标签题目
系统设计相关面试题
区间购票系统如何设计？
这题考区间库存建模和高并发交易一致性，关键是防止重叠区间超卖，并让占座、支付、释放形成闭环。
新增“十连抽”功能时会考虑什么设计模式？
考察设计模式能否落到抽奖业务扩展上，重点是稳定流程、可替换规则、校验链路、幂等事务和发奖补偿。
写单元测试时要注意哪些点？
考察测试工程素养，重点是明确测试边界、可重复性、断言质量、依赖隔离、边界异常用例和覆盖率的正确理解。
为什么使用责任链模式，它的好处是什么？
考察责任链模式的适用场景和工程取舍，重点是把多步骤可变流程拆成可插拔节点，同时控制顺序、终止、观测和性能。
服务端限流常见方案有哪些？
服务端限流的核心不是单纯拒绝请求，而是在系统容量有限时，把入口流量、服务调用、关键资源和热点参数控制在可承受范围内，优先保护核心链路稳定性。面试回答应从限流位置、算法模型、分布式实现、限流 key、被限流后的处理、与熔断降级的区别、监控和误伤治理几条线展开。
设计朋友圈功能时，数据库表如何从简单到复杂演进？
朋友圈数据库设计可以按复杂度分层回答：最小可用版本先有用户、好友关系、动态、媒体、评论和点赞；进阶版本补可见范围、权限校验和删除模型；高并发版本再讨论时间线、读扩散与写扩散、冷热数据、索引、分库分表、幂等与一致性。面试时不要一上来就堆表，而是先说明业务读写路径：发动态、刷列表、看详情、评论点赞、删除和权限变化。
推荐系统工程上是怎么实现的？
推荐系统工程实现通常是召回、粗排、精排、重排、策略和反馈闭环的多阶段链路。面试中要讲清离线训练、实时特征、在线服务、实验平台和监控回流，而不是只列几个推荐算法名字。
你对大模型分布式训练的底层了解多少？
大模型分布式训练的底层要围绕并行策略、通信开销、显存拆分和容错监控来讲。面试回答不能只说“多卡训练”，要能解释数据并行、张量并行、流水线并行、ZeRO/FSDP 以及 AllReduce 等通信模式各自解决什么问题。
你了解推荐线上比较核心的环节吗？
推荐线上核心环节通常包括请求接入、特征获取、多路召回、粗排、精排、重排混排、策略约束、日志回流和监控实验。回答要讲清每一层的目标、输入输出和效率取舍。
一个类似快手的大规模推荐系统有什么模块？
大规模推荐系统通常由数据采集、特征平台、召回、排序、重排、策略、实验、监控和反馈训练闭环组成。回答要强调模块分层和每层的工程约束，而不是只列推荐算法。
Agent 和传统大模型有什么区别？
Agent 和传统大模型的核心区别在于是否具备面向目标的规划、工具调用、状态管理和执行闭环。回答时要把 LLM 说成能力底座，把 Agent 说成围绕任务运行的系统。
有哪些限流算法？
限流算法常见有固定窗口、滑动窗口、漏桶和令牌桶。面试回答要讲清每种算法解决什么问题、是否允许突发流量、实现复杂度和分布式一致性取舍。
分布式的 slave 和 master 之间如何通信？
master/slave 通信本质上是分布式节点之间的控制面和数据面协作。回答要覆盖心跳、注册发现、任务下发、状态上报、数据同步、故障检测和一致性取舍。
如何通过后端和大模型实现司机智能接单助手？
司机智能接单助手可以按网约车接单辅助的后端系统设计题回答，重点不是只调用大模型，而是把订单特征、司机状态、规则风控、模型推理和可解释建议串成稳定闭环。
如果让你设计一个推荐系统，会设计什么样的架构？
推荐系统架构题要从离线训练、在线服务、召回排序、策略重排、实验监控和反馈闭环回答，不能只列协同过滤或深度模型。
堆栈分析到代码定位链路中，大模型调用应采用单轮还是多轮？
堆栈分析到代码定位适合采用受控多轮流程：单轮适合简单摘要，多轮适合逐步检索、验证和收敛，但必须限制步骤和工具输出。
如何从数据和搜索两个角度设计一个电影垂直搜索系统？
电影垂直搜索要从数据侧建立结构化电影实体、别名、演员导演、类型、地区、上映时间和资源状态，从搜索侧完成 query 理解、多路召回、相关性排序和结果展示。回答重点是把数据质量、实体归一、检索链路和效果评估连成闭环。
多用户并发 Agent 中，记忆模块如何做隔离并保证线程安全？
这题考察多用户并发 Agent 的状态边界设计：记忆必须按 tenant、user、session 或 conversation 隔离，外部化存储并避免进程内共享可变状态，同时用原子写入、锁、版本号和异步上下文传递保证并发安全。
