🎯 DeepSeek Agent 三面面经:16 题设计追问
一句话总结
这场三面「没有八股,全是设计」:从「你的私人助理怎么搭」一路追到「幻觉率多少、业务能不能接受」,再追到「Badcase 怎么回流 SFT」。16 道题里只有 1 道手撕,其余 15 道都是同一个动作——把你自己做过的系统摊开,接受逐层拆解。
原始素材
- 原文:DeepSeek Agent 三面面经:16 道题,全程聊设计,从架构问到 RAG 链路
- 本文为结构化整理 + 要点提炼,保留了原答案的工程细节
面试官真正在问什么
不是「你知道什么」,而是「你能不能不为自己设计的失败模式负责」。
每一条追问都指向同一件事:这个设计在什么情况下会失效?失效了系统怎么知道?知道了之后能退回哪一步?
全景:7 块 16 题
| 板块 | 题目 |
|---|---|
| 架构与安全 | Q1 整体设计 · Q4 代码沙箱 · Q5 定制能力 |
| 幻觉控制 | Q2 怎么控 · Q3 控到什么程度 |
| 记忆系统 | Q6 分层存储 · Q7 压缩与更新 |
| 多 Agent 与范式 | Q8 协作 · Q9 Loop vs Graph · Q10 MCP vs Skill |
| 数据闭环 | Q11 Badcase 定义 · Q12 回流 SFT |
| 评测与 RAG | Q13 四层评测 · Q14 解析切分 · Q15 检索优化 |
| 手撕 | Q16 最长公共子串 |
一、架构与安全
Q1:AI 私人助理的整体架构怎么设计?
面试官给了四个层的名字,但真正在问的是:你为什么这么切,边界在哪。
| 层 | 要解决的事 | 关键设计 |
|---|---|---|
| 交互层 | 多端接入(App / 小程序 / 语音)、会话状态保持(session vs conversation)、意图前置判定 | 一句话进来先判断:闲聊 / 查询 / 执行动作。判定做不好,调度层会收到大量无意义请求 |
| 调度层 | 规划(拆步骤)、分发(选工具 / 子 Agent)、状态管理、终止判定 | 核心是 Agent Runtime;核心矛盾是「灵活性与可控性」——纯 ReAct 灵活但容易跑飞,纯固定流程可控但覆盖不了长尾 |
| 工具层 | 所有外部能力的统一封装 | 统一工具契约:输入 schema、输出 schema、错误码、超时、幂等语义、权限标签。工具不是「能调就行」,而是「调失败了系统知道怎么退」 |
| 记忆层 | 被动记忆(存下来,需要时召回)+ 主动记忆(常驻用户画像) | 读写分离:写走异步、读走缓存,否则每次对话都要等一次数据库往返 |
四层调用关系
严格单向 + 事件回调:交互层不直接调工具层,调度层不直接操作数据库。
理由很实际——一旦允许跨层直连,后面想加 trace、加权限、加限流,就得改 N 个地方。
面试官想听的
分层不是为了画图好看,是为了让「加一个能力」和「加一个约束」都只改一个地方。
Q4:AI 生成代码的安全性怎么解决?
关键认知:「禁用 exec/eval」只是第一层,真正的边界在内核。 四层防御,从外到内:
| 层 | 做法 | 要点 |
|---|---|---|
| ① 隔离层 | microVM(Firecracker)或用户态内核(gVisor),再退一步至少 nsjail / bubblewrap | 容器共享宿主机内核,逃逸面比 microVM 大得多 |
| ② 网络层 | 默认完全禁网,不是「限制域名」 | 限制域名要靠 DNS 和代理,而代码可以直接连 IP;要联网就走白名单代理 + 出站流量审计 |
| ③ 系统调用层 | seccomp-bpf 做 syscall 白名单;Landlock 限制文件访问路径 | 只放行运行时必需的(读文件、内存分配、时钟);execve、fork 直接不给 |
| ④ 资源层 | cgroups v2 限 CPU / 内存 / 进程数 + wall-clock 超时 | 内存和进程数一定要限,否则一个 fork bomb 就能把宿主机打挂 |
语言层面的禁用是辅助,不是边界
Python 里禁
exec/eval/__import__、禁os.system、禁subprocess——这一层容易被绕过(getattr(builtins, 'ev'+'al'))。
两个常被忽略的点:
- 依赖供应链:用户代码
pip install一个恶意包,前面四层全白做。沙箱要无外网 + 预置镜像。 - 产物审计:生成的文件(脚本、二进制)出沙箱前要扫描,不能直接落到用户真实目录。
面试官想听的
「禁 exec/eval 不够,边界必须在内核和网络。」
Q5:定制了哪些能力?
