字节面试分享复盘

1. 从输入 URL 到页面展示，涉及哪些网络协议？

小白通俗完整版口述答案（分层说，面试官最爱听）

整个流程按照OSI七层模型、TCP/IP五层模型从上到下，一共用到这些协议，我按访问流程一步步说：

应用层（最上层，用户操作层） ：HTTP/HTTPS、DNS
1. DNS协议：把我们输入的域名（比如www.baidu.com），翻译成服务器IP地址，电脑只能识别IP，看不懂域名
2. HTTPS/HTTP：浏览器和网页服务器传输网页数据的协议，现在全部网站都是HTTPS，HTTP是明文不安全
传输层 ：TCP
1. HTTPS底层基于TCP，负责建立可靠连接，保证数据不丢包、不乱序传输
网络层 ：IP、ICMP
1. IP协议：负责寻址路由，把数据包从本机转发到目标服务器，找路用
2. ICMP：辅助协议，ping命令就是用它，检测网络通不通
数据链路层 ：ARP
1. ARP协议：把IP地址转换成网卡MAC物理地址，局域网内部传输数据必须用MAC地址
物理层：无上层协议，就是网线、光纤、网卡传输二进制比特流

面试精简总结版（收尾）：整体核心协议：DNS、HTTPS、TCP、IP、ARP。

2. 中间人攻击发生在哪一层？

核心结论：主要发生在应用层、网络层；最常见、面试标准答案：应用层和传输层之间，绝大多数考题答案：传输层/应用层

通俗拆解（新人必懂）：

中间人攻击原理：黑客拦截我和服务器之间的网络数据，窃听、篡改数据；
HTTP明文传输，传输层数据无加密，黑客直接拦截；所以未加密的HTTP中间人攻击主要在传输层；
HTTPS如果被伪造证书钓鱼劫持，攻击发生在应用层；

面试直接背标准答案 ：中间人攻击主要发生在传输层和应用层 ；常规八股标准答案：主要归属传输层（TCP层），证书劫持类中间人攻击在应用层。

补充小白知识点：HTTPS就是为了防御中间人攻击，加密传输+校验证书

3. TCP 和 UDP 分别什么场景用？

1. UDP 底层原理（简单无状态）

UDP全称用户数据报协议，底层无连接、无状态

底层没有握手流程，发送方直接把数据+目标端口，封装成UDP数据报，直接扔给网络层传输；
底层不保存通信双方状态，发送完直接不管，不会记录对方有没有收到；
底层仅做最简单的格式校验：校验数据是否传输破损；破损直接丢弃，不会通知重传；
底层没有数据包排序、流量控制、拥塞控制逻辑；数据包可能乱序、丢失、重复到达

底层特点：封装头部极小、开销极低、传输延迟最小，底层结构极简

2. TCP 底层原理（面向连接可靠传输）

TCP全称传输控制协议，底层面向连接、有状态、全流程校验，四大底层核心机制

底层握手机制（三次握手）：传输数据之前，底层必须先建立专属双向通信通道；确认收发双方收发能力正常，才可以传输数据，建立稳定连接
确认应答+超时重传（可靠性底层核心）：对方收到数据包必须返回ACK确认报文；发送方收不到确认，底层自动判定丢包，重新发送数据包，保证数据不丢失
数据包排序机制：TCP底层给每一个数据包标记序列号；接收方按照序列号重组数据，解决网络传输乱序问题
流量控制+拥塞控制：底层动态控制发送速度；防止发送方发太快压垮接收方设备；防止全网网络拥堵导致大面积丢包

TCP断开连接底层：四次挥手，双方主动断开通道，安全释放连接资源

先记两个核心区别：

TCP：可靠、有连接、慢、会重传、有序； 需要先握手建立通道，数据绝对不能丢、不能乱序
UDP：无连接、不可靠、快、无重传； 不用建立通道，直接发数据包，丢一点数据无所谓，追求速度

TCP 使用场景（数据不能丢）

网页访问（HTTPS底层TCP）、文件传输FTP、邮件收发
接口调用、数据库访问、登录注册业务
总结：所有业务数据、文件、文字类传输全部用TCP

UDP 使用场景（允许少量丢包，优先速度）

直播、短视频、语音通话、视频通话
游戏联机（王者荣耀、吃鸡实时帧同步）
广播、内网设备发现
总结：音视频、实时游戏、高并发广播场景全部用UDP

6. QUIC 协议是不是结合了TCP和UDP两者优点？

是，完全就是融合两者核心优点的升级版协议

底层载体：QUIC 基于UDP协议开发 ，继承UDP优点：传输速度快、无握手阻塞、弱网表现好
上层逻辑：自己实现了TCP的全部可靠机制，继承TCP优点：保证数据不丢包、数据有序、重传失败数据包
额外新增优势（面试加分）：解决TCP硬伤------队头阻塞、网络切换重连慢；手机WiFi切流量不用重新握手

