快手 AI 应用一面：沙箱中的 Skill、工具调用与记忆压缩
本场面试题
- Skill 放在沙箱里时，怎样通信并实现按需披露？
- Function Calling 怎样减少工具调用幻觉？
- 上下文何时压缩，摘要与分层记忆怎样衔接？
面经与参考答法
快手 AI 应用一面：沙箱中的 Skill、工具调用与记忆压缩
公司为快手，岗位为 AI 应用开发，轮次为一面。标题与正文只给 4 月 13 日，年份未注明；具体部门与总时长未注明。正文有连续场景追问和面后关于压缩的反馈，以下不把反馈当企业官方标准。
以下问题根据候选人公开自述选录，经历未获外部认证。原帖未提供完整现场答案；短答与例子均为编辑教学补充，不代表候选人实际作答、项目实现或企业标准答案。
选录 Skill 在沙箱中的资源与通信、工具调用错误、上下文与记忆压缩三组。多智能体范式、MCP、其他压缩方法和最长回文子串均已见但未展开；关于 Claude Code 的具体记忆模式缺版本与现场答案，不补成某一产品事实。
（1）Skill 放在沙箱里时，怎样通信并实现按需披露？
Skill 可以作为受控文件和资源提供给执行环境；宿主先发现元数据，匹配任务后再读取正文与所需资源。跨文件系统应通过明确挂载或受控读取接口传递版本、内容和结果，限定可访问路径及操作。文件存在、通信可达或已加载 Skill 都不能代替权限检查，具体机制取决于宿主实现。 教学例子：宿主只给沙箱挂载获准版本的只读说明，资源读取工具按允许根目录检查请求；返回资源后由宿主更新上下文。原文没有给出这种接口实现，它只用于说明边界。
（2）Function Calling 怎样减少工具调用幻觉？
给工具定义清楚的用途、输入 Schema 和返回语义，按任务与权限缩小候选集合。模型提出调用后，执行层验证名称、参数结构、业务对象与授权；错误用稳定反馈帮助修正，重复失败或预算耗尽则停止。结构化调用能约束接口形式，但不能证明参数事实正确，也不能保证选对工具。 教学例子：模型给出格式合法却不存在的记录 ID，执行器仍需查询并反馈未找到；不能因为 JSON 合法就直接写入。该例仅说明合同与业务校验的区别。
（3）上下文何时压缩，摘要与分层记忆怎样衔接？
按实际 Token 预算、任务阶段和内容变化触发压缩，保留目标、约束、关键证据及未完成动作。旧摘要与新片段可按版本更新或分别保存，选择取决于召回、追溯和冲突处理需求；无论哪种都避免无来源地反复摘要。短期内容进入长期记忆要经过用途、稳定性和有效性检查，三层结构也应有明确生命周期。 教学例子：保留近期原始消息、可追溯的阶段摘要和经核验的长期事实；晚完成的旧摘要不能覆盖新状态。“最近 N 轮”只是候选策略，N 应用真实任务校准，不给万能数值。