MCP 客户端调用服务端工具的完整交互流程是什么？
这题考 MCP 工具调用协议的端到端理解，回答时要按连接握手、工具发现、模型决策、客户端分发、服务端执行、结果回传和安全边界展开。
Agent 多工具调度模块如何做冲突检测与解决？
这题考 Agent 多工具并发调度的工程治理，回答要说明冲突类型、预检查、执行中仲裁、补偿和审计闭环。
Agent 工具调用超时后如何设计降级方案？
这题考 Agent 工具调用可靠性设计，回答要围绕超时预算、重试、降级答案、异步继续、熔断和用户可见状态展开。
同题还出现在 1 个公司岗位
LLM 服务用 vLLM 和 Streaming 输出时，如何在首 token、总延迟和吞吐之间折中？
这题考 LLM 推理服务的性能取舍，回答要把 vLLM/KV-cache、Streaming、TTFT、总延迟、吞吐和 batching 之间的矛盾讲清楚。
Agent 系统中的 skill（能力模块）应如何设计和实现？
这题考 Agent 能力模块的工程抽象，回答要说明 skill 的边界、契约、工具绑定、权限、测试、版本和失败处理。
同题还出现在 1 个公司岗位
MoE 一般加在大模型哪里，从训练和推理角度有什么收益与代价？
这题考 LLM MoE 的位置和训练推理取舍，回答要讲清 FFN 专家、router、稀疏激活、负载均衡和服务成本。
同题还出现在 1 个公司岗位
大模型推理中 Prefill/Decode（PD）分离部署为什么能提升处理速度？
这题考 LLM serving 的工作负载拆分，回答要讲清 prefill 和 decode 的差异、分离部署收益、KV cache 交接和适用边界。
Agent 系统 Prompt 如何设计迭代，并处理用户请求不完整的意图补全？
这题考 Agent system prompt 的工程化设计，以及用户请求不完整时如何识别缺口、澄清、假设和补全。
Agent 场景下 Prompt 自动优化应如何工程化设计？
这题考 Agent Prompt 自动优化的工程化闭环，回答要聚焦候选生成、离线评测、安全门禁、灰度实验和回滚。
金融场景下 Agent 超时、失败或中断时，如何设计安全重试和兜底？
这题考金融场景下 Agent 执行失败后的安全边界。答案必须围绕资金安全、幂等、状态机、确认、审计、对账和补偿展开，不能写成普通接口超时重试。
同公司岗位有 3 条面经记录
RAG 知识库如何做不停服更新，并保证检索结果一致性？
这题考 RAG 知识库不停服更新和一致性，不是 RAG vs SFT。回答要覆盖版本化索引、离线构建、影子验证、别名切换、缓存失效、权限元数据和回滚。
多 Agent 系统如何设计编排流程，并控制每个 Agent 的任务边界？
这题考多 Agent 编排流程和任务边界。回答重点是 coordinator、planner、executor、reviewer 的流程、契约、状态交接、冲突处理和可观测性，不是泛泛解释 Agent。
同题还出现在 1 个公司岗位
Agent Skill 不一定可靠时，如何用 Workflow 和 System Prompt 固定主流程？
这题考 Skill 不可靠时如何用 Workflow 和 System Prompt 固定主流程。答案要覆盖能力探测、节点契约、流程骨架、受控执行、重试降级、前端确认和提示词护栏。
Agent 项目如何选择底层模型，依据和验证方法是什么？
这题考 Agent 项目的底层模型选型。答案要从任务类型、工具调用、结构化输出、上下文、延迟成本、安全、评测集、灰度和 fallback 路由来讲。
大模型幻觉在 Agent 服务化中会带来哪些问题，如何治理？
这题考大模型幻觉在 Agent 服务化中的生产风险。答案要聚焦错误工具调用、虚假状态、操作控制、权限、审计、dry-run、确认和事故闭环，而不是泛泛说 RAG 和提示词。
AI 语音交互产品如何定位 ASR、NLP、TTS 哪一环需要优化？
这题考 AI 语音交互产品的链路定位能力，答案要把 ASR、NLP、TTS 和交互策略分阶段评估，避免把所有问题都归因给模型质量。
