腾讯 AI Agent 工程师 - 面试题 & 面经
Q: 如何设计一个微信群聊场景的 AI Agent？需要处理哪些独特挑战？
💡 思考逻辑： 腾讯的社交基因决定了 Agent 必须懂社交场景，面试官考察你对'多人异步对话'这个独特场景的理解。
参考答案： 微信群聊 Agent 的独特挑战：1）多人对话理解——需要追踪多个说话人的意图和上下文关系，不能只看最后一条消息，要维护每个用户的对话状态；2）发言时机决策——不是每条消息都要回复，需要判断何时介入（被@、被提问、可以贡献有价值信息），避免刷屏；3）社交礼仪建模——群聊有隐性规范（不抢话、不过度回复、幽默感），Agent 需要 social awareness；4）消息格式多样——文字、语音、图片、小程序、引用回复，需要多模态理解；5）隐私边界——群里的信息不能随意引用到其他场景。技术实现上用 Classifier → Intent Router → Response Generator 三级架构，前置一个 Should-I-Respond 分类器。
Q: 游戏 AI Agent（如 NPC）与通用 Agent 的核心设计差异是什么？
💡 思考逻辑： 腾讯是游戏大厂，面试官考察你对游戏 AI 特殊约束的理解，不能把通用 Agent 方案直接套用。
参考答案： 游戏 AI Agent 与通用 Agent 的关键差异：1）实时性要求极高——游戏帧率 30-60fps，Agent 决策延迟必须 <100ms，不能用常规 LLM 推理（太慢），需要用小模型 + 行为树 + LLM 混合架构；2）个性一致性——NPC 需要长期维持人设（性格、知识边界、口头禅），不能'跳人设'；3）世界模型约束——Agent 的行为受游戏规则约束（不能穿墙、不能凭空生成物品），需要 World State Validator；4）可控性 > 创造性——游戏设计师需要控制剧情走向，Agent 不能完全自由发挥，需要 Guardrails；5）并发规模——MMORPG 可能有数千 NPC 同时运行，需要轻量级推理 + 行为缓存。腾讯的 AI Lab 在《王者荣耀》中已有 AI 队友实践。
Q: 如何评估一个对话 Agent 的效果？除了准确率还有哪些关键指标？
💡 思考逻辑： 腾讯的产品有海量用户，面试官考察你是否有成熟的评估方法论，不能上线后发现问题再改。
参考答案： 对话 Agent 评估体系应该是多维度的：1）任务完成率（Task Success Rate）——最核心指标，任务是否真正完成；2）对话效率——完成任务的平均轮数，轮数越少体验越好；3）幻觉率——生成不存在信息的比例，用人工标注 + 自动化事实核查双重检测；4）安全率——拒绝不当请求、不泄露隐私的比例；5）一致性——多轮对话中的人设/立场是否前后一致；6）用户满意度——CSAT 评分、NPS、对话中断率；7）延迟 P50/P99——用户等待时间；8）Cost per Conversation——每次对话的 token 成本。评估方法上，建议离线评估（benchmark dataset）+ 在线 A/B 测试 + 人工红队评测三管齐下，不能只看自动化指标。
Q: 混元大模型与 GPT/Claude 等模型在 Agent 应用中的差异化优势和技术路线有何不同？
💡 思考逻辑： 面试官考察你对国产模型生态的了解，以及客观分析技术差异的能力，不盲目吹捧也不贬低。
参考答案： 混元大模型的差异化：1）中文优化——混元在中文语义理解、中文 function calling 的准确率上做了专门优化，对中文工具描述的理解更好；2）多模态原生——混元支持图文混合理解，在微信生态（公众号、视频号）中处理多模态内容有天然优势；3）成本控制——腾讯云自有算力，内部调用成本远低于 OpenAI API，大规模部署有成本优势；4）私有化能力——可以部署在腾讯云私有区域，满足金融、政务等对数据不出域的要求；5）与腾讯生态深度集成——微信、企业微信、腾讯文档、腾讯会议的 API 可以作为 native tool 直接接入。劣势是通用推理能力与 GPT-4/Claude 仍有差距，复杂推理任务需要更多 prompt engineering。
Q: 如何设计一个支持百万级 DAU 的 Agent 服务架构？需要考虑哪些稳定性保障？
💡 思考逻辑： 腾讯产品用户体量大，面试官考察你能否从架构层面保障大规模服务的稳定性。
参考答案： 百万 DAU Agent 架构设计：1）分层架构——接入层（Nginx/API Gateway）→ 路由层（Intent Router，简单意图走规则引擎，复杂意图走 LLM）→ Agent 编排层 → 工具执行层 → 模型推理层；2）弹性伸缩——推理服务用 K8s + HPA，根据 QPS 自动扩缩容，GPU 实例用 Spot Instance 降本；3）缓存策略——热点 query 走语义缓存（GPTCache），相似问题直接返回缓存结果，命中率可达 30-40%；4）限流降级——令牌桶限流 + 熔断器 + 降级策略（LLM 不可用时回退到检索式回复）；5）多活部署——跨机房部署，DNS 层做流量调度；6）可观测性——全链路 tracing（从用户输入到模型输出每一步耗时）、指标监控（QPS/延迟/错误率/Token用量）、告警。
Q: 如何让 Agent 理解和生成微信小程序卡片、公众号文章等富媒体内容？
💡 思考逻辑： 微信生态不只是文字聊天，面试官考察你对富媒体交互场景的工程化能力。
参考答案： 富媒体 Agent 设计：1）输入理解——小程序卡片包含标题、描述、封面图和 URL，Agent 需要 URL 解析器提取结构化信息；公众号文章通过 readability 算法提取正文；2）输出生成——Agent 的输出不只是文本，需要 Output Router 根据内容类型选择渲染格式：纯文本回复、Markdown 富文本、小程序卡片（调用小程序链接生成 API）、图片（调用图像生成工具）；3）模板系统——预定义常见富媒体输出模板（商品推荐卡片、文章摘要卡片、投票卡片），Agent 只需要填充结构化数据；4）预览与确认——生成富媒体前先给用户预览，确认后再发送，避免格式错误。技术上用 Schema-guided Generation，在 system prompt 中定义可用的输出格式 Schema。