【百度】【Agent 开发】【暑期实习三面】面经（八股+大模型项目+手撕）

百度 Agent 开发 暑期实习三面面经

背景

海外一年制硕士在读，投递百度 Agent 开发方向，此前已通过两轮技术面，三面为部门技术负责人面，整体节奏偏工程落地与系统设计，算法题难度中等，追问密度高。

题目摘要

1. Go 语言基础：GMP 调度模型中的抢占式调度机制，以及 chan 底层数据结构（hchan 的字段构成、sendq/recvq 队列作用）。
2. MySQL/Redis 八股：MySQL 可重复读隔离级别下间隙锁如何避免幻读；Redis 的 ZSET 底层跳跃表在插入和范围查询时的平均时间复杂度。
3. 大模型项目深挖：基于开源 LLM 搭建的客服 Agent，追问集中在 RAG 检索质量优化、Function Calling 的容错设计、多轮对话上下文裁剪策略。
4. 推理成本优化：在保证效果前提下，如何降低单次请求的 token 消耗与首字延迟。
5. 手撕算法题：题目大意：给定一个有序整数数组（可能含重复值）和一个目标值，返回目标值在数组中出现的第一个和最后一个位置，若不存在则返回 [-1, -1]。要求时间复杂度 O(log n)。关键思路：分别用两次二分查找，第一次找左边界（nums[mid] >= target 时收缩右边界），第二次找右边界（nums[mid] <= target 时收缩左边界），注意边界条件与死循环规避（建议左闭右开写法）。

项目深挖

追问 1：你的 RAG 管道在检索召回率不足时，如何做系统性优化？

参考回答方向：先定位瓶颈在召回还是重排。召回侧做查询改写（HyDE 或生成子问题）、混合检索（BM25 + 向量检索，按分数加权融合）；重排侧用 cross-encoder 精排，并设定动态阈值过滤低分片段。同时建立评测集，用 recall@k 和 answer relevance 两个指标量化每次改动收益，避免凭感觉调参。

追问 2：Function Calling 场景下，如果模型输出的 JSON 参数不合法或调用顺序错误，你的系统如何兜底？

参考回答方向：分三层兜底。第一层，在 prompt 中给出严格的 JSON Schema 示例，并要求模型先输出"是否需要调用工具"的思考标记；第二层，代码侧对模型输出做正则预检 + 容错解析（如修复缺引号、截断多余内容），解析失败则进入重试机制（带错误信息让模型重新生成）；第三层，若连续两次失败，则放弃工具调用，转为纯文本推理回复用户，保证主流程可用性。

追问 3：多轮对话中上下文长度增长很快，你如何管理历史消息？

参考回答方向：采用分层策略——系统提示词固定不变，最近 2 轮完整保留，更早的历史做摘要压缩（用 LLM 将旧对话总结为结构化要点），同时为每个用户 session 维护 token 预算，超限时优先丢弃与当前意图无关的历史（基于 embedding 相似度判断）。另外，对工具调用结果只保留关键字段摘要，不存原始长文本。

准备建议

1. 把项目里的每一个设计决策都量化。面试官不关心你用了什么框架，而是问你"为什么选这个方案""有没有对比过其他方案""效果提升了多少"。建议提前整理一张表格，列出每个模块的备选方案、实验指标、最终选择理由，哪怕只是粗略数字也比空口说"效果好"强。
2. 手撕算法按"中等偏上"难度准备。百度的手撕题不会出偏题怪题，但很爱在边界条件上挖坑。建议把二分查找类（左右边界、旋转数组）、链表类（反转、环检测）、TopK 问题写熟练，必须做到 bug-free，并且能讲清楚为什么这样写不会死循环。
3. 熟记语言底层机制的一两个细节。Go 或 Java 至少准备一个能展开讲 3 分钟的底层话题，例如 Go 的 GMP 调度、chan 阻塞唤醒流程，或 Java 的 synchronized 锁升级、ConcurrentHashMap 的扩容机制。面试官一旦深挖，要能说出源码级细节，而不是停留在概念层面。

结果反馈

三面通过，约一周后收到 HR 电话沟通 offer 意向，整体流程推进较快。

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。