3.31字节二面

交叉通面 1、自我介绍 2、 agent开发范式 https://chatgpt.com/s/t_69cbe57430a8819191b26046284386e7

用户层（User）
   ↓
交互编排层（Agent / Planner）
   ↓
推理决策层（LLM）
   ↓
工具执行层（Tools / APIs）
   ↓
数据与记忆层（Memory / RAG）

3、上下文管理 4、上下文和记忆的关系 Context 是 Agent 当前工作的“即时状态”，Memory 是“可复用的长期知识库”。

5、长上下文压缩，长程任务 https://chatgpt.com/s/t_69cbe5ef20f8819194053a2ee488a760

6、截取和压缩方案 7、压缩：信息如何保证不丢失 8、一定能避免不丢失吗 9、怎么在工程上保证关键信息不丢失 https://chatgpt.com/s/t_69cbe62565388191aa7e40af5f6b9d02

10、k-v catch，大模型的缓存 11、如何实现的大模型的缓存

• Transformer 在自回归生成（如 GPT）时，每一步都要计算 Attention。
• 如果每一步都重新计算 过去的 token，复杂度是 O(N²)，速度很慢。
• KV Cache 的作用：缓存前面 token 的 key/value 向量，避免重复计算。 https://chatgpt.com/s/t_69cbe8021ec48191bf783efc22d003de https://chatgpt.com/s/t_69cbe83d1284819188ddc5a57d66051a

12、飞书实习：讲讲做了什么 13、这个项目想解决什么问题 14、技术挑战最大的是什么 15、这个缓存是什么结构、怎么缓存层级树、value多大是否会出现的value大key、 16、redis的大key问题是什么，如何治理 17、redis集群：分别讲讲 18、cluster：中间的虚拟页，减少迁移 19、zset怎么查询到第几名：item排名第几 20、你自己的话怎么设计 span（跨越的节点数，用于计算排名） https://chatgpt.com/s/t_69cbe74930c08191ba6559063aa7d4c3

21、bitmap原理 22、bitmap带来的代价、可能出现准确性丢失吗，判断数据存在或不存在于bitmap有误差？ 23、面试算法题

一些反问：

0、当时一面的时候，有了解到你们是做agent这一块，能简单了解一下吗

1、因为我个人是对agent这方面非常感兴趣，我看openclaw或者别的agent的底层记忆管理的时候，我真有一种感觉是我们在创造一个大脑的记忆模块，所以想问一下您：如果说我以后想要从事或者进一步学习agent相关的工作，还有哪些是你觉的需要掌握的，或者是当前技术还有哪些是比较有挑战性的和比较重要的，？

1.5、那么想问一下，比如说

2、因为现在vibcoding确实太强大了，包括我最近也面了美团和阿里，就发现现在的面试对于语言上的考察比较少，像美团好像基本上都没有问java相关的东西，因为目前我也在学习golong，所以想要问您一下，站在一个面试者的角度上来说，你觉的以后的面试对于语言考察的趋势是什么，是对他的一些八股，考察的会越来越少，主要是对架构、具体场景、中间件的理解或者vibecoding的考察上吗？