上下文管理 面试题
共 46 篇真实面经 · 涵盖 多家公司 / 百度 / 快手 / 千问 / 某公司 等 29 家公司
243 篇 AI Agent 面经的话题统计:上下文、重试、幂等与超时才是高频考点
对 243 篇 AI Agent 方向面经做话题统计:上下文出现 156 篇(64%)、重试 113 篇(47%)、幂等 104 篇(43%)、超时 95 篇(39%)、RAG 112 篇(46%)、评测 103 篇(42%)。结论是岗位真正在考的不是新名词,而是长对话怎么管、失败怎么重试、重复执行怎么防、效果凭什么说变好了。
百度 AI Agent 开发一面:提示词、上下文预算与异步并发十二问
围绕一个「根据笔记出题」的课程项目连环追问:提示词与 few-shot 的取舍、temperature 与 top_p 的区别、上下文超限的裁剪顺序、结构化输出与分层校验、工具参数语义与错误契约、Agent 循环的退出条件,最后落到 async/await 与 asyncio.gather 的并发实现。
快手一面:B+ 树、千万级数据估深度与生产级 Agent 框架
快手一面:MySQL InnoDB 索引为什么用 B+ 树、一千万数据估算树深度、联合索引与索引失效场景;后半场全是 Agent 工程——生产级 Agent 框架的核心模块、模型网关要解决什么、上下文管理与工程持久化的区别、短期与长期记忆、工具系统设计、Skills/CLI/MCP 的概念与使用场景,最后是项目拷打和 AI coding。
千问 Agent 社招一面:Neo4j 建图、工具误调用与上下文溢出
千问 Agent 社招一面(硕 5 年,对标 P7):个人经历与团队角色、是否会前端、为什么以 Java 为主;项目架构为什么选 Neo4j、图数据库承担什么职责、为什么不用 LangGraph;工具调用有没有选错或不该调却调了、参数传错时是否直接失败、有没有让模型观察错误再纠正;知识图谱怎么建、是否用本体方法论、实体关系靠人工还是大模型抽取、语义消歧怎么做;上下文溢出怎么解决、结构化状态对象包含哪些字段;新框架内置 Trace 与独立可观测平台的区别。
Agent 方向技术面:Agent RAG、LangGraph、harness 与上下文管理
一场 Agent 方向的技术面追问:Agent RAG 与传统 RAG 的区别、LangChain 与 LangGraph 的使用情况、对 harness 架构的了解、上下文窗口管理的几种方式(截断、memory 文件、摘要),以及 LLM 底层如何生成答案。作者复盘自己只做过应用层,底层机制答不上来。
Agent 面试怎么练到能接住追问:RAG 答错先查什么、上下文压缩保留什么
一篇 Agent 面试练习方法帖:用「先口述、再加条件」的方式练追问,并给出 RAG 答错排查、上下文压缩、工具超时恢复三道题的参考答法。
百度 Agent 算法岗一二面面经:Agent 架构、上下文管理与 Skill 设计
百度 Agent 算法岗一面二面面经:一面从 Agent 核心模块与主流框架问起,覆盖 ReAct 与 Plan-and-Execute 的差异、海量工具下的 Token 爆炸与工具乱选治理、Agentic RL 的动机、全方位评测维度、单 Agent 与多 Agent 取舍以及上下文溢出方案,手撕翻转整数;二面转入源码阅读(OpenClaw、Claude Code)、记忆与上下文管理实现对比、工具错选根因、自定义 Skill 结构,并要求设计「预订明日上海机票」的完整链路与任务停滞的异常处理,手撕单词拆分。
百度 Agent 算法岗一二面面经:Agent 架构、上下文管理与 Skill 设计
百度 Agent 算法岗一面二面面经:一面从 Agent 核心模块与主流框架问起,覆盖 ReAct 与 Plan-and-Execute 的差异、海量工具下的 Token 爆炸与工具乱选治理、Agentic RL 的动机、全方位评测维度、单 Agent 与多 Agent 取舍以及上下文溢出方案,手撕翻转整数;二面转入源码阅读(OpenClaw、Claude Code)、记忆与上下文管理实现对比、工具错选根因、自定义 Skill 结构,并要求设计「预订明日上海机票」的完整链路与任务停滞的异常处理,手撕单词拆分。
字节跳动 Agent 开发面试:Harness 设计、上下文管理与长任务排查
字节跳动 Agent 开发岗面试记录:围绕自研 Harness 与 LangChain 的区别、Agent Loop 与状态管理、上下文与长期记忆、工具调用容错、多 Agent 协作和长任务排查展开约 30 道追问,另有一道合并嵌套 JSON 的手撕题,并延伸到 HTTPS 加密、进程与线程、ThreadLocal、Spring 容器、MySQL 去重等基础题。
字节跳动 Agent 开发一面:Harness 没答上来,居然还能过?
