——上线后规则命中的比例、误命中率、以及规则层与模型层结论不一致时怎么处理。

Agent 的工作原理与工具调用位置:Agent 是一个循环:把系统提示、对话历史与工具定义一起发给模型,模型输出要么是自然语言回复(结束),要么是一个结构化的工具调用请求(工具名 + 参数);执行框架在本地或服务端执行该工具,把结果作为一条新消息追加进上下文,再次调用模型,直到模型给出终止信号或达到步数上限。工具执行不在模型侧,模型只产出「要调什么、参数是什么」的文本,真正执行的是宿主程序,因此工具描述(名称、用途、参数 schema)必须写进请求里,模型才知道有哪些工具可用。

token 生成、终止与 EOS:模型把输入编码成 token 序列,经过多层注意力与前馈网络得到一个在词表上的概率分布,按采样策略(贪心、温度采样、top-p)选出一个 token,追加到序列后继续下一步,每步只新增一个 token。终止有两种:模型生成特殊的结束符 EOS,或达到 max_tokens、命中停止词。EOS 不是外部规则产生的,它在训练数据里就是序列结束的标记,模型学会了在回答完结时给它高概率。KV Cache 缓存历史 token 的 Key/Value,避免每步重算整段注意力,把复杂度从每步 O(n²) 降到 O(n),代价是显存随上下文长度线性增长。每次都要看前面所有 token,是因为自回归模型的每一层注意力都要对完整上下文做加权,当前 token 的表示依赖于前文。

无状态请求为什么能记住上下文:模型本身确实无状态,记忆完全来自「每次把历史重新发一遍」。Agent loop 每一轮都把之前的消息(用户输入、模型输出、工具结果)拼进请求,所以看起来连贯。工程上的问题是上下文会膨胀,需要在长度上限内做裁剪、摘要或检索式召回;同时因为每次都重发,前缀缓存(Prompt Cache)能显著降低成本与首字延迟。

Spring Boot 的请求路由:请求到达后由内嵌容器(Tomcat/Netty)接收并解析成 HttpServletRequest,交给 DispatcherServlet;它从 HandlerMapping 里按 URL 与请求方法找到对应的 HandlerMethod(RequestMappingHandlerMapping 在启动时扫描所有 @RequestMapping 注解,建立「路径模式 → 方法」的映射表),再通过 HandlerAdapter 反射调用,期间做参数解析、数据绑定、拦截器与过滤器链,返回值经 HttpMessageConverter 序列化成 JSON。要自己实现,核心是一个路径匹配器(精确匹配、路径变量、通配符,常用 Trie 或正则表)、一个注册表(启动时扫描注解建立映射)、以及一个调用器(反射 + 参数解析)。用「基类 + 继承」也能做(每个 Controller 继承一个基类并覆写方法),但框架层不会这么做——继承把路由和实现绑死、无法组合,注解加反射/函数式注册更通用。这题答不上来通常是只停留在「写 @RestController 就能用」,没有看过 DispatcherServlet 这条链路。