四件「看起来简单、做起来全是坑」的事:
| 能力 | 做法 |
|---|---|
| 任务调度 | 持久化执行引擎(Temporal / Restate 思路):每一步是一个 activity,状态落库,进程挂了能从断点续跑;不能「一个 for 循环跑到底」 |
| 状态回退 | 三件事:幂等(重放不重复下单)、补偿(Saga 模式,已发出的请求怎么撤回)、状态快照(回退到哪一版)。做法:每步写 checkpoint,回退 = 恢复 checkpoint + 重放后续步骤 |
| Checkpoint | 存最小可恢复状态:任务目标、已完成步骤、每步关键产出、当前待决策点。存全量上下文会让 checkpoint 越来越大、恢复越来越慢 |
| Trace 回放 | 记的不是最终答案,而是:每次模型调用的完整输入输出 + 每次工具调用的参数和返回 + 每步耗时。不能复现的问题,基本等于修不了 |
面试官想听的
「Agent 的可靠性靠 durable execution,可调试性靠 trace。」
二、幻觉控制
Q2:高准确性场景怎么控制幻觉?
按「介入阶段」分四类:
| 阶段 | 手段 | 作用边界 |
|---|---|---|
| 生成期 | 约束解码:grammar-constrained decoding 强制符合 JSON Schema(Outlines / XGrammar / llguidance / vLLM guided decoding) | 只保证格式合法,不保证内容正确。能保证时间是合法 ISO 时间,保证不了是用户说的那个时间——把它当防幻觉手段是概念混淆 |
| 生成前 | 检索增强:把「凭记忆答」变成「照着材料答」 | 关键不在有没有 RAG,而在检索结果是否强制进上下文。事实类查询检索为空,就直接走「我不知道」分支 |
| 生成后 | 引用溯源:每条事实性陈述挂到来源(span-level attribution) | 输出结构带 citations 字段 + 生成后引用校验。性价比最高:把「难以度量的质量问题」变成「可以跑批的校验任务」 |
| 生成后 | 自我反思:让模型自查 | 对「知识性幻觉」几乎无效——模型不知道自己不知道。有效的是「逻辑一致性」:前后矛盾、漏约束、算错数 |
四种手段不是并列的
约束解码管格式、检索管事实来源、引用校验管可追溯、反思管一致性。
只说「我用了 RAG + 反思所以幻觉低」,等于没答。
Q3:幻觉率、引用错误率多少?业务能不能接受?
这是陷阱题——面试官要的不是数字,是你怎么定义这个数字。
先拆指标:
| 指标 | 定义 | 可测性 |
|---|---|---|
| 事实错误率 | 答案里出现与事实不符的陈述 | 人工标注口径 |
| 引用错误率 | 引用存在但不支持该结论,或引用片段根本不存在 | 可自动测 |
| 越界率 | 检索不到却仍然作答的比例 | 最好测,日志直接统计 |
再说口径: 分母是「所有回答」,还是「所有包含事实性陈述的回答」?两者能差好几倍,混着讲就是耍花招。
然后按场景分级:
| 场景 | 策略 |
|---|---|
| 日程 / 转账 / 发消息这类写操作 | 零容忍。不是「降低错误率」,而是改成确认式交互:AI 只生成草稿,落库前必须用户确认。把模型准确率问题转化成产品交互问题,是唯一可靠的解法 |
| 信息汇总 / 摘要 | 可容错,但必须带引用,让用户能自己核 |
| 闲聊 / 建议 | 基本不设阈值,错了代价很小 |
最后加一层熔断: 某类意图的越界率连续超阈值,自动降级到「只检索不生成」或「转人工」。
面试官想听的
先给定义和分母,再给分级阈值,最后给熔断。顺序错了就显得没做过。
三、记忆系统
Q6:长中长期记忆怎么分层存储?