字节跳动 Agent 开发一面面经:开场被「你们项目的 Harness 层怎么设计」问住,后续围绕 Agent Loop 与 Plan/Executor/Checker 分工、路径震荡、上下文与工具描述治理、多 Agent 文件冲突与通信、长任务延迟排查、工具调用容错、记忆分层,以及 HTTPS、根证书、进程线程、ThreadLocal、BeanFactory、ROW_NUMBER 等基础题与手写合并嵌套 JSON 展开。
字节跳动 AI Agent 开发一面:90 分钟共享屏幕看代码
字节跳动抖音电商 Agent 开发一面,90 分钟全程共享屏幕看代码,面试官按每个回答往下挖 3 到 5 层:Planner 与 Executor 的异步调度和状态持久化、ReAct 落地细节、tool call 校验重试、上下文压缩与大结果处理、多 Agent 文件冲突与断点续传、路径震荡与行为漂移、评测集构建与成本控制、Harness 与框架取舍、记忆系统与注入防护,最后手撕嵌套 JSON 合并。
字节跳动 Agent 开发日常实习一面面经
字节 Agent 日常实习一面,深挖 Agent Runtime 的框架选型、Agent 间通信、LangGraph 中断恢复与 reducer、上下文压缩、Task DAG 故障恢复、CAS 锁,以及 benchmark 设计、Redis 向量检索和 Hit@k/Recall@k/MRR 指标。
字节 Agent 全三轮面经:重构、上下文压缩与 Computer Use
字节 Agent 方向三轮面经。一面围绕实习 Agent 的重构、DeepSeek harness 与 pi 的差异、Claude Code 的上下文压缩、Computer Use 原理和 AI coding 工作流展开,手撕树的子结构与 random5 实现 random7;二面深挖项目是否达到企业级;三面拷打实习产出,并问 Nginx 日志找高频 IP 与拼接最大数。
字节即梦后端实习一面面经
字节即梦后端实习一面:岗位 JD 偏 Agent 开发与后训练,面试大部分时间在问项目,其中一道题问为什么代码检索从 RAG 转向了图检索(GraphRAG),另一道是场景设计题——股票交易推荐 Agent 有 8000 token 预算,突然来了 20000 token、分三类 JSON 的数据,要求给出处理方案并写代码。
CVTE AI 原生智能体面经:从 ReAct 到 Runtime
视源股份 CVTE AI 原生智能体岗面试:从 ReAct 循环的实现细节与 tool call 校验,一路追问上下文压缩、长期记忆、多 Agent 通信与冲突、效果评估、多厂商抽象与成本控制,最后手撕一个简化版 ReAct 循环。
滴滴 Agent 岗面经:智能客服与行程规划 Agent 设计
滴滴 Agent 岗面经,全程围绕真实项目与技术选型追问依据:智能问数的数据误差归因、幻觉优化、知识库增强与微调的适用边界、基座与微调数据选择、评估体系、verl 中的 agent loop、GRPO 与 on-policy/off-policy 取舍,以及出行场景智能客服的对话状态管理、工具编排、兜底与服务质量评估,行程规划 Agent 的长流程上下文、断点恢复、多 Agent 并发改文件的冲突处理,手撕买卖股票 II 与编辑距离。
