字节 AML / 火山方舟 AI Infra 一面：Agent Runtime、OS 与网络（2026 年 8 月）
面经与参考答法
字节 AML / 火山方舟 AI Infra 一面：Agent Runtime、OS 与网络（2026 年 8 月）
这轮机器学习平台研发一面约一小时，方向偏机器学习系统与调度。流程从项目深挖进入 Agent Runtime 和沙箱容错，随后连续考察操作系统、TCP 异常断连与算法优化。回答重点不是只背定义，而是说明设计动机、故障边界和验证方式。
（1）自我介绍和项目经历怎样组织？
用“方向匹配—核心项目—个人职责—量化结果”组织。先用一句话说明自己的工程方向，再选与机器学习平台、Agent Runtime 或分布式系统最相关的项目，交代业务问题、系统规模和本人负责的模块。结果应尽量用任务成功率、P95 延迟、资源利用率、故障恢复时间或人工接管率说明，避免只罗列框架名称。
（2）怎样介绍一个项目的技术架构和核心技术点？
先画清数据流和控制流：请求从哪里进入，经过哪些服务、队列、状态存储和执行单元，结果怎样验证与返回。随后说明模块边界、关键数据结构、部署形态和外部依赖，再挑两三个真正影响可靠性或性能的决策讲取舍。最后明确自己设计、实现和排障的部分，以及上线后如何验证效果。
（3）项目最大的技术难点应该怎样回答？
选择一个存在真实约束的问题，而不是把“使用了某项技术”当难点。依次说明现象与影响、根因定位、候选方案、最终取舍、实现细节、验证指标和遗留边界。如果是可靠性问题，还要说明故障如何发现、状态是否可恢复、外部副作用是否可能重复，以及失败后如何降级或人工接管。
（4）Agent Infra 和 Agent Runtime 通常包含哪些模块？
可以把系统分为持久控制面和临时执行面。控制面负责身份与权限、任务编排、状态和检查点、预算、调度、工具注册、策略与审计；执行面负责模型调用、工具执行、沙箱生命周期和结果校验。每次运行都应有稳定的 run ID 和 step ID，状态写入持久存储，日志、指标和 Trace 贯穿模型、工具与沙箱。
Runtime 的核心不是循环调用模型，而是把不确定决策放入可恢复、可观察、受权限和预算约束的执行协议中。
延伸阅读：从零构建 Agent 运行时。
（5）Agent 调用 Sandbox 的链路怎样容错？Sandbox 运行中崩溃怎么办？
控制器先生成稳定的 job ID，持久化任务、镜像摘要、输入引用、权限、资源预算和状态，再把任务交给 Sandbox supervisor。执行状态至少区分 created、running、succeeded、failed、cancelling 和 unknown。
Sandbox 崩溃可以通过进程退出事件、心跳或租约超时、OOM 和资源告警发现。恢复时不要继续信任已损坏环境，而是在新的隔离环境中加载最近一次安全检查点和持久化产物。只有可重试且幂等的步骤才能在总预算内限次重试；参数错误、权限拒绝和确定性失败应直接终止或修正输入。
外部写操作可能已经成功但回执丢失，此时不能直接重做。应使用 operation ID 或幂等键查询真实状态，再决定读取结果、补偿、重试或转人工。临时文件不能充当恢复真相，关键产物应写入外部持久存储。最后还要确认进程组、网络、磁盘和配额已经释放，并用故障注入验证进程崩溃、超时、重复投递和检查点损坏等场景。
延伸阅读：Agent 沙箱、失败分类与恢复、检查点与断点续跑。
（6）为什么操作系统需要区分用户态和内核态？
核心目的是建立保护边界。普通程序不能任意访问其他进程内存、修改页表、控制设备或执行特权指令；这些能力只能由内核在更高特权级执行。应用需要资源时通过受控接口请求内核，内核完成权限检查、参数校验、资源记账和调度。
如果所有程序都拥有内核权限，一个越界指针或恶意程序就可能破坏整台机器。用户态与内核态配合虚拟地址空间，把应用故障限制在进程边界内，也让操作系统能够统一管理 CPU、内存和设备。
（7）什么情况下会发生用户态与内核态切换？
常见入口有三类：
- 系统调用，例如文件、网络、进程和内存管理请求；
- 异常或故障，例如缺页、非法指令、除零；
- 硬件中断，例如时钟、网卡和磁盘完成通知。
CPU 会保存必要现场、切换到内核入口和内核栈，并在处理完成后返回用户态。普通函数调用和访问已经映射的用户内存不会切换特权级。线程被抢占时，时钟中断先进入内核，调度器再决定是否进行上下文切换。
延伸阅读：操作系统的用户态、内核态与切换。
（8）操作系统怎样管理内存？为什么需要虚拟内存？
每个进程看到独立的虚拟地址空间，MMU 根据页表把虚拟页映射到物理页，TLB 缓存近期翻译。内核还负责物理页分配、页表权限、按需调页、缺页处理、共享映射、文件映射、回收和换出。
虚拟内存提供隔离与保护，让程序看到连续地址而不要求物理内存连续，也支持共享库、写时复制、按需加载和内存映射文件。它不等于“把磁盘当内存”；交换只是虚拟内存体系中的一种策略。虚拟地址和物理地址分离后，进程布局、物理页位置和资源回收可以独立变化。
延伸阅读：内存、虚拟内存与分页。
（9）已建立的 TCP 连接中，一端突然掉电，另一端状态会怎样变化？
如果对端没有机会发送 FIN 或 RST，本端不会立刻知道故障，连接通常仍保持 ESTABLISHED。TCP 没有凭空感知远端主机状态的能力。
本端继续发送数据时，会按重传策略尝试，超过实现规定的重传上限后才向应用报告错误并释放连接；启用 TCP Keepalive 时，探测连续失败也可发现失联。若连接长期无流量、没有 Keepalive 或应用层超时，它可能长时间保留。对端重启后已丢失旧连接状态，收到旧连接报文时可能回复 RST。
因此生产服务还需要应用层心跳、读写超时、连接租约和重连策略。必须区分主机掉电、进程退出、网络分区和优雅关闭，因为它们在线上的报文与状态变化不同。
延伸阅读：TCP 建连、断开与连接状态。
（10）两数之和怎样从排序双指针优化到一次遍历？
排序后使用左右指针，时间复杂度是 O(n log n)，扫描为 O(n)。额外空间取决于排序实现；如果需要返回原始下标，通常还要把数值与下标绑定，不能简单声称空间为 O(1)。原地排序也会修改输入。
更优的常见方案是一次遍历哈希表：
function twoSum(nums, target) {
const indexByValue = new Map();
for (let i = 0; i < nums.length; i += 1) {
const need = target - nums[i];
if (indexByValue.has(need)) {
return [indexByValue.get(need), i];
}
indexByValue.set(nums[i], i);
}
return null;
}先查询补数、再写入当前元素，可以保证同一位置不会被使用两次；[3, 3]、目标值为 6 时也能正确返回两个不同下标。平均时间复杂度为 O(n)，空间复杂度为 O(n)。测试应覆盖重复数字、负数、无解、单元素和存在多组答案的情况，并提前澄清返回一组下标还是所有组合。
延伸阅读：哈希表、缓存与去重。
反问与复盘
可以继续确认平台主要承载哪些训练或推理工作负载、调度目标如何在等待时间和资源利用率之间取舍、哪些模块自研或借鉴开源方案，以及岗位更偏控制面、调度器还是稳定性工程。反问重点是了解真实问题和成功标准，不是证明自己知道多少组件名称。