小红书 AI 后端一面：执行模式、Memory、意图与 RAG
本场面试题
- 一个 Agent 包含哪些关键环节，执行模式怎样选择？
- Agent 的记忆何时写入、何时读取，读多长？
- Agent 意图识别不准时怎样改进？
- RAG 与模型整体效果怎样评估，效果不准先查哪里？
面经与参考答法
小红书 AI 后端一面：执行模式、Memory、意图与 RAG
以下短答与教学示例由编辑补充，不代表原作者的现场回答、实际架构或实测结果。
公司为小红书，岗位为 AI 后端，一面；正文仅给 8 月 13 日，年份未注明，自述约 75 分钟。原记录同时包含大量秒杀、Redis、MySQL 与算法问题，本页聚焦已明确记录的 Agent 问题。
选录原题 26—32 的四组技术主题。其余算法和后端原题全部保留私有库存；原文提到的 SQL、索引条件和分页查询没有给出完整语句，本页不重建或给出假定执行计划。
（1）一个 Agent 包含哪些关键环节，执行模式怎样选择？
说明目标与状态、模型决策、受控工具执行、结果回写及验收终止，再根据依赖关系选择固定工作流、ReAct 或带反馈的规划执行。它们可以组合，选择依据是任务的确定性、变化、恢复与预算要求；换一个框架名不会自动补齐权限或可靠性。
教学例子：固定的数据校验适合确定性步骤；需要根据检索结果继续找证据的任务可采用观察后再决策的循环。两种模式都应设定终态与预算，不能把一直调用模型当作自主能力。
技术核对：ReAct：推理与行动交错。
（2）Agent 的记忆何时写入、何时读取，读多长？
先区分当前运行状态与跨会话长期事实。写入检查用途、权限、来源、重复与冲突；读取先过滤主体、有效期和状态，再按相关性选取有限内容。长度由任务、模型窗口及输出预留共同决定，不能每轮无差别重放全部历史，也没有固定万能条数。
教学例子：用户说“本次用英文”只影响当前任务，不能直接覆盖长期偏好；下次只有相关且仍有效的事实才被召回。摘要应带来源和消费版本，旧任务晚写入时不能覆盖更新事实。
（3）Agent 意图识别不准时怎样改进？
先用真实脱敏样本区分标签边界不清、缺槽、上下文缺失、分布变化与多意图混淆。检查分类规则和难负例，再比较规则、小模型或 LLM 路由；低把握或缺少关键参数时澄清。用误路由、误执行、无谓澄清和最终任务成功分别衡量，不能只提高分类总准确率。
教学例子：“取消上次那个”既缺对象也可能缺动作范围。系统先利用已确认上下文找候选，再询问是哪一项；把这种样本单独回归，检查修复是否同时增加了不必要的反问。
（4）RAG 与模型整体效果怎样评估，效果不准先查哪里？
把数据覆盖与解析、召回、排序、上下文和生成分开评估，使用带相关证据及成功条件的固定样本。召回看正确证据是否进入候选，生成看正确性与证据支持，整体再看任务成功、安全、延迟和成本。沿实际轨迹定位后再改相应阶段，不能一开始就统一换模型。
教学例子：正确文档已入库但未进入候选，先查切块、过滤和召回；若正确片段已在上下文但答案错，再检查生成与引用。每次只改变主要变量并回归，避免不知道是哪项改动生效。
技术核对：RAGAs：区分检索、忠实利用和生成质量。