字节 Agent 日常实习一面：Coding项目与记忆（2026 年 8 月）
面经与参考答法
字节 Agent 日常实习一面：Coding项目与记忆（2026 年 8 月）
公司：字节跳动；招聘方向：Agent；项目焦点：Coding Agent；招聘场景：日常实习。原文记一面 8.13、二面 8.16，未在日期文字中注明年份；帖子发表于 2026 年 8 月。二面没有公开具体题目，只按一次应聘过程登记。
背景、经历及提问范围来自候选人自述，未独立证实。原题按可见记录归纳；各题下的答题思路为教学整理，不代表作者实际作答或企业标准答案。
教学演算：先走一次具体任务
教学小任务是只允许修改src/sum.ts，把sum(2,3)期望5的失败修复。初态验收结果为actual=23；模型读取函数发现字符串连接，提出对输入做数字转换，执行器先检查允许路径再编辑，在隔离夹具运行测试。若工具返回expected=5,actual=5，仍要检查diff及其他边界；若返回NaN，就把错误、输入和attempt写入状态再决定澄清或修正，不能说完成。超过预算保存失败原因；没有新证据时不重复无效修改，但允许按合同重试失败读请求。此为未执行的教学设定，原帖未给该任务。
（1）怎样介绍 Coding Agent 项目与整体架构？
用“目标—主链路—关键状态—质量指标”回答：用户任务先进入规划或决策节点，再由模型选择工具，执行器隔离副作用，观察结果写回状态，循环至完成或触发终止条件。说明代码检索、编辑、测试、审批各由谁负责，以及 run、step、tool call 如何追踪。最后给出任务成功率、平均轮次、延迟和成本，避免只罗列框架。
延伸阅读：Coding Agent 的架构与执行循环。
（2）ReAct 与 Plan 模式有什么区别？
原文只称Plan模式；以下用Plan-Execute作为教学解释，不认定作者框架采用该实现。
ReAct 每轮根据最新观察决定下一步，适合环境反馈强、路径难预估的探索任务，但容易重复尝试。Plan-Execute 先拆分步骤再执行，适合依赖关系清晰的长任务，代价是初始计划可能过时。工程上常采用混合模式：先产出粗计划，每步执行后校验，并在证据变化、连续失败或依赖失效时局部重规划。
延伸阅读：ReAct：推理与行动循环、任务规划、分解与动态重规划。
（3）上下文超限时怎样压缩，又怎样避免遗忘需求？
先为系统约束、用户目标、未完成计划、关键决策和最新工具证据预留硬预算；可重取的大段日志、重复对话和已完成过程只保留摘要与引用。压缩结果应结构化记录“不可丢约束、事实、待办、证据位置”，并用原始消息 ID 回溯。压缩后做一次约束核对，重要需求还应进入独立任务状态，而不是只藏在自然语言摘要里。
延伸阅读：上下文压缩、摘要与裁剪。
（4）路径震荡和重复尝试为什么发生？
常见原因是目标或成功判据不清、工具错误没有分类、观察结果未进入状态，以及每轮都从相同信息重新决策。可以为动作生成稳定指纹，发现没有新证据的重复失败；合法状态轮询与有界幂等重试不能一概阻止，副作用另需稳定幂等身份；记录失败原因与已尝试方案；设置最大轮次、超时和成本预算；连续失败时切换工具、重规划或交给人工。终止条件必须由可验证结果驱动，而非模型自称完成。
（5）完整的 Agent 记忆系统怎样设计？
短期记忆保存当前会话消息、计划和工具结果；长期记忆保存跨会话仍有效的偏好、事实和经验。写入前要提取、分类、去重、做权限与时效判断；检索时结合语义相似度、时间、重要性和用户范围；使用后记录引用，支持纠错、遗忘和审计。上下文是本次推理的工作集，长期记忆是可检索存储，二者不能等同。
延伸阅读：Agent 记忆系统架构设计、短期记忆、长期记忆与检索。
（6）MCP 调用工具的流程是什么，工具很多或返回过大怎么办？
客户端先发现服务器暴露的工具及输入 Schema，模型选择工具并生成参数，宿主先鉴权，再由MCP client发tools/call请求，MCP server执行被允许工具并返回结果，宿主关联调用并交给模型。工具多时先按任务或权限做候选召回，只注入少量描述；结果过大时在工具侧分页、过滤、聚合，把原文存为可追踪引用。任何裁剪都要保留错误码、关键证据和继续读取所需的游标。