按「访问频率 + 生命周期」分四层,而不是按技术栈分:
| 层 | 存储 | 内容 | 要点 |
|---|---|---|---|
| ① 工作记忆 | 上下文窗口 | 当前会话最近若干轮 + 当前任务中间状态 | 不落库,就是 prompt 里的内容 |
| ② 短期记忆 | Redis | 跨轮但不跨天的:会话状态、临时槽位、限流计数 | 带 TTL,过期自动清 |
| ③ 长期语义记忆 | 向量库 | 历史对话片段、文档、笔记 | 解决「找得到相关的东西」,不解决「这个东西是否权威」 |
| ④ 长期结构化记忆 | MySQL / PG | 用户画像、偏好、事实性槽位(「用户住上海」「不吃辣」「周三下午固定开会」) | 权威源 |
向量库不是记忆,它只是索引
很多人把「把所有对话塞进向量库」当记忆系统,结果:同一事实五个版本、时间上互相矛盾、检索出来不确定哪个对。
正确做法:事实进结构化表,原文进向量库。 结构化表每条事实带source_span(对应哪段原文)、confidence、updated_at;冲突时按时间和置信度裁决,而不是看谁被检索出来。
读取路径也要分层: 先读结构化(快、准),检索不到再走向量(慢、广)。反过来会很贵。
面试官想听的
「权威源和索引要分开」——这是记忆系统和「一个大号向量库」的分水岭。
Q7:记忆滚动更新、摘要压缩、结构化压缩分别怎么做?
三种压缩的失真特性完全不同:
| 方式 | 做法 | 关键细节 / 代价 |
|---|---|---|
| ① 滚动更新(rolling summary) | 滑动窗口:保留最近 N 轮原文,更早的压成摘要,摘要随新内容滚动更新 | 摘要要带锚点:不能只写「用户讨论了项目排期」,要写「用户说项目排期定在 11 月中(第 12 轮)」。摘要有损且不可逆,原始对话必须冷存兜底 |
| ② 摘要压缩(hierarchical summary) | 每 10 轮一个小结,每 10 个小结一个中结,以此类推 | 检索可先命中「中结」再下钻「小结」。代价:层级越高粒度越粗,越容易丢关键约束。高层摘要要维护「不可丢弃字段」:硬性约束、已承诺的事、明确拒绝的事 |
| ③ 结构化压缩(slot extraction) | 把自然语言抽成 schema:{偏好, 约束, 事实, 待办} | 唯一无损可校验的——抽取完可反查原文。但只覆盖「能被 schema 表达」的部分,情绪、语气、氛围全丢 |
工程组合
结构化管硬事实,摘要管软上下文,原文兜底。 三者并存,不是三选一。
面试官想听的
「压缩必然有损,所以要留原文、留锚点、留不可丢弃字段。」
四、多 Agent 与工程范式
Q8:Multi-Agent 怎么协作?ReAct 与 Plan-and-Act 什么区别?