AI Agent 系统从通用 Agent 模式切到 Cline / Code 模式时，如何量化评估效果差异？
这题考 AI Coding Agent 从通用 Agent 模式切到 Cline / Code 模式后的工程评估方法，回答要覆盖任务成功率、代码变更正确性、工具调用稳定性、延迟成本和用户验收。
强模型直连与本地模型 + RAG + Prompt 优化，应如何按成本、延迟、安全和效果取舍？
这题考强模型直连与本地模型加 RAG 和 Prompt 优化之间的架构取舍，回答要按效果、成本、延迟、安全、可控性和运维复杂度做决策，而不是给单一答案。
Agent 短期记忆应何时抽取、存放到哪里，并如何拼进 System Prompt？
这题考 Agent 短期记忆的工程链路，回答要区分对话缓冲、摘要、抽取事实和工具状态，并说明抽取时机、存储位置、Prompt 拼装顺序、预算控制和失效规则。
同题还出现在 2 个公司岗位
Agent 记忆出现过期或冲突事实时，如何更新、覆盖和回溯？
这题考 Agent 记忆过期和冲突事实的治理，回答要覆盖事实版本、来源置信度、用户确认、覆盖规则、tombstone、审计回溯和 Prompt 侧只使用当前有效记忆。
同题还出现在 1 个公司岗位
Agent 中上下文工程如何设计，如何组织 System Prompt、工具结果和记忆？
这题考 Agent 上下文工程的结构化设计，回答重点是如何组织 System Prompt、用户任务、工具结果、记忆、约束和截断策略，让模型拿到必要信息而不过载。
同题还出现在 2 个公司岗位
LangGraph 相比 LangChain 在多 Agent 编排中有什么优势，状态快照机制解决什么问题？
这题考多 Agent 编排中框架选型和状态管理能力，回答重点是图式编排、可恢复状态、调试回放、人工介入和长流程可靠性。
同题还出现在 1 个公司岗位
基于 LangGraph 和 RAG 的内容生成 Agent，应如何设计检索、生成和审核流程？
这题考用 LangGraph 和 RAG 设计内容生成 Agent 的端到端流程，回答重点是检索、证据整理、生成、审核、重试和发布前控制，而不是只讲向量召回。
LLM 流式输出如何设计断点续传、停止生成和 Token 计费？
这题考 LLM 流式输出的服务端语义设计，回答重点是断点续传、停止生成、幂等状态、Token 计费边界和前后端一致性。
同题还出现在 1 个公司岗位
Agent 沙箱中承载 Skill 时，如何避免工具调用幻觉和多工具切换混乱？
这题考 Agent 沙箱中 Skill 的可靠调用，回答重点是能力声明、工具选择约束、沙箱权限、调用确认、错误恢复和防止模型编造工具能力。
Agent 沙箱运行上下文如何封装用户配置、能力定义和可执行工具？
这题考 Agent 沙箱运行上下文的封装方式，回答重点是用户配置、能力定义、权限边界、可执行工具、工作目录、环境变量和可观测状态如何统一管理。
同题还出现在 1 个公司岗位
Agent 项目选用 OpenAI Agents SDK 时，应如何和自研或开源框架做选型？
这题考 Agent 框架选型方法，回答重点是用任务复杂度、编排需求、工具集成、可观测性、评测、锁定风险、生态成熟度和迁移成本做理性比较。
Agent 系统中 Multi-Agent、One-Agent 和 LLM+Workflow 应如何选型？
这题考 Agent 架构模式选型，回答重点是 Multi-Agent、One-Agent 和 LLM+Workflow 在复杂度、可控性、成本、延迟、可观测性和适用场景上的取舍。
同题还出现在 2 个公司岗位
Agent 中模型调用、本地函数调用、MCP 调用和 Skill 调用有什么区别？
这题考 Agent 调用边界设计，回答重点是模型调用、本地函数调用、MCP 调用和 Skill 调用在调用方、协议、信任边界、生命周期和失败处理上的区别。
同题还出现在 1 个公司岗位
如何手写一个 Skill 系统，支持注册、发现和调用本地能力？
这题考手写 Skill 系统的最小实现，回答重点是注册、发现、参数校验、权限控制、调用分发、错误处理和可观测 trace。