测试开发一面面经

无自我介绍，直接写算法题（acm模式） 1h 两个hard 1.合并 K 个升序链表 2.戳气球 你简历上的这几个项目是学习项目吗？ 你用了哪个 Agent 框架？ 有没有用过某种 Agent Harness？ 自己用 Workflow 搭 Agent，与 Harness + Skill 方案相比，你认为哪种更好？ 如果直接使用 AI 做推荐和召回，与你目前的方案相比，哪种效果更好？ 有了用户画像之后，具体怎么推荐出内容？ 用户最后的采纳、点踩等反馈会回流吗？ 如果用户完全没有偏好信息，冷启动怎么设计 推荐系统的信息茧房和重复推荐问题，你有处理吗 Go 的 Context 是用来干什么的？ Context 的超时是怎么传递的？ 为什么不建议把 Context 存到结构体里面？ 如果推荐 Agent 系统的用户量上来，你觉得最大的性能瓶颈在哪里？ 你简历上的 250 条离线评测集是怎么设计的？ 评测题目与记忆知识库的重叠率会不会太高，造成作弊？ 评测集的覆盖度怎么考虑、怎么保证？ 业界有没有类似的 Benchmark 可以参考？ 简历两个项目，后端项目一点没问，全追着agent问。说是测开，其实半毛钱关系都没有。准备了好久的后端的项目还是错付了... 反问 业务是做agent相关的 知道肯定挂了就懒得继续问了 但是其实是闲的没事投ieg后台被捞到测开的，面试官还问我是不是对游戏感兴趣，问我打哪些游戏 感谢你的时间收尾