延伸阅读：MCP / A2A 智能体通信协议、工具发现、选择与路由。
（7）为什么用小模型处理记忆、压缩或初步召回？Prompt Cache 又如何提效？
分类、摘要和粗排往往目标明确、可校验，小模型可降低延迟与成本；但需用抽样评测约束事实遗漏，并把低置信结果升级给大模型。这里只说明前缀计算复用的共有概念，不给缓存命中时长、费用或跨模型可复用保证。以Claude平台官方当前文档为一个实现参考，缓存按其请求结构和模型支持范围配置；稳定部分放前、动态输入放后仍需满足所选接口规则。原帖未披露供应商/型号，不能据此认定作者项目。
原帖还问车载Agent为何可能用小模型作初步召回：车载延迟、算力和连接约束下可先筛候选，但必须以实际领域查询验证漏召回和最终任务；小模型不自动更准或总是更快。完整模型、设备和性能未公开，不补造。知识导航：RAG 评估与优化、模型能力评估与选型。
（8）Multi-Agent 怎样分工、通信并避免文件冲突？
按能力与副作用边界划分职责，由协调者分配带输入、验收条件和预算的任务。通信使用结构化消息或共享状态，明确消息 ID、版本和超时，避免互相转发而无人负责。并发改文件时可按目录声明所有权、使用隔离工作区，合并前检查基线版本；冲突时由单一整合者处理，不能让多个 Agent 覆盖同一工作树。
延伸阅读：多 Agent 消息、共享状态与协作协议。
（9）优化 Coding Agent 应先看哪些方向？
先用真实任务集定位瓶颈，再依次检查上下文有效性、工具选择与参数正确率、失败恢复、循环收敛、沙箱安全、延迟和成本。一次只改变一个主要变量，比较任务成功率与回归样本；没有评测闭环的 Prompt 或模型升级，很难证明是真优化。
（10）怎样判断一棵二叉树是否平衡？
后序遍历同时计算高度；任一子树已失衡，或左右高度差大于 1，就向上返回失败标记，避免对每个节点重复求高。
下面为未在完整项目运行的代码示意。
function isBalanced(root: TreeNode | null): boolean {
function height(node: TreeNode | null): number {
if (!node) return 0;
const left = height(node.left);
if (left === -1) return -1;
const right = height(node.right);
if (right === -1 || Math.abs(left - right) > 1) return -1;
return Math.max(left, right) + 1;
}
return height(root) !== -1;
}时间复杂度为 $O(n)$，递归栈空间为 $O(h)$。
面试口述与教学追问
口述要点：模型根据观察改计划，执行器检查权限，测试和业务要求判终态；工具结果回到状态才有下一步依据，缓存或压缩不能省略验收与约束。
下面是模拟变条件追问，不是来源面经原题：
- 某工具返回超大日志，直接截断前一千字够吗？——保留错误位置、证据引用和读取游标，按问题选择内容，再验证缺失信息是否影响验收。
- 模型说完成但测试失败，可以终止为成功吗？——读取实际验收结果并保留失败状态，模型自述不等于服务端终态。
整理答案的核验资料
核验于 2026-10-02。LangGraph 为滚动文档；MCP使用2026-07-28规范，MySQL使用8.4。未声称执行了作者的项目或复现其面试。
- MCP 工具调用合同
- LangGraph persistence
- ReAct原论文：观察与行动循环（2022研究范围，不是所有工程取舍定律）
- Claude Prompt caching：请求结构与缓存条件（滚动文档，核验于2026-10-02，未采用默认时长或价格）