快手 AI 应用服务端日常实习一面：协作、上下文与评测
本场面试题
- 多个 Agent 怎样传递上下文与上一步执行结果？
- 长链路任务怎样处理上下文膨胀？
- Agent 的 Memory 应该怎样设计？
- Agent 最终怎样评测？
面经与参考答法
快手 AI 应用服务端日常实习一面：协作、上下文与评测
公司：快手；岗位：AI 应用服务端开发实习生；招聘场景：日常实习；轮次：一面。面试日期未给；原文提到二面邀约后主动拒绝，不算实际二面。
根据候选人公开自述选录技术问题，经历未获外部认证。原帖未提供完整现场答案；下方短答与例子均为编辑补充，不代表作者实际作答、项目实现或企业标准答案。本文选录4组问题。
（1）多个 Agent 怎样传递上下文与上一步执行结果？
把目标、输入、约束、必要事实和期望输出写成明确的任务合同，再传递结果及可追溯引用。共享状态要有所有者和版本，子Agent不应任意覆盖全局事实。图内调用可以显式映射状态字段；跨进程时再增加序列化、认证、消息关联和去重，不能把转发整段聊天当作状态同步。
教学例子：B依赖A输出的风险事件列表，编排层先检查列表格式、数据版本和来源，再作为B的输入；若A失败或只返回一段泛泛总结，B不应继续假定结果有效。
知识阅读：多智能体消息、协议与状态同步。
（2）长链路任务怎样处理上下文膨胀？
先为任务约束、当前问题和输出预留预算，再按相关性读取证据。把历史维护为带来源的结构化任务状态，冗长工具输出保存在外部、按需取片段；必要时删除重复内容、抽取或摘要。保留否定条件、数字、版本和未完成事项，压缩后验证关键信息及任务结果，不能只看长度变短。
教学例子：几十次工具调用产生大量日志，窗口里保留定位问题所需的错误、结论、文件位置与未决项，完整日志用引用回查；若摘要丢掉“不可修改线上数据”，应回读并修正，而不是继续执行。
知识阅读：上下文压缩、摘要与裁剪。
（3）Agent 的 Memory 应该怎样设计？
先按用途区分当前任务状态和需要跨任务保存的记忆，再确定写入、检索、更新、过期及删除规则。短期状态要满足恢复需求；长期事实保留来源、时间和适用对象，只有授权且经过必要校验的信息才写入。查询先按用户、租户、权限和时效过滤，再选结构化或语义检索，向量库并非必选。
教学例子：用户纠正了某项偏好，系统把旧值标为失效，检索只返回当前可用事实；不能把新旧两句同时当成有效偏好，也不能跨用户召回相似但无权访问的内容。
知识阅读：短期记忆、长期记忆与检索。
（4）Agent 最终怎样评测？
先把用例的输入、初始环境、允许动作和成功判据固定下来，再同时检查实际结果与执行轨迹。确定性要求用程序或测试验收，开放质量可用经过人工校准的评分；越权等硬约束单列，不用平均文案分掩盖。比较版本时保持环境和预算可比，报告失败切片、重复运行表现、延迟及每个成功任务成本。
教学例子：任务要求生成只读分析报告，验收要读取实际报告、核对数据与引用，并检查轨迹中没有写业务数据；回复里出现“已完成”或工具HTTP返回成功都不能单独作为通过。
知识阅读：Agent 评测原理：任务、轨迹与环境结果。