总结口述话术：QUIC底层跑UDP，拥有UDP高速、低延迟的特点；自己封装了TCP的可靠传输逻辑，保障数据可靠，完美结合两者优点，现在HTTP3协议底层就是QUIC。

7. 余弦相似度介绍

余弦相似度，是用来判断两个向量、两段文本、两组数据相似度高低的算法指标。

核心公式：

对于两个向量 A = (a₁, a₂, ..., aₙ) 和 B = (b₁, b₂, ..., bₙ)，余弦相似度计算公式为：

cos(θ) = (A·B) / (||A|| × ||B||)

其中：

A·B = a₁b₁ + a₂b₂ + ... + aₙbₙ（向量点积）
||A|| = √(a₁² + a₂² + ... + aₙ²)（向量A的模长）
||B|| = √(b₁² + b₂² + ... + bₙ²)（向量B的模长）

底层通俗原理：

把文本、特征数据转换成数学向量；
计算两个向量之间的夹角余弦值；
夹角越小，余弦值越大，两个内容越相似

数值范围：-1 ~ 1

等于1：两个内容完全一模一样
等于0：两个内容毫无关系
等于-1：两个内容完全相反

工程场景：大模型语义检索、文本查重、推荐系统、特征匹配

8. 红黑树解决什么问题，什么场景用？

先记住核心前提：普通二叉查找树有致命缺陷：数据有序插入的时候，会变成链表，查询速度从O(logn)退化到O(n)，查询巨慢。

红黑树解决的核心问题：

解决普通二叉查找树不平衡、退化成链表、增删查性能暴跌 的问题；通过染色+旋转，强制维持树的弱平衡，把增删查时间复杂度稳定控制在 O(logn)

适用场景 ：需要频繁新增、删除、查询有序数据的场景；不适合大批量静态查询。

小白重点：不用懂左旋右旋、染色规则！新人面试只说解决树不平衡问题、稳定O(logn)复杂度即可。

9. 红黑树在工程中的实际应用场景？

全部都是工业级落地场景，直接口述背诵：

Java底层：TreeMap、TreeSet 底层数据结构就是红黑树（最常考）
Linux内核：进程调度、内存管理，用红黑树管理系统进程
C++ STL：map、set 底层全部红黑树
数据库：部分数据库二级索引、内存临时有序索引

10. Top K 问题怎么解决？

Top K就是从一堆数据里，找出最大/最小的前K个数据

标准最优方案：堆排序

执行流程：

想要找最大前K个 ：初始化一个容量为K的小顶堆；
遍历全部数据，堆满K个元素之后；
后续遍历到比堆顶大的数据，替换堆顶，重新调整堆；
遍历结束，堆里面留存的就是最大前K个数据

时间复杂度：O(N logK)，N是全部数据量

11. Top K 除了堆还能用什么？

按面试优先级排序，全部小白易懂：

快速排序（快排分区/快选）：最优替代方案；利用快排左右分区特性，定位第K大元素，左边/右边就是TopK；复杂度O(N)，小规模数据比堆更快
全局全量排序：最简单粗暴；把全部数据排序直接截取前K，缺点大数据效率极低，只适合小数据量
桶排序/计数排序：数据范围有限、整数数据专用；速度最快，局限性大
二叉搜索树：维护有序树，直接遍历取出前K个

面试总结话术：除了堆，小规模数据优先快选算法；数据范围固定用桶排序；极小数据直接全局排序。

12. K 的大小对方案选择的影响？

分4种情况，小白直接背结论：

K很小（K<100）：优先堆排序；内存占用极低，效率最高；
K中等（100<K<1w）：堆和快选都可以，优先快选；整体遍历耗时更低
K很大（K接近N，比如前80%数据）：放弃堆！直接全局排序最快；堆logK开销会变大
K等于N：直接全部排序输出即可

核心逻辑：K越小，堆算法优势越大；K越接近总数据量，排序算法优势越大。

13. 10 亿数据量下怎么做 Top K？

核心难点 ：10亿数据无法全部加载进内存，内存放不下，不能用普通堆、快排

工业标准方案：分治+小顶堆+外部排序（分步口述）

数据分片拆分：把10亿磁盘大文件，拆分成多个小文件，每个小文件数据可以全部读进内存；
分片局部TopK：每个小文件内部，用堆算出局部最大前K数据；
全局合并汇总：把所有分片的局部TopK结果，放入全局大顶堆，合并筛选出全局最终TopK；

