m佬腾讯全栈开发二面
面试流程简述#
本轮以项目和工程讨论为主，重点围绕鉴权、平台集成、Agent 项目设计、开源框架阅读方式、需求推进和 AI 应用工程化展开。
问题记录#
- 鉴权方案、验证闭环、平台集成、工具动态更新。
- 对大型开源框架源码的理解和阅读方式。
- 某 agent / demo 项目的核心模块、总线、session、记忆设计、失败恢复。
- 有没有做过端到端闭环项目？
- 需求不清且 deadline 紧时怎么推进？
- 如果重做一个 AI demo，会怎么优化架构？
- AI 应用开发中最容易被忽略的工程问题有哪些？
- 模型输出不稳定时工程上怎么处理？
参考答案（AI 生成）#
以下答案由 AI 生成，仅供面试复盘参考。
1. 鉴权方案、验证闭环、平台集成、工具动态更新#
答：鉴权可以按用户身份、应用身份、工具权限和资源权限四层设计。用户侧用 OAuth / SSO 完成登录授权，平台侧用 app key、签名或 token 管理调用方身份，工具侧用 scope 控制可调用能力，资源侧按租户、项目和数据域做权限过滤。验证闭环包括鉴权单测、集成测试、灰度验证、审计日志和异常告警；工具动态更新可以通过配置中心或注册中心维护 tool schema、版本、权限和路由规则。
2. 大型开源框架源码怎么读？#
答：先从使用入口和核心概念开始，跑一个最小 demo，再沿主链路读关键接口和数据结构。读源码时重点看模块边界、生命周期、扩展点、错误处理和并发模型；遇到复杂框架可以用断点、日志、调用图和测试用例辅助理解。最终要把源码理解落到“它解决什么问题、核心抽象是什么、扩展点在哪里、工程取舍是什么”。
3. Agent 项目的核心模块怎么讲？#
答：可以拆成任务入口、规划器、工具层、事件总线、session 管理、记忆系统、执行器和观测模块。事件总线负责把模型推理、工具调用、用户输入、错误和状态变更串起来；session 保存一次对话或任务的上下文；记忆负责沉淀用户偏好、项目事实和历史决策；失败恢复则依赖重试、回滚、断点续跑、执行轨迹和人工接管。
4. 有没有做过端到端闭环项目？#
答：端到端闭环项目要讲清“需求来源、方案设计、开发实现、测试验证、上线发布、监控反馈、迭代优化”。AI 应用里还要补充 prompt / tool schema 设计、评测集构建、badcase 收集、线上日志分析和效果回归。面试时最好拿一个 PR 或功能模块讲完整路径。
5. 需求不清且 deadline 紧时怎么推进？#
答：先把目标、用户、核心场景和验收标准快速对齐，再把需求拆成必须交付、可延后和待确认三类。实现上优先做最小可用闭环，给关键风险留验证点，过程中保持短周期同步。deadline 紧时，最重要的是把模糊需求变成可验收的小里程碑。
6. 重做一个 AI demo，会怎么优化架构？#
答：可以从 demo 思维升级成产品化思维。架构上拆出模型适配层、工具层、记忆层、评测层、观测层和权限层；工程上补充 trace、日志、错误码、配置化 tool schema、回放能力和回归集；交互上增加可解释的执行过程、人工确认点和失败恢复入口。
7. AI 应用开发中容易被忽略的工程问题#
答：常见问题包括权限边界、成本控制、延迟预算、评测闭环、上下文污染、日志脱敏、prompt 版本管理、工具调用幂等、失败恢复和线上可观测性。AI 应用上线后需要持续收集 badcase，把用户反馈、日志、评测集和 CI 回归接起来。
8. 模型输出不稳定时工程上怎么处理？#
答：先把输出格式结构化，比如 JSON Schema、函数调用或强约束模板；再通过低温度、few-shot、校验器、重试、rerank 和规则后处理提升稳定性。关键链路要做输出校验、兜底策略、人工确认和回归评测。对于工具调用类任务，还要把每一步的输入、输出、错误和决策记录成 trace，方便复盘和回放。