恭喜学员拿下大模型独角兽月之暗面offer，总包60w+。从最开始面试被卡，回来做面试复盘，每场面试都录音回听，补齐短板。训练营这边，我布置的实战作业一个都没有落下，项目手动复现吃透。上岸靠的不是运气，而是方法+强度，逼你在实战中，一步步把能力练出来！
下面分享一下我个人参加腾讯AI应用开发二面的经验，依旧忘了录音，只能记录下有印象的问题，希望能给大家一些参考。
Q：项目中说到了从 Claude ADK 迁移到 Gemini API，为什么？
Q：如果有个无限长上下文的模型，是否可以把所有信息都放到上下文？
A： 不能，信息可能会有噪音，影响模型判断。
Q：场景：一个有很多内容的需求文档，是否可以把整个文档放到上下文中，让模型直接实现？
A： 内容太多，模型的注意力可能兼顾不了，需要分模块输入。（猜的）
Q：如果分模块输入，Agent 是否会对整个需求没有认知，导致做出来的成果不符合预期？
A： 可以参考人的协作，每个 Agent 工作在独立的 worktree 上，定义一个约束，每个模块期望的效果、接口等。
Q：用过哪些 Code Agent？
A： Cursor，Claude 等。
Q：你觉得 Claude Code 和 Cursor 分别适合什么样的任务？
A： 我觉得没啥区别，效果都可以，主要用 Cursor 因为便宜。
Q：Cursor 用过什么 skill 觉得好用？
A： Superpowers，有 brainstorming，git 等。前者可以帮助理清需求，后者是教 git 的最佳实践。可以每个任务对应一个 worktree，代码追溯更方便，适合多 Agent 协作。
补充：（skill creator，这个没说，但是也挺好用的，需要干重复的任务可以直接让 Cursor 写个 skill）
Q：了解过 spec-driving 的 Code Agent 吗？
A： 用过 kilo 的 spec 模式，觉得机制有点重，需求文档+实现文档，不如 brainstorm + plan mode。
Q：了解上下文压缩机制吗？
A： 看过 Gemini CLI 的源码，它的实现是保留最近 30% 对话，压缩另外 70% 的内容，用 LLM 生成结构化摘要。
Q：为什么压缩前 70%？最开始的几轮对话明确需求不是很重要吗？
A： 生产摘要的提示词明确要求模型填写需求内容。
Q：你觉得以后的软件工程会变成什么样？
A： 我觉得以后不用人不用写代码，而是给 Agent 说明需求，并校验 Agent 生成的代码。
补充：这个问题我觉得答得不太好，软件工程不只是写代码，也包含测试、部署、维护等操作。
补充：现在想想可以是 AI 驱动的软件工程，代码 AI 写，测试 AI 自动测，部署维护也是 AI 来做。
Q：玩过 OpenClaw 吗？了解其的记忆机制吗？
A： 了解，主要有两阶段：memory_search，用 RAG 检索 memory 文件，返回 topN 相关的内容以及文件路径以及行数。Agent 可以选择调用 memory_get，一个类似 read 的 tool 读取 memory 文件的内容。
Q：如果检索返回了很多相关的内容，如何选择最相关的？
A： 向量相似度比较，选择最相近的 n 个。
Q：了解 embedding 吗？
A： 好像是语义检索计算相似度的模型，这个不太了解。
Q：用大模型来判断哪些内容最相关，是否可行？
A： 挺有意思的。
Q：实际上没人这么做，你觉得为什么？
A： 返回的内容可能很多，超过模型最大上下文，模型判断不好。
补充：（可以加上速度、成本的因素）。
Q：OpenClaw 有个 pi-coding-agent，与你的项目有什么区别？
A： 不太了解 pi。
Q：对候选人的期望：
A： 代码能力不要求，因为 100% AI 生成代码。
A： 了解底层原理，需要有较强的学习能力，对前沿的产品能快速复现。
Q：反问环节：
Q：你觉得 Agent 开发最重要的是什么？
A： 评测机制。
补充：无手撕。
这次面试体感上感觉还可以，但是仔细复盘发现有不少问题，主要是对 RAG 的机制不熟，rerank 不知道，还有对大模型的底层原理了解不够深入。
这次面的问题都比较开放，所以我把我的回答也写了上去，各位如果有不同意见，欢迎一起讨论。这份真实的面经希望能帮助到正在准备类似岗位的朋友。也欢迎来我们云栈社区交流更多的技术问题和面试心得。
作者：尘土飞扬
来源：https://zhuanlan.zhihu.com/p/2019474229989516552
发表于 19 小时前
|
查看: 7|
回复: 0