面试加分补充：分布式场景下用MapReduce分治计算；大数据组件Hadoop原生支持海量TopK。

小白总结：海量数据核心思路------大拆小、内存算局部、堆合并全局。

15. AI 工程从 Prompt 工程到上下文工程到 Harness 到 Loop 的演化

第一阶段：Prompt 工程（最简单初级阶段）
1. 核心：只修改输入话术；通过写清晰、规范的提示词，引导大模型输出想要的结果；
2. 缺点：模型本身弱，光改话术上限极低，复杂任务跑不通
第二阶段：上下文工程（RAG本质就是上下文工程）
1. 核心：不依赖Prompt话术，给模型外挂真实业务知识库；把外部业务文档拼接进模型上下文窗口；
2. 让模型拿着外部真实数据回答，解决模型幻觉、知识滞后问题；
3. 缺点：单次上下文固定，不能自主决策、不能执行动作
第三阶段：AI Harness 模型编排/管控工程
1. 核心：给模型加外部调度框架；管控模型调用工具、接口、数据库；编排多模型流水线；
2. 做任务分发、结果校验、流程管控；模型不再独立运行，外部系统调度模型工作
第四阶段：AI Loop 闭环自主循环（最高级Agent形态）
1. 核心：闭环自动迭代；模型自主判断任务、自主调用工具、自主校验结果、自主复盘修正；
2. 形成输入-执行-校验-修正的闭环循环；不需要人工干预，就是标准智能Agent

面试总结话术 ：整个演化逻辑是从优化输入文本→补充外部知识→外部流程管控→自主闭环循环，从纯模型交互变成全自动智能Agent工程。

16. 为什么模型不够强但 Agent 效果还不错？

核心原因：Agent效果不依赖大模型本身底座能力，靠外部工程流程补齐模型短板，一共4点核心原因：

外部工具兜底：弱模型本身推理能力差，Agent可以调用计算器、接口、数据库、搜索引擎，靠外部工具完成复杂任务，不靠模型脑子算；
上下文外挂知识库：RAG外挂业务数据，弥补模型参数知识不足、幻觉问题；
流程拆解+闭环校验：Agent把复杂大任务拆成简单小任务，弱模型只需要完成简单子问题；循环校验修正错误；
人工规则+编排管控：Harness框架固定业务流程，大部分逻辑靠硬性规则执行，模型只负责做简单语义理解；

Agent是工程框架+工具+知识库+规则兜底，不是靠模型本身推理能力，小参数弱模型也能跑出很好的Agent效果。

18. 最长公共前缀

题目：给一组字符串数组，找出所有字符串开头最长的相同前缀

拿第一个字符串当做基准前缀；
依次和后面每一个字符串对比；
匹配不上就把前缀末尾删减；
前缀删减到空字符串直接返回无公共前缀；
遍历全部字符串，留存的前缀就是最长公共前缀

python 复制代码

def longestCommonPrefix(strs):
    # 情况1：数组里没有字符串，直接返回空
    if not strs:
        return ""
    
    # 拿第一个字符串当做基准前缀
    prefix = strs[0]
    
    # 遍历后面每一个字符串
    for s in strs[1:]:
        # 只要当前字符串不是以前缀开头，就不断截短前缀
        while not s.startswith(prefix):
            # 删掉前缀最后一个字符
            prefix = prefix[:-1]
            # 前缀删空了，说明没有公共前缀，直接返回
            if prefix == "":
                return ""
    # 全部比对完成，剩下的就是最长公共前缀
    return prefix


# 测试例子
if __name__ == "__main__":
    print(longestCommonPrefix(["flower", "flow", "flight"]))  # fl
    print(longestCommonPrefix(["dog", "racecar", "car"]))     # 空字符串
    print(longestCommonPrefix(["apple", "app", "application"])) # app
    print(longestCommonPrefix([])) # 空

最优思路：横向遍历比对；新人不用二分、纵向遍历，最简单横向遍历即可通过面试。

19. LRU 缓存实现

先通俗定义LRU ：最近最少使用缓存；缓存容量满了之后，自动删掉最久没有被访问的数据，腾出空间存新数据。

标准底层实现结构 ：哈希表 + 双向链表

哈希表：负责快速查询数据，O(1)时间找到缓存元素；
双向链表：负责排序；头部放最近访问数据，尾部放最少访问数据；增删节点不需要遍历，效率高；

完整工作流程

查询缓存：查到数据，把这个数据移动到链表头部；
新增缓存：缓存没满，直接插链表头部；缓存已满，删除链表尾部最少使用数据，新数据插头部；
修改缓存：更新数据，移动到链表头部；