AI 应用 / Agent 开发一面面经

又是一篇凉经[捂脸R] 不过说实话这次大手子的面试真的感觉是最近收获最多的一场面试了，虽然面完之后有感觉要凉，但拒信来了还是很伤心的[哭惹R][哭惹R]

不过一场面试，不过一次风雨，该复盘还是要复盘滴，所以以下是复盘思考：

1. 手撕题卡壳，被面试官中间指出代码错误，对于hot100还是岛屿数量这样的题，真的是太不应该了！所以平时刷题保持手感的时候及时是自己思路很熟的题也要适当练一下，尤其注意边界判断。

2. 也暴露了我提示词工程，上下文工程以及最近的harness 工程不仅要关注，更要多思考一些底层逻辑，就比如openclaw不能只是会用，设计的亮点还是要多深入思考，对于skill也是同理。

3. agent开发在面试上的侧重点可能要更偏向场景题的问答方式，可能没有传统八股的问题模式，所以更考验对知识细节的理解以及临场的组合推理（切记被面试官质疑的时候也不要慌！）

4. 沉浸在面试被挂和之后暂时没有约面的焦虑和失落是没有意义的，只有及时的复盘反思，从失败的面试中总结经验并做出策略性的学习练习方向上的调整和贯彻执行才是最重要的。

不说了继续干！！[生气R][生气R][生气R]
#openclaw[话题]# #RAG[话题]# #找实习[话题]# #AI应用开发[话题]# #大模型[话题]# #面试题[话题]# #Java[话题]# #后端开发[话题]# #日常实习[话题]# #面试面经[话题]#

快手 AI Agent研发实习 日常实习

1. 组内业务的交流讨论
2. 自我介绍
3. 聊聊记忆系统模块设计是怎么设计的？（这里我先讲的需求的背景和设计分析）
4. 之后面试官直接追问这个记忆的检索是用的用户id还是什么？
5. （然后我就主动讲了设计的难点和设计的亮点）
6. 你有了解openclaw的设计实现吗？openclaw和传统的agent实现有什么大的区别？或是说openclaw有什么新设计？
7. openclaw的记忆系统是怎么设计的？
8. 那长期记忆是怎么检索的？长期记忆除了存在本地的文件系统当中还存在哪里？
9. 说说上下文工程是什么？都解决了什么问题？
10. 那么上下文窗口当中都包含哪些内容？
11. 那在做上下文管理策略的触发时机一般怎么设置？
12. 那你说到了像每条message数据都增加一个token总数记录的字段，那么这里token怎么计算？
13. 那么token的阈值该怎么设计？那对于一个agent应用，用户可以配置自己任意的大模型的apikey，那么这里token上下文窗口的大小该怎么设置设计是最合适的？
14. 刚才也提到了token策略，那你说说这里压缩上下文的策略，压缩的具体是那部分message？
    （我这里说的更应该先压缩llm的内容，因为llm的输出一般是冗余的，用户的可以先不压缩？）
15. 继续追问那么用户message都不压缩吗？要是现在有五轮对话，压缩了一次llm的输出，那么怎么拼接这个问答对？（我这里我说了让llm的之加入一次压缩后的文本，其他四次都是空，但是用户加入五次各自的消息）
16. 讲讲第二个实习项目当中消息会话中断的后端是怎么实现的？
17. 手撕：岛屿数量（hot100原题）