【得物】【大模型开发】【暑期实习二面】面经（八股+大模型项目+手撕）

得物 大模型开发 暑期实习二面

背景：海外一年制硕士，一段中小厂 NLP 算法实习，简历里有两个大模型相关项目（一个 RAG 问答，一个 Agent 工具调用），无顶会。

题目摘要

1. 编程语言基础（Go）：goroutine 与 channel 的底层原理，GMP 模型简述，如何避免 goroutine 泄漏。追问：channel 无缓冲与有缓冲在用法上的本质区别。
2. MySQL/Redis 八股：MySQL 为什么选择 B+ 树作为索引数据结构？最左前缀原则在联合索引 (a, b, c) 下，查询条件 where b=1 and a=2 能否命中索引？Redis 持久化 RDB 与 AOF 的区别与适用场景，AOF 重写机制了解吗？
3. 大模型项目深挖（RAG）：基于 LangChain 搭建的文档问答系统，深挖点集中在检索质量优化、上下文窗口管理、推理成本控制三个方向。
4. 大模型项目深挖（Agent）：Function Calling 的实现原理，如何设计工具描述让模型更稳定地触发调用？多轮对话中工具返回结果过长如何处理？
5. 手撕算法题：给定一个字符串 s，找出其中不含有重复字符的最长子串的长度（LeetCode 3）。要求先讲思路再写代码，写完后面试官追问了时间复杂度和能否用 O(1) 空间优化。

项目深挖

追问 1：你的 RAG 项目里，检索召回率不高、答案经常答非所问，你怎么定位和解决的？

参考回答方向：先分模块排查——是 query 理解的问题（口语化表达 vs 文档书面语不匹配），还是 chunk 切分导致的语义断裂，还是 embedding 模型本身区分度不够。我的解决路径是：① 对 query 做改写，用 LLM 将口语化问题转成包含关键实体和限定条件的检索式表达；② 调整 chunk 策略，从固定 500 字改成按标题层级切分，并在 chunk 之间保留 10% 重叠；③ 引入 hybrid search（BM25 + 向量检索），用 RRF 做结果融合。最后用一套人工标注的 50 条测试集做回归，召回率从 68% 提到 82%。这里重点展示的是系统性排查思路，而不是背答案。

追问 2：你的 Agent 项目里，模型频繁调用错误工具或参数格式不对，你怎么处理的？

参考回答方向：分三层解决。第一层是工具描述工程化——每个工具的 description 里写清楚“什么时候用”和“什么时候不用”，参数用 JSON Schema 严格约束类型和枚举值，并在 description 里给出示例值。第二层是加一层规则校验，模型返回的 tool_call 先做 schema 校验，不合法就带错误信息重试一次，而不是直接报错。第三层是设计了一个轻量级的 few-shot 示例库，根据用户意图匹配相似的示例拼进 prompt。效果上，工具调用成功率从 76% 提到 91%。面试官追问“为什么不用微调”，我回答：数据量不够大且工具列表会动态扩展，微调性价比低，prompt 工程 + 规则兜底在现阶段更可控。

追问 3：上下文管理你具体怎么做的？成本怎么算的？

参考回答方向：先说我的方案——对话历史做滑动窗口 + 关键信息抽取。滑动窗口保留最近 3 轮完整对话，更早的历史用 LLM 抽取成“用户偏好 + 已确认事实”的结构化摘要存入上下文。长文档场景下，RAG 检索出的 top-k 片段按相关度排序后，用重排模型压缩到 3-4 段。成本方面，我按 token 统计了单次请求的平均消耗，发现 60% 的 token 花在系统提示词和 few-shot 示例上，于是做了动态 prompt——简单 query 走短模板，复杂任务才加载完整示例。整体推理成本降了约 35%。最后补充了一句：这是在效果不明显下降的前提下做的优化，有 A/B 数据支撑。

准备建议

1. 项目深挖别只准备“做了什么”，准备“为什么这么做”和“效果怎么量化”。面试官每个追问都在逼你做技术选型的论证，比如“为什么用 RRF 而不是直接加权”“为什么重试一次而不是两次”。建议把简历里每个项目的关键决策点列出来，每个点准备 1-2 个备选方案和放弃理由，并准备好效果数据（哪怕是自己标注的小样本）。没有数据的项目在二面基本撑不过三个追问。

1. 算法题刷到“能讲”而非“能写”。二面的算法题大概率是 medium 偏下，但面试官会追问优化空间和边界条件。建议把 LeetCode 热题 HOT 100 里的字符串、双指针、滑动窗口类题目按“题意转化 → 暴力解 → 优化点 → 复杂度”四步法过一遍，每道题控制在 15 分钟内讲完思路 + 写完代码。注意手撕时先和面试官确认输入输出约束，不要闷头写。

1. 八股要结合项目场景记忆。比如索引失效的问题，不要只背“违反最左前缀会失效”，要能结合自己项目里的查询场景说“我在 xx 表上建了联合索引，但因为查询条件顺序问题导致没走索引，后来怎么调整的”。Redis 持久化同理，结合“缓存要不要重启恢复”这种实际场景来理解 RDB 和 AOF 的取舍。大模型相关的八股（如 temperature 的作用、top_p 和 temperature 能否同时调）也过一遍，二面容易被冷不丁问到。

结果反馈

一面通过后约 5 天收到二面邀请，整体面试节奏偏快，面试官会打断并追问细节，但问题都在简历项目射程内，保持逻辑清晰比堆砌术语更重要。目前等三面通知中。

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。