2080 字
10 分钟
拼多多 · Agent 开发 · 一面面经
面试日期:10 月 19 日。面试结果:未记录。
根据本次面试转写与本人回忆整理,按交流顺序记录问题与当时回答。主要涉及实习中的 Agent 评测平台、异步任务可靠性、两道编程题,以及 Agent Harness、工具和上下文管理。
一、自我介绍
- 请做一下自我介绍。
- 当时回答:主要方向是 Java 后端和 Agent 应用开发。实习参与内部 Agent 评测平台,完成自动定时评测和 Tool Mock 两项工作,并介绍了验收上线情况。个人项目包括面向运维排障的 OnCall Agent 原型,以及高并发秒杀系统。
二、评测平台与异步任务可靠性
- 评测平台主要评测什么对象?业务 Agent 具体做什么?
- 当时回答:评测外卖商家入驻相关的业务 Agent,判断它能否帮助商家提交资料、完成入驻流程。
- 核心评价指标是什么?
- 当时回答:平台提供一些预设评分维度,也支持根据业务需要配置评分器,举了回答是否简洁的例子。
- 追问:平台如何提供评测基线?难道让不熟悉评测的业务开发自行配置评分器?
- 当时回答:标准仍在建设。由专家标注线上历史 Trace,构建黄金测试集,再校准大模型评分器,使其评分接近专家标准;需要人工把关,不能无条件相信模型给出的分数。
- 如何保障长链路异步任务的可靠性?幂等、CAS、状态收敛和重试分别用在哪里?
- 当时回答:自动定时评测分为收集 Trace 并构建测试集、执行评测、归集低分 Bad Case 三个阶段。扫描到期任务时,通过任务 ID 与计划执行时间的联合唯一索引避免重复创建执行;阶段任务通过消息队列分发,CAS 用于控制多个 Worker 竞争领取任务,失败后可以重新分发。
- 状态收敛的具体处理没有在这段回答中展开。
- 追问:你的描述是否意味着消息队列存在重复消费?
- 当时回答:先说“理论上是没有的”,随后解释,考虑的是 Worker 工作到一半失败后,重新发送同样的任务消息,让其他 Worker 领取并继续执行。
- 使用的是 DDMQ 吗?了解它的底层实现吗?
- 当时回答:使用的是 DDMQ,但没有看过底层代码,不清楚具体实现。
- 追问:任务失败后为什么要用 CAS?为什么不直接使用消息队列的重试机制?
- 当时回答:重试是向消息队列重新分发任务,再由 Worker 申领;没有进一步解释清楚消息队列重试与任务领取控制之间的关系。
- 进一步追问:消息处理完成后如何确认消费?Worker 是否还要去数据库查询、领取任务?
- 当时回答:称没有消费者返回的响应,只有分发过程;消息只包含任务 ID,Worker 根据 ID 到数据库领取任务,其他任务信息存放在数据库里。
三、编程题:括号生成
- 给定括号对数 n,编写函数输出所有有效括号组合。
- 题目是 Hot 100 中的括号生成题。
- 要求为 n=1 和 n=3 编写单元测试,并写出预期输出。
- 记录中没有保留实际代码、解法和测试结果。
四、个人项目与模型交互协议
- 实习工作是否主要偏后端工程?
- 当时回答:业务场景涉及 Agent 和评测,但具体完成的工作更多是后端工程。
- OnCall Agent 是自己学习时做的个人项目吗?
- 当时回答:是。
- 了解大模型交互协议吗?请求、错误和返回内容如何组织?
- 面试官以 OpenAI 相关协议为例提问。
- 当时回答:表示了解,但记录中没有具体字段或协议结构的回答。
五、编程题:推理请求调度
- 实现推理请求的批处理调度,支持排队请求取消,以及用量与时延统计。
- 题目讨论了请求加入后续批次、尚在队列中的请求可以取消,以及统计请求用量和耗时。
- 当时回应:这方面更多是理论了解,实践经验较少;随后转入理论问题。
- 具体接口、调度参数、指标缩写、实现代码及完成情况未记录。
六、Agent Harness、工具与上下文管理
- Agent 的核心三部分是什么?进一步限定到 Harness 实现,核心组成是什么?
- 当时回答:先从大模型决策中心说起,随后在工程实现的范围内提到工具调用和上下文组织;经提示后补充 Agent Loop。
- 面试官补充:Agent Loop、上下文管理、工具定义等配置。
- MCP v1 和 v2 有什么区别?迭代解决了什么问题?
- 当时回答:不了解具体的版本迭代。
- 工具定义有哪些核心字段?除名称外,哪些字段重要?
- 当时回答:名称或 ID、描述、入参结构、返回结果结构,提到了 JSON Schema;描述用于帮助模型判断工具的用途和选择工具。
- 工具调用结果是否进入上下文?后续模型请求能否看到这些结果?
- 当时回答:会放入 messages,必要时先做精简;后续发送给模型时,模型可以看到相应结果。
- 追问:单次工具返回很长,或持续追加导致上下文超长,怎么办?
- 当时回答:简单结果可以直接放入;如果返回大量日志,提取后续决策需要的信息,而不是放入全部原始日志。
- 进一步追问:上述结果精简如何落地?有没有可操作的办法?
- 当时回答:承认之前的说法偏理想化,提出对返回量大的工具做特定适配,在工具侧人为干预输出。
- 工具不断增多时,如何减少上下文占用及对模型判断的影响?
- 当时回答:将工具分类成集合,采用渐进式披露,先暴露工具集,再按需寻找具体工具,减少工具描述带来的上下文占用和噪声。
- 了解哪些上下文管理和 Compact 策略?如何实现?
- 当时回答:保留最近几轮的完整内容,压缩更早的上下文,并识别、保留关键信息。还提到自己了解过 DeepSeek Harness,将交互记录持续追加成日志,再从日志构建供模型使用的上下文视图。
- 追问:是否了解过 DeepSeek Harness?当时回答看过一些相关资料。
七、反问
- 团队做什么业务?需要怎样的技术栈?
- 面试官答复:团队做面向公司内部研发的 AI 开发工具,也有产品和设计人员使用。比较关注 Agent 稳定输出、软件工程、工作流设计,以及与已有系统协作的能力;提到 TypeScript 使用较多,重视设计和逻辑能力。
- 结合本次表现,最需要补充哪些 Agent 知识,才能更好胜任相关工作?
- 面试官建议:深入了解 DeepSeek Harness 的实践细节,例如事件溯源、追加日志、session 等投影如何构建和更新,以及实现上的选择;同时横向比较常用工具的不同实现,理解取舍。
八、整理建议
以下是根据本场记录补充的事后建议:
- 复盘异步任务时,把消息消费、任务领取、执行失败与重试分开解释,准备一个 Worker 中途失败的具体例子,说明各层如何协作。
- 补练推理请求调度编程题,将排队、批次执行、取消和统计的要求落实到接口与测试。
- 对 Harness 和上下文管理,选一个实现沿调用链阅读,练习解释日志如何构建视图,以及工具结果精简如何落地。
拼多多 · Agent 开发 · 一面面经
https://example.com/posts/pinduoduo-agent-engineer-round-1/