三种协作拓扑:
| 拓扑 | 特点 | 适用 |
|---|---|---|
| 主从(Orchestrator-Worker) | 一个调度者拆任务,分给专家 Agent | 可控性最好,适合业务流程明确的场景 |
| 流水线(Pipeline) | 固定顺序传递,如「检索 → 分析 → 写作 → 校对」 | 最简单,也最容易被误当成 Multi-Agent |
| 对等协商(Debate / Peer) | 多个 Agent 各自出方案再投票或辩论 | 质量上限最高、成本也最高,一般只用在关键决策点 |
实际用最多的是主从 + 局部对等:主流程主从,只在「需要判断的节点」开两三个 Agent 交叉验证。
ReAct vs Plan-and-Act 不是新旧关系,是两种控制流:
| ReAct | Plan-and-Act | |
|---|---|---|
| 机制 | Think → Act → Observe 循环,每步基于上一步观察决定下一步 | 先一次性生成完整计划,再逐步执行 |
| 优点 | 能根据反馈动态调整 | 可控、可预估成本、可人工审核计划 |
| 缺点 | 没有全局视野,容易局部绕圈,步数不可预测 | 计划一错后面全错,中途环境变化无法自适应 |
实际系统通常是分层混合
外层用 Plan 生成粗粒度计划(3–6 步),每一步内部用 ReAct 执行。既有全局约束,又保留局部灵活性。
Q9:Loop Engineering 是什么?和 Graph Engineering 有什么区别?
两个词不是标准术语,但精准描述了两种工程取向:
| Loop Engineering | Graph Engineering | |
|---|---|---|
| 组织方式 | 围绕一个循环:think → act → observe,直到满足终止条件 | 把流程显式画成图:节点是步骤/Agent,边是转移条件 |
| 核心工程问题 | 怎么保证循环能停下来:最大步数、重复动作检测、无进展检测(连续 N 步无新增有效信息就退出)、成本熔断 | 状态怎么在节点间传递、在哪落盘:checkpoint、条件边 |
| 适合 | 开放域、路径不确定的任务(如「调研一个行业」) | 流程相对确定、但分支多的任务(客服工单、审批流、内容生产流水线) |
| 优势 | 灵活 | 可视化、可测试、可回滚、可插入人工节点 |
一句话区分:Loop 是「用模型决定下一步去哪」,Graph 是「用人决定有哪些步,让模型决定走哪条边」。
演化路径: 先 Loop 快速验证 → 跑出稳定高频路径 → 把这条路径固化成 Graph → 只在不确定的节点上保留 Loop。
面试官想听的
「Loop 的问题是收不住,Graph 的问题是改不动,所以成熟的系统是 Graph 骨架 + Loop 节点。」
Q10:MCP 与 Skill 分别怎么注册和使用?
两者不在一个层面:
| MCP(Model Context Protocol) | Skill | |
|---|---|---|
| 层次 | 协议层 | 能力包 / 方法论层 |
| 定义 | 模型怎么和外部能力通信:JSON-RPC 2.0、三类原语(tools / resources / prompts)、传输(stdio / SSE / streamable HTTP) | 「提示词 + 脚本 + 流程知识」的封装;注册「什么场景下、按什么步骤、用什么工具」 |
| 注册 / 调用 | Server 声明 tool(名字、描述、inputSchema)→ 客户端 tools/list 注入模型上下文 → 模型输出 tool_use → 客户端转发 tools/call → 结果回填 | 描述触发场景与执行步骤,按流程调用已有工具 |
| 价值 | 解耦:工具作者不关心模型和宿主,写一次所有支持 MCP 的客户端都能用 | 固化内部流程与最佳实践 |
| 一句话 | 解决「能不能调」 | 解决「该怎么用」 |
典型组合: 数据库 MCP Server 提供 query 工具(协议层);Skill 里写「先看表结构 → 再生成 SQL → 执行前 explain → 结果超过 100 行要聚合」(方法论层)。
选型: 跨应用复用 → MCP;内部流程固化 → Skill。反过来用会很别扭——把流程知识塞进 MCP Server,会让工具又胖又难维护。
面试官想听的
「MCP 是接口标准,Skill 是使用范式,两者是正交的。」
五、数据闭环
Q11:Badcase 怎么定义?review 拒绝、用户不采纳、高质量样本怎么处理?