滴滴 Java 一面:Agent 项目追问与 Python 基础
滴滴 Java 一面,调岗进入。前半场围绕实习 Agent 项目连续追问:为什么选 ReAct、有没有对比规划执行与反思、上下文和记忆怎么管理、如何决定下一步动作、怎么衡量模型可靠性、哪些情况需要人工介入;后半场是 Python 深拷贝、负索引、GIL 与性能,全程无手撕。
恒生电子 AI 应用开发工程师 AI 面面经
恒生电子 AI 应用开发工程师 AI 面面经:技术侧考 Python 装饰器参数处理、InnoDB 加锁与 B+ 树范围检索、MCP 一次交互的客户端流程;AI 侧深挖上下文管理、长期记忆检索时机、RAG 与传统检索及微调的取舍、受控编辑与评估指标、LangGraph 选型与 Checkpoint 冲突。
荣耀通用软件开发一面:Tob 中台架构、上传链路与 AI 工程化
荣耀秋招通用软件开发一面面经:不问前后端固定八股,全程围绕项目深挖——Tob 中台架构、Node 抗高并发、性能优化、上传管理链路、场景题「大批量上传夹杂大体积视频挤爆上传」;后半程转向 AI 工程实践,包括日常如何使用 AI、spec 工作量、模型选型、避免幻觉与上下文挤爆的处理。
京东 AI Agent开发一面:架构、上下文与超时重试
京东零售 AI Agent 开发一面:深挖 Agent 架构、ReAct 实现、tool call 校验重试、超时幂等、上下文压缩与任务恢复,末尾手撕 Agent Loop。
网易易盾技术支持实习生一面:Agent 平台项目深挖与客户沟通场景
网易易盾技术支持实习生一面面经(28 分钟):简历为全栈开发(前端方向)转投,面试一半技术一半客户沟通;技术部分几乎全在拷打校园 Agent 平台项目——为什么做、团队规模、多用户 Agent 如何隔离、部署与模型选型、从用户请求到 Agent 调用链、185 个工具如何封装与权限获取、为什么用 RAG 检索工具以及与 Skills 的区别、文本与多模态请求如何分流、单轮还是多轮问答与上下文过长处理、项目中最大的坑;沟通部分问对公司业务的了解、对技术支持岗位的理解、学历年级与读研打算、职业规划、实习时间,以及「遇到解决不了的问题如何求助」「客户描述模糊情绪着急时如何处理」「排查几小时无结论怎么办」,无手撕。
OPPO小布助手AI Agent一面面经
OPPO 小布助手 AI Agent 一面,全程围绕 Agent 工程落地展开:检查点与校验器保障长流程、幻觉的三层防护与置信度判定、多 Agent 场景下的上下文压缩、LangChain 与 LangGraph 及原生手写选型、线上限流降级熔断与自动化运维,以及知识库建设保鲜和 AI 辅助开发的信任边界。
拼多多 AI Agent开发三面:上下文、断点恢复与多 Agent 协作
拼多多 AI Agent 开发三面:代码生成链路与上下文工程、断点恢复、多 Agent 并发写冲突与幂等、知识库检索调优,末段手撕 LRU。
拼多多 AI Agent 二面:双机位、1M 上下文也不够怎么办?
