腾讯 IEG 光子 一面 4.23 11:00-12:00

八股

Vue 的 DIFF 算法核心是什么，具体怎么实现

无论是 Vue2、Vue3，还是 React，它们在对比两棵树时，都是“同层比较”。如果同一层级的节点类型（如 div 变成了 span）或 key 发生了变化，它们都会直接销毁旧节点、创建新节点，不再继续向下深度比较。

面经图 15

大模型

上下文工程演变历程

上下文工程的本质是【如何更高效地管理大模型的短期显存】，主要经历了以下五个阶段：

1. 意图对齐期：Few-Shot (少样本学习)

痛点：纯零样本（Zero-shot）下，模型输出的格式和语气易跑偏，不符合业务预期

方案：在上下文中预置 2-3 个标准 Q&A 样例，模型无需微调即可通过类比完成任务

2. 容量突破期：RAG (检索增强生成)

痛点：早期模型 Token 窗口小(4K-8K)，无法直接塞入长文档或私密数据，易产生事实幻觉

方案：引入向量数据库（Vector DB）。在喂给大模型前先进行语义检索，取出最相关的切片（Top-K Chunks），按需拼接进上下文

3. 降本提效期：压缩与缓存 (Compression & Caching)

痛点：128K+ 超长窗口带来副作用：1)中间细节丢失（Lost in the Middle）；2)Token 费用高昂；3)首字响应（TTFT）极慢

方案：【信息压缩】引入小模型（如 LLMLingua）提前剔除无用停用词，实现信息浓缩。【物理缓存】利用 Prompt Caching 技术，将长期不变的系统提示词或长文档固化在 GPU 显存池中，命中后实现降本及秒级响应

4. 架构隔离期：多智能体编排 (Agentic Workflow)

痛点：复杂任务下，将多轮历史、旧目标、报错栈全塞入单一上下文，会导致模型逻辑错乱（即上下文污染 Context Pollution / 上下文腐化 Rot/ 上下文衰减 Decay）

方案：从“单体巨石”转向“微服务”。拆分多 Agent，实施上下文局部隔离（例如：Planner 只看宏观需求，Coder 只看当前函数）。引入草稿纸（Scratchpad）机制隔离推演过程与最终输出

5. 跨会话感知期：持久化记忆 (Stateful Memory)

痛点：模型底层无状态（Stateless），跨级、跨会话的历史经验无法继承，需反复输入背景信息

方案：引入全自动化记忆层。在后台静默提取用户偏好构建【特征图谱】，当用户开启新会话时，系统利用语义检索精准激活历史记忆，前置拼装为用户的上下文

skill 是直接传给底层大模型嘛

不会直接生传，通常经过如下中间件：

意图路由引擎：判断当前任务是否需要使用特定的 skill

文本解析与 Chunking：如果 Markdown 内容长，会切片或者转换为结构化提示

RAG 向量检索：如果是知识型 skill，会被作为外部知识存入向量库检索

Prompt Builder（拼装器）：将 user query, rules（系统规则）, history（记忆）和截取的 skill.md 内容动态组装进最终的 Prompt payload 中，提交给 LLM

AI 与人如何协作

人做架构与审查，AI 做填空与执行（Copilot 模式）

AI 负责： 繁琐样板代码生成、文档编写、单测补充、海量日志初步排错

人类负责： 核心业务逻辑设计、边界条件定义、架构选型、最终 Safety Review

信任但验证（Trust but Verify）： 将 AI 视为【高智商但容易粗心的应届生实习生】

AI 时代怎么学习知识，怎么学会知识

这个问题很诡异，我说通过与 AI 对话快速获取知识，面试官说【AI 像是老师，老师讲完之后你怎么学习并把知识化为自己的】，那我就说可能通过 NotebookLM 之类的工具提高做笔记的效率，不确定是否回答到点子上……

Rules、Memory 和 Harness 的区别

Rules 是指导大模型行为的系统级约束与准则（System Prompt），核心作用是限制行为边界和指导输出风格。不会因为你当前在开发什么项目而改变，规定了 AI【能做什么、不能做什么、以什么语气做】

设定 AI 必须使用 TypeScript 强类型，禁止使用 any 标注；要求所有 UI 组件必须优先使用 Tailwind CSS 类名而不是内联样式；规定生成的代码中必须要包含 JSDoc 注释等。这些属于强制遵守的法则

Memory 是 AI 对当前环境的认知和历史记录，它的核心作用是提供上下文，解决【我是谁、我在哪、我在做什么】的问题。Memory 是动态的，随着你的操作不断更新

实例：

短期记忆包含你和 AI 的前 10 轮对话历史，以及当前编辑器里高亮选中的那十几行代码

长期记忆（RAG 知识库）则是 Cursor 在底层把你整个项目的万行代码、路由结构解析后存入的本地向量数据库

Harness 是隐藏在模型背后的工程化执行与验证外壳

实例：

当大模型生成一段代码后，Harness 会在后台利用 Language Server Protocol（LSP）悄悄进行语法检查，如果发现有类型未引入或拼写错误，Harness 会自动把错误信息发回给大模型让它重新修改，然后再把最终正确的结果展示给你看（这就是 Shadow Workspace 机制）。此外，帮你自动执行终端命令、一键应用 Diff 代码、分析你的项目目录树结构再传给模型，这些将“模型文本”转化为“编辑器实际动作”的基础设施系统，全部统称为 Harness

面经图 16
面经图 17

工程

资源包更新怎么提高效率（只有部分文件发生改变）

内容哈希（Content Hash）： Webpack / Vite 打包时给文件名带上 Hash（如 app.a1b2.js）。只更新变动的文件，未变动的文件享受浏览器强缓存

拆包（Code Splitting）： 将稳定的第三方库（Vendor）和业务代码分离，业务更新不影响依赖库缓存

差异化更新（增量更新 / BSDiff）： 移动端/桌面端常见，下发 patch 补丁包，客户端合并新旧版本

Service Worker 预缓存： 结合 PWA（渐进式 Web 应用，Progressive Web App）策略，后台静默下载变动文件，下次打开秒开

出现偶发问题怎么排查(移动端)

留痕与上报： 接入自研日志系统，捕获报错堆栈、SourceMap 还原，记录用户前置行为轨迹（Breadcrumbs）

复现环境： 尽量还原机型、OS 版本、网络状态。利用移动端调试工具（vConsole, Eruda, Chrome Inspect）

控制变量与灰度： 采用二分法隔离代码，降级回滚。是否某种特定数据格式或临界条件引发

异常监控兜底： window.onerror / 资源加载失败 / 白屏监控（MutationObserver 检 DOM 树）

调研市场上现有的跨端框架，讲明方法步骤

  1. 明确核心诉求 (包体积、性能、生态、团队现有技术栈 Vue/React)
  2. 市场盘点 (收集主流方案：Flutter, React Native, UniApp, Taro, Capacitor)
  3. 构建评估矩阵
  • 性能表现： 渲染机制（WebView vs 原生控件 vs 自绘引擎）
  • 开发体验： 调试热更新、学习曲线
  • 生态与基建： 社区活跃度、第三方库丰富度
  1. Demo PoC 验证（做个核心业务的最小可行性产品，测试踩坑）
  2. 输出调研报告与选型建议