小红书 AI Agent 工程师 - 面试题 & 面经

面试特点

算法题难度偏大
会考察对小红书产品和内容生态的理解
Agent 架构设计题较多
前端 AI 应用方向也有独立考察

一、Agent 架构与设计

Q: 如何设计平台的 Multi-Agent 架构？

参考答案： 按职能拆分 Agent：

Planner Agent：任务理解和分解
Executor Agent：具体任务执行
Reviewer Agent：结果验证和质量控制
Router Agent：任务分发和调度

通信方式：

共享黑板（Blackboard）：所有 Agent 读写共享状态
消息传递：Agent 之间直接通信
编排器模式：中心化控制流程

Q: 实现一个能完成小红书发帖全流程的 AI Agent？

参考答案： 思路：让世界适应 AI（结构化接口）而非让 AI 适应世界（视觉识别 UI）

通过 API 接口完成发帖，而不是模拟 UI 操作
任务分解：
- 意图理解：用户想发什么内容
- 内容生成：文案撰写 + 图片选择/生成
- 标签推荐：基于内容匹配话题标签
- 发布执行：调用发帖 API
- 效果跟踪：监控数据反馈
每个步骤有校验和人工确认节点

Q: Agent 架构的演进路线？

参考答案：

v1 - Prompt 驱动：单次 LLM 调用，提示词工程
v2 - 工具调用 + RAG：Function Calling + 知识检索
v3 - 多智能体 + 动态 Context：多 Agent 协同、状态管理、自适应上下文

Q: Agent 如何处理错误和模糊性？

参考答案：

模糊性：向用户澄清、多候选方案并行探索、置信度阈值触发确认
错误处理：
- 重试（指数退避）
- 降级（切换到简单策略）
- 回滚（恢复到上一个正确状态）
- 人工介入（超过错误阈值时）

二、大模型面试题

Q: LLaMA 1/2/3 的异同？

参考答案：

LLaMA 1：基础开源模型，使用 RoPE、SwiGLU、Pre-Norm
LLaMA 2：扩大训练数据（2T tokens）、GQA 注意力、更长上下文（4K）、RLHF 对齐
LLaMA 3：更大训练数据（15T+ tokens）、128K vocab、GQA、多语言能力增强

Q: 大模型参数量为何是 7B/13B 等特殊数字？

参考答案：

主要由模型维度（hidden_size）、层数（num_layers）和注意力头数决定
这些超参数通常选择 2 的幂次或其倍数，利于 GPU 并行计算
经验性的 Scaling Law 指导：在给定计算预算下最优配置

Q: vLLM 加速推理的原理？

参考答案： 核心：PagedAttention

将 KV Cache 分成固定大小的页（blocks）
类似操作系统虚拟内存管理
解决 KV Cache 内存碎片化和浪费问题
支持 Continuous Batching：动态调度请求

三、产品理解（小红书特色）

Q: AI 内容生态的机遇和挑战？

参考答案： 机遇：

AI 降低内容创作门槛，更多用户能产出高质量内容
个性化推荐 + AI 生成 = 千人千面的内容体验
搜索场景 AI 化，提升信息获取效率

挑战：

内容同质化、AI 水文泛滥
真实性和信任问题
UGC 平台的"人味"vs AI 生成内容的平衡
版权和原创性界定

Q: 小红书做独立 AI 功能的意义？

参考答案：

小红书有独特的生活方式内容数据，AI 可挖掘决策价值
AI 搜索/推荐增强用户找信息效率
AI 创作工具降低 UGC 门槛
差异化竞争：结合社区生态的 AI，而非通用 AI

四、算法题（难度偏大）

和大于 Target 的最短子数组
n 个灯泡问题（n 轮操作后亮着几个）
数组取数最大化（取数后移除相邻元素）
不同的子序列
LRU Cache 实现

五、前端 AI 应用面试题（如有前端方向）

流式输出的 Layout Shift 如何解决？
AI 聊天界面新消息平滑滚动 + 用户回看历史的处理
Markdown 代码块高亮 + 一键复制
Prompt 模板管理系统设计
RAG 流程中前端的职责
提示词注入（Prompt Injection）前端防护
AI 应用特有的性能监控指标