拼多多 AI Agent 二面面经:从 Agent 代码生成链路全流程切入,追问上下文超限与 1M 窗口仍不够的工程方案、服务重启后的断点续传与状态存储、多 Agent 同时改文件的冲突与分布式锁、Codebase Memory 维护与代码审查 Agent,后半场考 MySQL 索引为何用 B+ 树、Spring Bean 注入、大模型缓存机制、长耗时任务资源隔离与评测体系,并手写可泛型、带过期时间且线程安全的 LRU。
数字政通 Java后端 一二面:上下文压缩、亿级单表与镜像分层
数字政通 Java 后端一面 + 二面连记:一面考滑动窗口与摘要、MCP 返回过大、亿级单表优化与 Docker 镜像分层;二面转向多级缓存、限流、异步多存储一致性和接口延迟排查,中间穿插 AI 编程与团队协作。
上海初创小厂面经:Agent 项目与 AI 编程工作流
上海初创小厂面经(10 月 13 日):围绕一段对话 AI / Agent 实习项目深挖,问 Agent 框架与开源选型、上下文管理、系统提示词分层与内容拦截、AI Coding 工具选型与研发流程、方案评审中容易遗漏的问题,以及个人项目与学习方向。
微店 AI全栈 一面
微店 AI 全栈一面面经:围绕 agent 项目的状态机流转、从 query 到输出的全流程、意图识别与量化指标、模型选型依据、上下文与记忆机制(短期记忆与用户画像)、微调语料,以及 AI 参与资金类操作时的安全边界。
小红书 AI 产品经理岗面经合集:上下文管理、检索增强与一致性设计
小红书 AI 产品经理岗四场面试合集:围绕检索 Agent 的上下文管理展开,追问卷对话效果变差的本质、ReAct 能否解决上下文问题、上下文压缩与关键内容判定;检索侧问到 topK 与元数据过滤、embedding 与关键词混合检索、chunk 切分策略与业界方案;后半程转向多级缓存、缓存穿透与 Redis + MQ 的一致性取舍,并考 AI 应用架构与链式调用、ES 与 MySQL 的差异、RPC 序列化,手撕二叉树定长路径。
月之暗面 Agent 应用开发:上下文超限,连追五层
月之暗面 Agent 应用开发面经:围绕 Agent 核心模块与 Harness 理解、ReAct 与 Plan-and-Execute 的取舍、多 Agent 并行状态管理与隔离、工具数量与返回结果的上下文治理、上下文超限后的摘要与分块跨块关联、工具失败重试、沙箱安全与 Prompt Injection 防范,最后手撕 LRU Cache。
月之暗面 AI Agent 二面:代码生成链路与调度
月之暗面(Kimi)AI Agent 开发二面:围绕代码生成全链路的状态设计与断点恢复、Codebase Memory 与知识库检索、多 Agent 文件冲突,一路问到 B+ 树、缓存穿透击穿雪崩与分布式锁,最后手撕 LRU Cache。
作业帮 Golang 一二面:Agent 上下文、MiniCode 与 Feed 系统
作业帮 Golang 一二面(已 OC):一面深挖实习的对话 Agent、上下文压缩、安全护栏、MySQL 迁 PostgreSQL,再问 MiniCode 的 Agent Loop、权限沙箱、双层记忆和短视频 Feed;二面是 30 到 40 分钟的现场 AI 编程加系统设计追问。
阿里巴巴 AI Agent 开发岗面经合集:长视频理解项目复盘
阿里巴巴 AI Agent 开发岗两场面试:围绕长视频理解 Agent 深挖 Planner-Executor-Critic 工作流的受控点与循环防护、混合检索策略、Checkpoint 分级与分布式锁、Agent 空转与死循环治理。
阿里云 AI 应用开发一面
阿里云 9.20 一面记录:前半段围绕 Agent 项目,追问工具串行与并行的取舍、多层上下文共享与压缩时机、工具调用轮次与多租户隔离,以及从 Hello Agent 改到 LangGraph 的改造;后半段是 SQL 执行过程、redo/undo/binlog、Redis 单线程与 Python 协程等八股。
阿里国际 AI Agent 开发岗面经合集:多 Agent 协作与记忆
阿里国际 AI Agent 开发岗两场面试:一面深挖 Agent 架构分层、工具调用原理、记忆系统分级与多 Agent 通信的不确定性治理,手撕二叉树最近公共祖先;二面围绕 Agent 自主改代码、MCP 与 Skill 的职责边界。