先给三分类,这是整题的地基:
| 类型 | 例子 | 可信度 |
|---|---|---|
| ① 显式负反馈 | 点踩、点「重新生成」、明确说「不对」 | 较高 |
| ② 隐式负反馈 | 不采纳、不复制、追问同一件事、会话中途断掉、改完才用 | 差别极大,最容易被误用 |
| ③ 自动检出 | schema 校验失败、引用校验失败、工具调用报错、超时、循环超限 | 高 |
「用户不采纳」是最容易被误用的信号
用户没采纳,可能是模型错了,也可能是用户改主意、想换说法、只想看看别的方案。不做归因就打标,训出来的模型会学到「少给建议」「少主动」。
必须加一层归因分类: 事实错 / 格式不合 / 风格不合 / 需求变了。只有「事实错 / 格式不合」才进训练集,「需求变了」要丢弃。
Review 拒绝同理: 要区分「答错了」和「答对了但不合规」(如泄露不该说的信息)。后者不是能力问题,是策略问题,不该进 SFT。
高质量样本三条件同时满足: 用户明确接受(或复制/采纳)+ 人工 review 通过 + 可验证(有引用、有工具返回、有标准答案)。第三条最重要——没有可验证依据的「好评样本」,训进去等于把模型的运气固化下来。
Q12:Badcase 回流 SFT 的完整链路?
九步流水线,每步一个坑:
| # | 步骤 | 坑 / 要点 |
|---|---|---|
| ① 采集 | 从 trace 拉全链路记录,不是只拉最终问答 | 没有 trace 就没有回流,这是前置条件 |
| ② 归因打标 | 人工 + 规则;打三类标签:错在哪(事实/格式/推理/工具)、错的原因(知识缺失/检索失败/指令理解/策略)、该怎么改 | 归因不清,后面全白做 |
| ③ 去重与聚类 | 同一问题可能 200 条相似 badcase | 全量训会过拟合这一个点;聚类后按簇采样 |
| ④ 脱敏 | 用户隐私、内部 ID、密钥 | 必须在构造训练数据之前做 |
| ⑤ 构造样本 | SFT pair / DPO pair / 过程监督 | 不能直接把用户期望当答案,要重写正确答案并带引用;过程监督训「中间该调哪个工具、怎么规划」,对 Agent 特别有效 |
| ⑥ 配比 | 新数据占比 5%–20%,混入等量同分布正常样本防遗忘 | 最容易翻车:badcase 通常只有几百条,直接混会被通用数据淹没,或反过来过拟合 |
| ⑦ 训练 | LoRA 起步,全参只在大版本动;学习率比常规略低 | 防少量数据过拟合 |
| ⑧ 离线评测 | 必须跑三套:回归集、badcase 集、留出盲测集 | 盲测集防在 badcase 集上过拟合 |
| ⑨ 灰度与监控 | 小流量上线,盯四个指标:同类 badcase 复现率、整体采纳率、平均步数、时延 | 采纳率涨但时延涨太多,不能全量 |
面试官想听的
「回流不是训一遍就完,关键是配比和回归集——修新问题的同时别弄坏老能力。」
六、评测与 RAG
Q13:评测体系怎么搭?四层怎么分工?
| 层 | 指标 | 失败表现 |
|---|---|---|
| ① 检索层 | Recall@k、MRR、nDCG、引用命中率 | 「材料没找到」,模型再强也救不了 |
| ② 生成层 | 忠实度(faithfulness / groundedness)、答案正确率、格式合规率、引用正确率 | 要能区分「答错了」和「答得对但没依据」——后者更危险,因为看起来可信 |
| ③ 链路层 | 任务成功率、工具调用成功率、平均步数、P95 时延、异常退出率 | 很多问题出在链路,不在模型 |
| ④ 线上层 | 采纳率、重试率、追问率、投诉率、次日留存 | 唯一真实的指标,但延迟高、信噪比低 |
关键在层与层之间的归因
线上采纳率跌了 → 线上 badcase 反向打回链路层 → 看哪一步失败 → 再打回生成层/检索层 → 看是模型问题还是材料问题。
没有这条归因链,四层评测就只是四张报表。
离线涨、线上不涨,八成是这三个原因: 评测集与真实分布不一致、指标定义与用户感知不一致(nDCG 涨了但用户只看第一条)、链路层有时延/失败率拖累。
Q14:知识助手 RAG 的难点?PDF / 表格 / 条款怎么解析切分?
