机器学习平台研发 / 机器学习系统调度一面面经

岗位：机器学习平台研发 / 机器学习系统调度方向

时长：约 58min　（2026.8.26）

整体流程：项目深挖 → OS / 网络基础 → 手撕算法 → 反问。

1. 项目

1. 自我介绍
2. 从做过的项目里挑一个收获最大的，详细介绍技术架构和核心技术点
3. 这个项目最大的技术难点是什么
4. 介绍一下 Agent Infra / Agent Runtime 相关工作
5. Agent 调用 Sandbox 的链路如何做容错Sandbox 运行过程中挂掉怎么办？

项目部分基本不是问八股，而是沿着简历一直往下追，比较关注真正做了什么、为什么这么设计以及异常情况怎么处理。

2. 操作系统

1. 为什么操作系统需要区分用户态和内核态？
2. 什么情况下会发生用户态和内核态切换？
3. 操作系统是怎么进行内存管理的？
4. 为什么需要虚拟内存？虚拟内存和物理内存为什么要分开？

OS 基础问得比预期深一些，不只是背概念，会继续追问为什么这么设计。

3. 计算机网络

1. 已经建立 TCP 连接以后，如果一端突然掉电、直接从网络中消失，另一端的 TCP 连接状态接下来会怎么变化？

这个问题主要考异常断连场景，不是常规的三次握手、四次挥手。

4. 手撕算法

1. 两数之和，数组中数字可能重复，每个元素只能使用一次
2. 先讲思路再写代码
3. 我给的是排序 + 左右双指针
4. 追问时间复杂度和空间复杂度
5. 追问空间具体花在哪里
6. 排序能不能原地做
7. 有没有时间复杂度更低的方法
8. 写完以后继续改 target 跑多个 case 验证 这里其实面试官明显是在引导从：

排序 + 双指针 O(nlogn)

继续想到：

HashMap 一次遍历 O(n)

数组存在重复数字不影响哈希表做法，存已经遍历过的数字及其下标即可。

5. 反问

我问了：

1. 部门目前主要做什么？
2. 更偏推理、调度还是运维？
3. 调度平台是自研还是基于开源项目？

面试官介绍，他们主要做字节内部的机器学习平台，支持大模型训练和推理；平台层各方向都会覆盖，但是核心比较关注调度，因为有很多不同类型的 workload，需要同时保证任务调度效果和整体资源利用率。平台本身是自研，也会参考社区里比较好的实践和思路。

总结

这一面和 JD 给我的第一感觉不太一样，本来以为会重点问 Volcano、GPU 调度、Gang Scheduling、RDMA 这些 ML Infra 内容，实际一面更偏：

项目深挖 + OS / 网络基础 + 算法

项目会沿着系统设计和容错一直追，基础知识也不是只问定义，更关注为什么这么设计。

准备这类 AI Infra / ML Platform 岗位的话，除了 K8s 和调度，OS、网络这些基础还是得认真复习。