字节 AI 全栈实习一面：多 Agent 编排与海量 URL Top-K
本场面试题
- 多 Agent 怎样组织输入和编排？
- 十亿条 URL、只有 1GB 内存，怎样找出现频率最高的 100 个？
面经与参考答法
字节 AI 全栈实习一面：多 Agent 编排与海量 URL Top-K
公司为字节，AI 全栈开发实习一面；作者标注中国交易与广告部门、约 40 分钟。标题只给 10 月 14 日，未注明面试年份。涉及具体未作答题的反思只按自述处理。
根据公开面试自述选录，经历未经外部认证。短答和例子均为编辑教学补充，不代表候选人现场回答、原项目已实现能力或企业标准答案。
选录多 Agent 编排、受限内存下 URL Top-K 两组。项目价值、Redis、MySQL 索引、回表、MVCC、Linux 和合并区间题均为明确已见题，保留完整私有库存，本页未选。
（1）多 Agent 怎样组织输入和编排？
先定义任务目标、输入、依赖与完成条件，再判断哪些分支需要独立上下文和多轮探索。固定步骤用确定性编排，独立分支可并行，后续依赖要等前置结果验证后再推进。子任务合同保存对象、约束、权限、版本与结果格式，汇总时核对证据和口径，不能只拼接自然语言。 教学例子：两个分支分别分析流量与支付，只有它们使用相同时间窗口与数据口径时才能合并结论。这个例子并非原帖项目的已披露业务。
（2）十亿条 URL、只有 1GB 内存，怎样找出现频率最高的 100 个？
先明确要求精确计数及是否允许外部存储。可按完整 URL 的稳定哈希分区到磁盘，同一 URL 落入同一分区，逐分区精确统计，再用容量为 100 的最小堆维护全局候选；分区过大时继续分区或采用外部排序。不能直接把每个不同 URL 都塞进内存，也不能把近似结构的结果冒充精确 Top-K。 教学例子：每个分区统计完成后把 URL 与精确次数送入同一个候选堆；哈希碰撞只使不同 URL 同桶，计数仍按完整 URL 区分。原题没有给出磁盘许可，所以应先确认这个条件。