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
- 做一下自我介绍。
- 现在还在实习,还是回学校了?
- 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?
- 学校还有课吗,需不需要回学校上课?
- 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?
- 你的新项目是用 Python 开发的吧?
语言运行机制与操作系统
- 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?
- 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。
- JVM 跟 Java 程序是什么关系,同样从进程角度看。
- 就按学过的操作系统基础知识推断,JVM 是怎么工作的?
- 如果让你设计一套这种机制,你会怎么设计?
- 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
- 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。
- 描述一下关键词的规则,怎么维护?比如新增或修改。
- 为什么加关键词命中这层逻辑,全部用大模型判断不行吗?
- 实际统计过吗,有多少比例命中这个规则?
- 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
- 实习简历里提到的 DCI 问答是怎么实现的?
- 具体是怎么实现的(追问)?
- 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?
- 简历上写的自研 harness 和消融实验,做的是什么?
- 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
- 结合这个项目,讲一下 AI Agent 是怎么工作的。
- 执行外部工具是在哪里执行的,在大模型那边吗?
- 大模型怎么知道有哪些工具可以调用?
- 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?
- 它怎么决定下一个 token 生成什么?
- 一直生成 token,什么时候结束,怎么知道该结束?
- 追问:EOS 这个标识符是怎么产生的?
- 你刚提到 QKV,常说的 KV Cache 是干嘛的?
- 为什么每次新生成的 token 都要看前面所有 token?
- 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?
- 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
- 操作系统里的进程是如何启动的、怎么工作?
- 计算机基础知识里,你觉得哪一块掌握得比较好?
- 你提到用 Python 的 FastAPI 做过 Web 开发吧?
- 介绍一下 FastAPI 是什么、主要做什么。
- 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?
- 一个 Web 服务有不同接口、逻辑不同,怎么发到对应代码里?
- 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?
- 如果要你实现这个功能,你会怎么实现?
- 假设用哈希找到对应的类,作为框架怎么做得通用?
- 你想想你的 Spring Boot 里有继承什么类吗?
- 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
- 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。