难点不在「接一个向量库」,在文档进入向量库之前那一段。这段决定上限,后面怎么调都补不回来。
| 文档类型 | 坑 | 做法 |
|---|---|---|
| 双栏被读成交错、页眉页脚混进正文、扫描件无文字层、公式图注被打散 | 先做版面分析(DocLayout-YOLO / LayoutLMv3),拿到区块(标题/正文/表格/图/页眉页脚)再按阅读顺序拼接,不要直接 pdfplumber 抽全文 | |
| 表格 | 跨页、合并单元格、无边框,纯文本抽取破坏行列关系 | 转成 Markdown 或 HTML 保留结构;表格前补一行「表头说明」(这张表在讲什么、行列是什么含义)——检索靠语义,光有数字召不回 |
| 条款 | 法律/制度靠层级编号表达逻辑(第 X 条 → 第 X 款 → 第 X 项) | 切分必须保留父级路径,否则孤立的「(三)应当在 5 个工作日内……」召回来没人知道属于哪条 |
切分的核心矛盾: 块小 → 检索准但上下文不全;块大 → 上下文全但检索不准。
工程解法
小块检索、大块喂入(small-to-big / parent-child chunk):用 200–400 字的子块建索引,命中后回溯到父块(整节或整条)喂给模型。
每个 chunk 都要带「属于哪份文档、哪一章、哪一节」的元数据;检索时先按元数据过滤,再走向量——元数据预过滤的收益,通常比换一个更好的 embedding 模型更大。
面试官想听的
「RAG 的上限在解析,不在检索;切分要做小块检索、大块喂入。」
Q15:检索怎么优化?query rewrite / BM25 / 向量 / RRF / rerank 怎么配合?
这五个组件不是并列的「优化点」,是一条链上的不同环节:
| # | 组件 | 解决什么 | 要点 |
|---|---|---|---|
| ① | Query rewrite | 「问得不像文档」 | 指代消解 + 补全、多查询扩展(3–4 个角度)、多跳拆解。收益通常最大,因为很多「检索不到」本质是 query 信息不足 |
| ② | 双路召回 | 单一召回的盲区 | BM25(稀疏)擅长精确匹配:型号、编号、专有名词、条款号;向量(稠密)擅长语义相似:同义、跨语言、模糊描述。两路必须都有 |
| ③ | RRF 融合 | 两路分数不可比 | BM25 分数无界、余弦相似度在 [−1,1],直接加权没有意义。RRF 只用排名:score(d)=Σ1/(k+rank_i(d)),k 通常取 60。RRF 是融合手段,不是提分手段 |
| ④ | Rerank | 召回准但排序糙 | 召回用双塔(快、精度有限),rerank 用 cross-encoder(query+doc 拼一起,精度高但慢),只对 Top 20–50 做 |
| ⑤ | 上下文组装 | 召回了怎么放进 prompt | 最相关的放开头和结尾(中间位置容易被忽略,即 lost-in-the-middle);每个片段带来源标识,为引用溯源服务 |
实践漏斗: 召回宽(每路 50–100)→ RRF 合并 → rerank 取 Top 5。这个漏斗形状比参数调优重要。
面试官想听的
「rewrite 提召回率,双路补盲区,RRF 只做融合,rerank 才是提精度的关键。」
七、手撕:最长公共子串
先区分「子串」和「子序列」
- 最长公共子串(Longest Common Substring):必须连续。递推
dp[i][j] = dp[i-1][j-1] + 1(相等时),不相等归零。- 最长公共子序列(LCS):可以不连续。不相等时取
max(dp[i-1][j], dp[i][j-1])。
题目里如果是子串,就按子串实现;面试时如果面试官说 LCS,主动确认是子串还是子序列——这个确认本身就是加分项。
def longest_common_substring(s: str, t: str) -> str:
m, n = len(s), len(t)
# dp[i][j]: 以 s[i-1]、t[j-1] 结尾的最长公共子串长度
dp = [[0] * (n + 1) for _ in range(m + 1)]
best, end = 0, 0 # best 记录最大长度,end 记录在 s 中的结束位置
for i in range(1, m + 1):
for j in range(1, n + 1):
