拼多多AI Agent岗面试，先看项目是不是真的

这份面经一开始就围绕候选人的实习经历和AI Agent相关项目展开，尤其关注会议转写项目的完整流程：音视频流进入系统后，怎样完成语音识别、文本整理、会议纪要生成和后续存储，候选人在其中负责哪些模块，为什么选择阿里云ASR，是否比较过其他云服务或开源模型。这类问题不是简单核对技术名词，而是在判断项目是否真的跑过、候选人是否知道每一步为什么这样设计。黑马程序员提醒学员准备AI Agent岗位时，不能只在简历上写“做过智能体项目”，还要能讲清业务输入、模型调用、数据处理、效果评估和异常兜底。

RAG不是写进简历就够了，面试会追问细节

原文中的一面问题多次追到RAG流程，包括离线建库和在线检索分别做了什么、文档如何切块、Chunk大小和重叠窗口怎样确定、是否用Recall@K和MRR等指标做过实验。很多学员学RAG时容易停在“上传文档、向量检索、生成回答”这一层，但企业面试更关心系统效果怎样被验证。比如切块太长会影响召回精准度，切块太短又可能丢失上下文；知识库更新频率、召回排序、重排策略、答案引用和幻觉控制，都可能决定项目能不能进入真实业务环境。

Agent岗位同时考察工具调用和工程兜底

AI Agent并不是让大模型自由聊天，而是让模型在明确边界内拆任务、调用工具、读取数据、生成结果。面经里提到工具调用成功率、超时重试、脏数据处理、重复执行防护和兜底策略，这些问题很有代表性。真正的项目会遇到接口超时、参数错误、第三方服务不稳定、权限不足和输出不可控等情况，如果候选人只会讲概念，很难回答这些生产问题。黑马程序员在AI应用与智能体开发方向中强调项目训练，本质上就是让学员理解从Demo到工程交付之间的距离。

模型原理会被问到，但重点是能不能解释清楚

二面问题进入了更底层的模型理解：Token如何划分，为什么部分单词会被拆成多个Token，为什么大模型以Token而不是字符或完整单词作为处理单位，Transformer和Self-Attention怎样工作，Q、K、V分别有什么作用。这些问题不要求候选人像研究员一样推导全部细节，但至少要能用清楚的语言解释模型为什么这样处理文本、上下文窗口为什么会影响显存和延迟、长文本中为什么会出现Lost in the Middle。对应用开发岗位来说，懂原理的价值在于遇到效果问题时知道从哪里排查。

多Agent协作，面试会看架构取舍

当项目从单一问答走向复杂任务，面试官自然会追问为什么采用多Agent，多个子Agent如何分工，任务怎样分发，状态如何合并，两个Agent给出冲突结论时如何仲裁，什么情况下需要人工介入。这里考察的不只是技术热词，而是候选人的系统设计意识。多Agent并不一定比单Agent更好，它会带来协作成本、状态同步、权限边界和结果一致性问题。能讲清这些取舍，说明候选人不是盲目堆技术，而是在围绕业务目标做设计。

基础能力仍然是AI岗位的底座

这份面经没有只问大模型。进程、线程、协程，并发和并行，mmap、writev，CPU飙高和内存持续增长的排查，海量数据找最大K个数，LRU Cache，扁平JSON恢复树形结构，二叉树锯齿形层序遍历，这些传统计算机基础依然出现。原因很简单：AI应用最终还是软件系统，模型之外还有服务、队列、存储、网络、并发、安全和性能。黑马程序员提醒学员，准备AI Agent岗位不能把基础课丢掉，基础越稳，越能承接复杂项目。

准备这类岗位，可以按四条线补能力

第一条线是项目线，至少准备一个能完整讲清业务背景、技术方案、数据流和上线问题的Agent或RAG项目；第二条线是模型线，理解Token、Attention、上下文、微调和偏好优化等常见概念；第三条线是工程线，补齐并发、缓存、文件IO、监控排查和接口容错；第四条线是表达线，把每个项目整理成面试官能追问的结构。真正有竞争力的候选人，不是背完所有题，而是能把项目经历、基础知识和业务判断连在一起。

常见问题