评测 面试题
共 11 篇真实面经 · 涵盖 百度 / 水滴 / 某互联网公司 / 字节跳动 / 东方财富 等 9 家公司
百度 Agent 二面：不看简历、不做自我介绍，连抛 6 道架构题
百度 Agent 二面面经：全程开放式架构题，考 Agent 应用的分层与模块、通用 Runtime 的多厂商抽象、C 端 Token 成本控制、代码执行沙箱安全、上下文压缩与信息保全、Harness Engineering 演进、评测归因、Trace 可观测性与监控熔断、多 Agent 通信，最后手撕判断二叉树是否平衡。
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。
水滴校招测试一面：Skill 准入、上下文污染与敏感信息泄露测试
水滴校招测试岗一面面经，全程围绕 Agent 类系统的测试方法：一个 Skill 从注册到被 Agent 使用要验证哪些内容、AI 生成用例如何判断真有价值、如何验证 Agent 的最终答案不是「看起来正确」、如何测试多轮对话的上下文污染、没有标准答案时如何验证 Skill 输出质量、Skill 调用链路的异常测试、Skill 描述歧义的判断方法、敏感信息泄露测试，以及 Agent 的发布准入标准。
AI Agent 开发岗面试题：55 道真实面试里的追问
一份 Agent 开发岗的面试题清单，覆盖技术选型、框架与 runtime、工程细节、多 Agent 协作、对齐与幻觉、评测、安全与开放设计八个方向；问题集中在判断依据与落地细节上，而不是 API 记忆。
字节 260901 一面面经
字节跳动 AI 大模型开发平台后端一面，面试岗位属数据平台方向：实习项目深挖 Agent 迭代与回归评测、文档切分与长上下文、离线评测与线上观测、长程任务评测，个人项目考意图消歧与 Agent 框架选型，场景题讨论通用 Agent 的效果评估与竞品比较，最后两道手撕。
东方财富 AI 应用一面：Skill 路由评测与上下文分层
东方财富 AI 应用一面面经（9.15）：主体是 Agent 实习的深挖——Skill 路由评测为什么要做、正反例怎么构造、除描述外的误路由原因、如何量化与设定阈值、历史消息膨胀与错漏召回如何处理、Context 如何分层，以及金融场景下工具返回五六千只 A 股而用户要求全量输出时压缩的信息损失怎么办；随后追问多数据源并发召回为什么用专用线程池、两级缓存一致性、历史访问预热与热点识别、近似统计结构找 Top K，最后考 AI Coding 经验与手撕拓扑排序。
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。
科大讯飞 AI 应用一面：Agent Harness、沙箱隔离与评测
科大讯飞 AI 应用一面面经（9.15，两位面试官群面）：先从实习与转正意向切入，深挖第三个实习的异步工作流框架、小站点网络隔离导致的升级失败与改造、DB 队列设计与执行，再追问第二个实习的搜索链路 P99 优化、两级缓存与本地缓存一致性、广播更新的可靠性；后半段集中在第一个实习的 Agent Harness——Runtime/Workflow/Node 分层、与 Dify/扣子的对比、分层上下文 Roadmap、压缩触发阈值与 Tool Result 处理、摘要对 KV/Prefix Cache 的影响、Skill 路由评测，最后追问自研 Runtime 的理由、沙箱与隔离（gVisor、microVM、Docker 的差异）以及把本地 Coding Agent 做成多人 SaaS 的架构。
9.30 新浪测开二面
新浪广告投放部门测试开发二面面经，9 月 30 日：只问了三道题——自我介绍、知识库的来源、如何评测一个智能客服，剩下的时间面试官都在讲广告投放的底层逻辑。
VIVO Agent 开发秋招一面：超时恢复、状态机与权限边界
VIVO Agent 开发秋招一面面经，问题普遍以「为什么这么做还不够」的形式追问：创建工单超时但外部可能已写入怎么恢复、换更强模型后完成率反降如何定位、多 Agent 并行写同一状态为何分布式锁仍不够、进程崩溃后状态机怎么续跑、文档里的注入指令为何不能只靠系统提示词挡、参数过了 JSON Schema 为什么还不能执行，以及如何证明框架收益来自运行时设计。
微信小程序
手机上刷面经，随时随地
扫码 / 长按识别，免下载直接打开
或在微信 搜一搜「面灵面经」