if s[i - 1] == t[j - 1]:
dp[i][j] = dp[i - 1][j - 1] + 1
if dp[i][j] > best:
best = dp[i][j]
end = i
return s[end - best:end]三个容易错的点:
dp要多开一行一列,表示「空前缀」,否则i-1越界。best和end要在更新的同时记录,不能最后再扫一遍——扫一遍能找到长度,但找不到对应子串。end取i而不是j,因为结果要从s里切;两边长度一致取哪个都行,但要在注释里说清。
一维滚动(空间 O(n))
def longest_common_substring_1d(s: str, t: str) -> str:
m, n = len(s), len(t)
dp = [0] * (n + 1)
best, end = 0, 0
for i in range(1, m + 1):
# 关键:内层必须倒序,否则 dp[j-1] 已被本行更新,会串行累加
for j in range(n, 0, -1):
if s[i - 1] == t[j - 1]:
dp[j] = dp[j - 1] + 1
if dp[j] > best:
best = dp[j]
end = i
else:
dp[j] = 0 # 必须清零,否则残留上一行的值
return s[end - best:end]倒序是唯一的陷阱
正序时
dp[j-1]已是本行(第 i 行)的值,等于把「本行上一列」当成「上一行上一列」,结果会算出连续重复的错误长度。
复杂度: 时间 O(m·n),空间二维 O(m·n)、一维 O(min(m, n))。
可能的追问:
- 返回所有最长公共子串? 不改 DP,更新
best时收集位置;出现更长时清空重收。 - 数据量到百万级? DP 不可行(O(m·n) 在百万规模是 10¹² 量级)。改用后缀自动机或后缀数组 + LCP,可做到 O(n) 级别。
- 多字符串的公共子串? 后缀自动机同样适用(在 SAM 上跑所有串,取每个状态的最小匹配长度)。
面试官想听的
主动区分「子串」和「子序列」,以及一维滚动里为什么要倒序。
八、复盘:把每个模块问三遍
这场面试最大的感受:它不考你知道什么,考你能不能为自己的设计负责。
每一条追问都指向 失败模式:
- 它在什么情况下会失效?
- 失效了系统怎么知道?
- 知道了之后能退回哪一步?
准备这类面试的方法
与其背方案,不如把每个模块都问自己三遍。这三个问题答得出来,设计才算你的。
📚 相关笔记
架构与工程
- 生产级Agent工程架构蓝图(从Demo到千万级并发) — 六层架构、状态机、记忆分级、高并发
- Agent 演进全过程:从 Tool Use 到 Multi-Agent,从 Loop 工程到 Graph 工程 — Loop / Graph 的演进与本笔记 Q9 互相印证
- AI Agent 沙箱与执行隔离 — 沙箱隔离谱系,对应 Q4
- Jev:给 Agent 的快速决策引擎 — 判断节点的高效实现,对应 Q1 调度层与 Q8 路由
- Agent Memory-Basic Memory-智能体长期记忆系统完整指南 — 记忆分层与工程实现,对应 Q6/Q7
- Harness 五要素面试题(字节)· 精读笔记 — Context / Tools / Guardrails / Evaluation / Recovery
RAG 与评测
- RAG系统核心技术与实现 — RAG 全链路
- RAG检索策略全面解析 — 检索策略总览,对应 Q15
- RAG 中的分块策略 — 分块与 small-to-big,对应 Q14
- 混合检索排序方式 RRF — RRF 融合
- Cross Encoder(交叉编码器) — rerank 原理
- RAG评估框架 — 检索/生成评估,对应 Q13
- RAGAS 评估数据准备与指标详解 — RAGAS 指标
面试
- 大模型面试题-Agent-2026版-带答案 — Agent 面试题库
- Agent 基础丨大厂面试(九大能力板块) — Agent 九大基础板块
来源
- 原文:DeepSeek Agent 三面面经:16 道题,全程聊设计,从架构问到 RAG 链路
- 本文为结构化整理,保留了原答案的工程判断与技术细节;具体实现与数据以实际项目为准