【阿里巴巴】【Agent 开发】【暑期实习二面】面经（八股+大模型项目+手撕）

背景

海外一年制硕士，计算机方向，投递阿里 Agent 开发暑期实习。此前有过一段大模型应用相关实习，二面整体偏工程落地与系统设计，面试时长约 70 分钟。

题目摘要

面试整体节奏紧凑，从基础八股快速过渡到项目深挖，最后一道手撕题收尾。核心考点如下：

1. Go 语言基础：goroutine 与 channel 的底层实现、内存逃逸分析、GMP 调度模型中 P 的本地队列与任务窃取机制。
2. MySQL/Redis 八股：MySQL 的 RR 隔离级别下 MVCC 快照读与当前读的区别、Next-Key Lock 加锁范围；Redis 的 zset 跳表结构、缓存穿透与布隆过滤器误判率计算。
3. RAG 项目深挖：针对文档问答场景，追问 chunk 切分策略、embedding 模型选型依据、混合检索的 rerank 必要性、以及如何评估检索质量。
4. Function Calling 与上下文管理：大模型调用外部工具时的参数校验、错误恢复、多轮对话中工具调用历史的裁剪与压缩策略。
5. 推理成本优化：针对线上服务的 prompt 缓存设计、batch 推理时机选择、以及降级方案。
6. 手撕算法：设计一个支持 get / put / delete / getRandom 全部 O(1) 时间复杂度的数据结构。关键思路是 HashMap + 动态数组，HashMap 存 key 到数组索引的映射，删除时将数组末尾元素移到被删位置并更新映射，getRandom 直接随机访问数组。

项目深挖

面试官对我简历上那个 RAG 问答项目明显做过功课，没有问“为什么用 RAG”这种泛泛问题，直接切入细节。

追问一：你说用了混合检索，向量检索和关键词检索的结果是怎么融合的？如果向量检索 top10 里混入了大量噪声，你怎么处理？

参考方向：融合策略上我用了 RRF（Reciprocal Rank Fusion），但面试官显然想听更深一层。我的回答分两点：第一，向量检索本身会做 score 归一化，但不同检索器分数分布不同，直接加权不可靠，所以用排名倒数的倒数做融合；第二，针对噪声问题，我在 rerank 阶段用了一个轻量级 cross-encoder 模型对融合后的 top20 重新打分，只保留 top5 进入 LLM 上下文。面试官接着问 rerank 模型怎么选、训练数据哪来的，我回答先用开源模型（如 bge-reranker-base），后续人工标注了一批困难负样本做微调，标注量约 2000 条。

追问二：你的 Function Calling 流程里，如果模型连续调用工具超过 5 次，或者调用陷入死循环，怎么处理？

参考方向：这是 Agent 工程里非常常见的问题。我当时的方案是：第一，设定单轮任务的最大工具调用次数上限（我用的 8 次），超过后强制终止并让模型基于已有信息做总结性回答；第二，每轮工具调用都会把当前任务目标、已执行的调用序列摘要、下一步候选动作注入到 prompt 中，让模型“看到”自己已经做了什么，降低重复调用概率；第三，针对特定工具的入参做 JSON Schema 校验，如果模型连续两次产生非法参数，直接报错返回给用户，不再重试。面试官追问如果工具本身执行失败（比如第三方 API 超时）怎么办，我补充了重试机制与降级策略——重试两次，仍失败则调用另一个同功能的备用工具。

追问三：你说对 prompt 做了缓存优化，具体缓存了什么？缓存命中率大概多少？

参考方向：我缓存的是系统提示词 + 历史对话的 prefix 部分，因为这类内容在每轮请求中都是重复的。实现上用的是 Redis，key 是对话 session id + 截止到某轮的消息摘要哈希，value 是 LLM 对这段前缀的 KV cache。命中率我没有精确统计，但粗估在 40%-60% 之间。面试官追问 KV cache 存在 Redis 里的序列化开销问题，我承认这是一个 trade-off——序列化 float 数组本身有成本，所以只对超过 10 轮的长对话启用。

准备建议

一、把项目里的“数字”和“阈值”全部准备好。 面试官一定会追问：chunk 大小为什么设 512？topk 为什么取 5？温度为什么设 0.1？召回率从多少提升到多少？这些都是你亲手调过的参数，回答不上来会非常减分。建议把项目里所有关键参数整理成一张表，每个参数附上“为什么选这个值”和“改大/改小会怎样”两句话。

二、手撕题不要只刷 LeetCode 热题，重点练“设计类数据结构”题。 Agent 开发岗位的算法题往往和数据流、缓存、并发相关。我这次遇到的是 O(1) 随机访问的数据结构，属于经典题，但面试官后续追问了“如果多 goroutine 并发调用 getRandom 怎么保证线程安全”，这就和 Go 基础挂钩了。建议把 LRU、LFU、插入删除随机 O(1) 这类题全部刷一遍，并且想清楚并发场景下的加锁粒度。

三、Agent 相关面试题要形成自己的“方法论框架”。 不要停留在“我会调 API”层面，要能说清楚：任务拆解策略（是单轮规划还是 ReAct 循环）、工具注册与参数校验流程、错误恢复机制、上下文窗口超限时的压缩策略、以及成本控制手段。建议画一张自己项目的完整流程图，从用户输入到最终响应，把每个环节可能出现的失败场景和应对方案都标注出来。

结果反馈

二面整体感觉偏工程实践，没有太多刁钻问题，只要项目是自己亲手做的、细节能自圆其说，通过难度不大。面完第三天收到约三面的通知，间隔一周。

想系统备战大厂大模型/Agent 开发？NiceOffer 提供 SDE+LLM 双轨 1v1 陪跑，合同保底 40w 年薪，文末扫码咨询。