NiceOffer

面试面经 · 黑芝麻智能

【黑芝麻智能】【大模型开发】【暑期实习二面】面经（八股+大模型项目+手撕）

发布于 2026-08-24

黑芝麻智能面经大模型开发实习

背景

海外一年制硕士在读，投递黑芝麻智能大模型开发暑期实习，二面为技术面，时长约 50 分钟，面试官为部门技术负责人，全程无闲聊，节奏紧凑。

题目摘要

  1. Go 语言基础：goroutine 与 channel 的底层实现，select 的随机选择机制，以及 map 并发读写 panic 的原因与解决方案。
  2. MySQL/Redis 八股：MySQL 事务隔离级别与 MVCC 实现原理；Redis 持久化机制（RDB/AOF）对比及混合持久化。
  3. 大模型项目深挖：围绕 RAG 项目的 chunk 切分策略、检索召回优化、Function Calling 的容错处理、上下文窗口管理及推理成本优化。
  4. 手撕算法：实现一个带过期时间的 LRU 缓存（LRU with TTL），要求 get/put 均为 O(1) 复杂度，过期 key 在访问时惰性删除。

项目深挖

追问一：你的 RAG 项目在 chunk 切分时如何避免语义断裂？如果检索效果不好，你会怎么排查？

参考回答方向：
先说明切分策略的演进——从固定长度切分到按段落/标题结构切分，再到引入重叠窗口（overlap）保留上下文。若效果不好，我会按以下顺序排查：

  1. 检查 embedding 模型是否与领域文本匹配（比如代码文档用通用 embedding 效果差）；
  2. 检查检索召回率，用 hit rate 指标评估，若召回不足则调整 top-k 或改用混合检索（BM25 + 向量）；
  3. 检查 rerank 环节，是否因相关性排序不准导致噪声进入上下文；
  4. 最后检查 prompt 构造，是否因上下文过长导致模型注意力分散。

追问二：你的 Agent 项目里 Function Calling 的容错是怎么设计的？如果模型返回了不存在的函数名怎么办？

参考回答方向：
先说明整体流程：系统 prompt 中注入函数 schema，模型输出结构化 JSON，解析后做参数校验再执行。容错设计分三层：

  1. Schema 校验：用 JSON Schema 校验函数名和参数类型，不合法则直接拒绝执行并返回错误信息给模型，让模型重新生成；
  2. 重试机制：同一轮对话最多重试 2 次，若仍失败则降级为普通文本回复，避免死循环；
  3. 兜底策略：维护一个「模型幻觉函数名」映射表，将常见错误名映射到正确函数，减少无效调用。

额外补充：每次函数调用的输入输出都会记录到日志中，用于后续微调或规则优化。

追问三：你的项目里如何控制推理成本？如果用户量放大 10 倍，你的方案有什么瓶颈？

参考回答方向：
先说当前方案：

  1. 上下文压缩：对历史对话做摘要，只保留最近 N 轮完整对话 + 之前轮次的摘要；
  2. 缓存复用：对用户 query 做 embedding 相似度匹配，命中缓存直接用历史回答；
  3. 模型分级：简单问题用轻量模型，复杂任务才调用大模型。

然后说瓶颈：缓存命中率会随用户 query 多样化下降；摘要压缩会丢失细节导致回答质量下降；模型分级需要维护路由规则，本身有误判风险。放大 10 倍后，embedding 检索的 QPS 会成为瓶颈，需要引入向量数据库集群或做本地缓存。

手撕算法：LRU with TTL

题目：实现一个 LRUCache，支持 get(key) 和 put(key, value, ttl) 操作，ttl 为过期时间（秒）。get 时若 key 已过期视为未命中，put 时若 key 已存在则更新值并重置过期时间。要求 get 和 put 均为 O(1) 时间复杂度。

关键思路：

  1. 使用哈希表 + 双向链表实现 LRU 基础结构，哈希表存 key 到链表节点的映射；
  2. 链表节点除了 key/value 外，额外存 expireTime（绝对时间戳）；
  3. get 时先检查 expireTime 是否小于当前时间，若过期则删除节点并返回 -1；
  4. put 时若 key 存在，更新 value 和 expireTime，并移动到链表头部；若不存在，判断容量是否已满，满则淘汰链表尾部节点（同时从哈希表删除）；
  5. 过期 key 采用惰性删除策略，仅在访问时清理，避免额外后台线程增加复杂度。

面试官追问：如果要求过期 key 也能被主动清理（比如内存敏感场景），你怎么改？
回答：可以增加一个最小堆（按 expireTime 排序），每次 put 时检查堆顶是否过期并批量删除，删除时同步移除哈希表和链表中的节点。代价是 put 操作从 O(1) 变为 O(logN)，但内存释放更及时。

准备建议

  1. Go 语言重点复习并发模型：goroutine 调度（GMP 模型）、channel 底层结构（hchan）、sync.Map 适用场景。黑芝麻智能的后端大量使用 Go，面试官会从源码层面追问，建议看 runtime 包关键实现源码片段。
  2. RAG/Agent 项目准备「量化指标」：不要只说「用了 RAG 提升效果」，要准备具体数字——比如检索命中率从 70% 提到 85%，端到端回答准确率提升多少，推理延迟从多少降到多少。面试官会顺着数字追问方法论。
  3. 手撕题训练「带约束的变种题」：LRU 本身是高频题，但加了 TTL 后很多人会漏掉过期检查的时机。建议刷题时主动给经典题加约束条件（比如并发安全、过期时间、容量动态调整），并思考时间复杂度的变化。

结果反馈

整体面试偏工程实践，无八股背诵感，项目追问深度较大，手撕题在提示下完成。面试结束 2 天后收到 HR 通知，二面通过，约 3 天后进行三面（HR+主管面）。

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。

相关阅读