面试面经 · 得物
【得物】【大模型开发】【暑期实习三面】面经（八股+大模型项目+手撕）
海外一年制硕士，投递得物大模型开发暑期实习，三面技术面，面试官是团队里做 Agent 方向的负责人，全程约 70 分钟，节奏偏快，深挖为主。
题目摘要
- Go 语言基础：
slice的底层结构与扩容机制，map并发读写为什么会 panic，sync.Map的适用场景与代价。 - MySQL / Redis 八股：聚簇索引与回表、
explain里type各等级含义；Redis 缓存穿透/击穿/雪崩的区别与各自解法，zset底层跳表为什么不用红黑树。 - RAG 项目深挖：文档切分策略怎么定的、召回率怎么评估、重排模型放在哪一层、线上 QPS 与延迟预算怎么分配。
- Agent / Function Calling：工具数量上百时怎么选工具、多轮对话上下文怎么裁剪、工具调用失败或参数幻觉怎么兜底。
- 推理成本优化：首 token 延迟与总吞吐怎么权衡、KV Cache 复用、量化对效果的影响怎么验证。
- 手撕算法：给定一个字符串数组，返回所有可以由数组中任意单词拼接而成的字符串（单词可重复使用），本质是「单词拆分 II」的变体，要求输出全部组合而非只判断可行性。关键思路：先建字典树或哈希集合做 O(1) 前缀判断，再用记忆化 DFS，
memo[i]缓存从下标 i 开始的所有合法拼接结果，避免指数级重复搜索；注意结果集可能很大，要提前和面试官确认是否去重、是否限制长度。
项目深挖
追问一：你的 RAG 召回率是怎么量化的，别只说"感觉变好了"。
参考回答方向：先承认没有标注数据时不能空谈召回率，讲清楚怎么构造评估集——从线上真实 query 里采样，人工标注每个 query 的 ground truth 文档，算 Recall@k 和 MRR。然后说明优化前后在同一评估集上的对比：切分从固定长度改成按语义/标题层级切分，chunk size 从 512 调到 256 加 overlap，召回率提升了多少个百分点。如果面试官继续追问"标注成本太高怎么办"，可以提用 LLM 做自动评估（让模型判断召回的 chunk 是否包含回答问题所需信息），但要说明这只做粗筛，最终仍要人工抽检校准。
追问二：工具数量到上百个，Function Calling 怎么选工具？
参考回答方向：不能把所有工具描述塞进 system prompt，token 爆炸且模型容易选错。分层做法是先用一个轻量分类器或 embedding 检索，把候选工具从上百个缩到 5-10 个，再把这些工具的 schema 给模型做最终决策。工具描述要写清楚「什么时候用」而不只是「是什么」，参数名要自解释。另外要讲失败兜底：模型返回的工具名不在候选集里、或参数缺字段时，不要直接抛错给用户，而是把校验错误回灌给模型让它重试一次，仍失败再走降级话术。
追问三：多轮对话上下文越来越长，你怎么管？
参考回答方向：分三层。第一层是滑动窗口，保留最近 N 轮原文；第二层是对更早的历史做摘要压缩，用一个小模型异步生成摘要，注意摘要要保留实体和用户偏好这类关键信息；第三层是把稳定的信息（用户画像、会话级配置）抽出来放到结构化字段，不占对话 token。要主动提一个坑：摘要会丢信息，所以对「用户明确说过的约束」要单独存一份，不能只依赖摘要。如果面试官问怎么评估上下文管理有没有效，答用长对话场景的回归测试集，看多轮之后任务完成率有没有掉。
准备建议
- 八股别背结论，背因果链。比如问 Redis 为什么用跳表，要能说到「范围查询友好、实现比红黑树简单、并发下锁粒度更好控制」，而不是只答「跳表快」。面试官三面往往一句话就能戳穿背诵痕迹，追问一层就露馅。
- 把项目里的每个数字都准备好被追问。召回率、延迟、QPS、成本下降比例，只要写进简历就要能说清楚怎么测的、基线是什么、有没有做 A/B。说不清来源的数字比不写还减分。
- 手撕题按「暴力→优化→边界」三步讲。先说最直观的 DFS 会超时，再引出记忆化，最后主动补边界：空数组、单词长度超过目标串、结果去重。写代码时边写边讲，卡住了就说思路而不是沉默，面试官更看重沟通。
三面结束当天收到 HR 通知通过，约一周后进入 HR 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。
