Tencent AI Interview · Round 1

腾讯 AI 应用开发一面 · 逐题参考答案

一份真实的腾讯 AI 应用开发岗一面题单,15 道题逐题给出可直接口述的参考答案、加分点与追问预判,并按主题组织成五个章节。

一句话本质

这 15 道题考的不是 API 背诵,而是概念边界:记忆 ≠ RAG、配置热更新 ≠ 代码热更新、ReAct 的 prompt 格式 ≠ ReAct 的循环思想、LangChain ≠ LangGraph 的竞争对手——说清机制、辨清边界、讲明取舍,是通过这场一面的全部要求。

题单里至少三道题(Q4、Q9、Q12)是纯粹的边界辨析题:面试官给出一个"看似等价"的说法,考察候选人能否指出两个概念在哪条线上分开。其余的系统设计题(Q1-Q8)共享同一条工程主线——上下文窗口是稀缺资源:记忆系统决定什么信息进入上下文(01 章),架构决定按什么流程消费上下文(02 章),Skill 决定流程知识如何按需装载(03 章)。

这份笔记适合谁

适合谁

  • 正在准备 AI 应用开发 / LLM 应用工程师岗位面试,已具备 Python 基础与 LLM API 调用经验的工程师
  • 做过至少一个 RAG 或 Agent 项目(哪怕是课程项目),需要把零散经验整理成面试语言的人
  • 拿到类似题单、想逐题核对答案完整度的求职者

不适合谁

  • 还没接触过 LLM 应用开发基础概念(prompt、token、embedding)——先读 AI Agent 面试通关 的 01 章打底
  • 要系统学习某个具体框架——LangGraph、RAG、记忆系统在本库各有专门教程(见页尾相关教程)
  • 准备算法专项面试——本笔记只覆盖题单中的两道题,不是算法题库

读完之后你能做到什么

  • 对 15 道题每一道给出 60 秒结构化口头回答,并预判 1-3 个追问
  • 用 2026 年的事实修正旧教程的答案:create_react_agent 已废弃、auto-coder 项目并无 Skill 机制、显式 ReAct prompt 已被原生 tool-calling 取代
  • 识别并答对三道概念辨析题的"边界线":配置热更新与代码热更新、prompt 格式与循环架构、高层 API 与底层运行时
  • 把记忆介质选型、多 Agent 划分依据、Skill 与 MCP 的分工讲成有取舍的工程决策,而不是名词列表
编写假设

本笔记按"一面准备"深度编写:每题给到机制层(比官方文档深一层),不展开到源码层。读者背景假设为有 LLM 应用开发经验、目标岗位为 AI 应用开发工程师。内容以概念与决策为主,仅算法章含可运行代码。事实性内容(版本、日期、基准数字)截至 2026-06 经过检索核实。

15 题地图

15 道题按主题归入五章。地图中的边标出章节之间的概念依赖:自测章建议最后做,其余四个内容章可按需跳读。

01 记忆系统 Q1 存储介质 Q2 跨会话压缩 Q5 两次提问关联 02 Agent 架构 Q3 FSM · Q4 ReAct Q6 多 Agent 设计 Q12 LangChain/LangGraph 03 Skill 机制 Q7 Skill 与工作流程 Q8 核心价值与动机 05 算法题 Q14 最长有效括号 Q15 股票交易 04 工程落地 Q9 热更新辨析 · Q10 工厂模式 Q11 本地部署 · Q13 后台搭建 checkpointer 流程知识 组件如何被创建与切换 状态机同构 Q4 / Q9 / Q12 为概念辨析题:答案的核心是一条边界线
图 0-115 题地图:五章分工与章间依赖。02 章的 FSM 与 05 章的股票状态机 DP 是同一个抽象。
章节 · 题号 · 一句话考点
章节题号核心考点
01 记忆系统Q1 / Q2 / Q5介质选型、压缩保留策略、跨会话关联——"什么信息以什么形式进入上下文"
02 Agent 架构Q3 / Q4 / Q6 / Q12FSM 五元组、ReAct 与 Chain 的边界、多 Agent 划分依据、框架分层
03 Skill 机制Q7 / Q8渐进式披露三阶段、Skill 与 MCP/RAG/微调的分工
04 工程落地Q9 / Q10 / Q11 / Q13热更新边界、工厂模式、私有化部署、后台架构叙述
05 算法题Q14 / Q15栈 / DP / 贪心,股票系列的状态机统一框架
06 自测全部15 题速答闯关 + 4 道跨章场景判断 + 动手画图

现状速览(截至 2026-06)

  • 框架层在 2025-10 完成换代:LangChain 1.0 与 LangGraph 1.0 于 2025-10-22 同日 GA,create_react_agent 废弃、由 create_agent 接替;按旧教程回答 Q4/Q12 会直接暴露信息滞后。
  • Skill 正在标准化:Anthropic Agent Skills 2025-10-16 发布,2025-12-18 开放为跨厂商标准(agentskills.io),Cursor、Copilot、Codex 等已跟进——Q7/Q8 属于"半年内的新事物",答出时间线本身是加分项。
  • 记忆是当前最活跃的赛道:Mem0、Letta、Zep 等系统在 2025-2026 密集演进,行业话语从 prompt engineering 转向 context engineering;Q1/Q2/Q5 的答案一年内就会再变。
  • 设计模式与算法部分稳定:Q10、Q14、Q15 的答案多年不变,是题单中唯二可以"背"的部分。

怎么用这份笔记

两条路径。逐题查阅:拿着原题单按上表跳到对应章节,每题先读"面试官在考什么",再读参考答案与 60 秒口头版本。系统过一遍:按 01 → 05 顺序读完,三天后做 06 章自测,速答闯关全过再约面试。

读得顺 ≠ 答得出

参考答案读起来全都"有道理",但面试要求的是闭卷复述。三句自我对话是危险信号:"我读得很顺"——熟悉感不等于掌握;"我做题很快"——只能说明题型见过;"我没卡壳"——没卡壳说明还没碰到真正的提取边界。检验标准只有一个:合上笔记,对着 06 章的题号能否说满 60 秒。