阿里云 AI Agent 算法一面面经全解析
阿里云 AI Agent 算法一面 20 题:KV Cache 显存估算、Agent 上下文治理与取消、MCP 调用流程、RAG 父子索引、ReAct 与 Plan 取舍、多 Agent 协作与死循环兜底,另考分布式 ID、缓存、Redis、ThreadLocal、Spring 与 TCP。
百度智能体算法二面:工具调用语义校验与状态机
百度智能体算法二面记录,围绕 Agent 工程化:工具调用参数「类型对语义错」的分层校验、重试卡死与循环调用的兜底、CoT/ReAct/Plan-and-Execute 选型、长上下文硬约束保持,以及图片理解 Agent 的评测与排查。
百度 AIGC 多模态智能体算法工程师二面:工具路由、MCP 与两道手撕
百度 AIGC 多模态智能体算法工程师二面面经,9 月 24 日。考察 Agent 与 Tool 定位、工具从十个扩到成百上千时的路由命中、MCP 与普通 API 的差异、长上下文与记忆分层,手撕滑动窗口最大值与和为 K 的连续子数组个数。
字节一面 Agent 岗:ReAct、幂等与上下文压缩连环追问
字节跳动 Agent 方向一面面经,围绕一个复杂 Agent 项目连环追问:架构分层、ReAct 实现与结构化输出、tool call 非法参数的校验重试、超时与幂等 key 设计、上下文压缩与任务恢复,最后手撕嵌套 JSON 合并。
字节跳动 AI Agent 开发一面面经(含完整答案)
字节跳动 AI Agent 开发一面记录,围绕 Agent 项目闭环展开:简历评分的结构化输出、RAG 离线上传与在线问答链路、Harness 运行时治理、长程任务延迟定位、工具调用可靠性,以及上下文压缩与信息保真;算法题为构造小于 n 的最大数。
携程 AI 应用开发实习一面:上下文管理与联合索引连环问
携程 AI 应用开发实习一面面经,时长 40 分钟:Agent 上下文压缩机制连问五层,MySQL 联合索引从回表问到索引树遍历流程,另有缓存最终一致性、MQ 与子线程异步的对比,以及 AI Coding 提效与局限性的看法。
货拉拉大模型二面:上下文压缩与记忆沉淀
货拉拉大模型方向二面面经。从实习难点切入,追问 LLM 沉淀结果的评估与冲突重合处理、firstcoder 与其它 coding agent 的差异、上下文为什么要压缩、上下文与记忆的区别、记忆如何沉淀,以及测评方案。
快手 Agent 开发一面:工具兜底、多 Agent 与流式解析
快手 Agent 开发一面(已挂)复盘,方向是短视频脚本生成 Agent:问了工具调用失败的兜底、多 Agent 的分工方式、长上下文的压缩策略、输出质量的衡量方法,手撕流式 JSON 解析(半包拼接),并确认团队有内部红蓝对抗评测集。
牛客 AI Coding 笔试评分机制拆解(以米哈游为例)
牛客 AI Coding 笔试题面配置显示,结果分(testcaseWeight)只占 40%、过程分(processWeight)占 60%,五个维度中 AI 产出校验权重最高。据此给出 Plan、测试设计与上下文管理的时间分配建议。
小红书 大模型算法岗面经合集:隐式 CoT、RAG 上下文管理与 LoRA 微调
小红书大模型算法岗七场面经合集,2026 年 6 月到 9 月。覆盖隐式 CoT 的双任务蒸馏、RAG 分块与多轮指代消解、上下文膨胀、BCE 与 InfoNCE 联合损失、vLLM FP16 池化溢出、LoRA 原理与 Agent 架构。
美团 AI Agent 开发岗面经:RAG 切分、多 Agent 协同与上下文压缩
美团 AI Agent 开发岗两场面经:一面围绕 Agent 架构与 RAG 全链路,追问切分策略、多 Agent 任务分配与状态汇总、上下文过长怎么治理、路由机制与上下文压缩;二面深挖项目里的真实问题单链路、workflow 与 Agent 的取舍、CLI 工具封装、参数补全与 Skill/MCP/Function Calling 的分工。
建信融通后端开发二面面经
建信融通后端开发二面面经,业务总监+HR联合面试,重点考察候选人如何使用Spring AI对接大模型完成核心功能开发,以及处理用户历史聊天时如何保证上下文关联性等AI工程落地细节。