面试面经 · 得物
【得物】【大模型开发】【暑期实习HR面】面经（八股+大模型项目+手撕）
得物 大模型开发 暑期实习 HR面经
背景：海外一年制硕士，投递得物大模型开发岗，HR面约 40 分钟，全程偏技术深度与项目落地细节，非传统 HR 行为面。
题目摘要
- 编程语言基础（Go）：Go 的 goroutine 与 channel 底层实现，GMP 模型简述，如何避免 goroutine 泄漏。
- MySQL/Redis 八股：MySQL 索引失效场景，覆盖索引与回表区别；Redis 缓存穿透/击穿/雪崩的解决方案，以及 ZSET 底层跳表结构。
- 大模型项目深挖（RAG + Agent）：项目中的 RAG 检索流程如何设计？文档切片策略、Embedding 模型选型、重排必要性。Agent 的 Function Calling 如何实现工具调用与结果校验。
- 推理成本优化：项目里如何降低 LLM 调用成本？具体到 prompt 压缩、缓存策略、模型蒸馏或量化手段。
- 手撕算法题：题目：给定一个无序数组，找出所有和为 target 的三元组，返回不重复的三元组集合（LeetCode 15 三数之和）。关键思路：先排序，固定一个数，双指针从左右逼近；去重逻辑需在固定指针移动时跳过相同值，同时左右指针移动时也需跳过重复值。时间复杂度 O(n²)，空间复杂度 O(1)（排序不计）。
- 场景题：如果用户在大模型对话中连续提问 10 次，如何管理上下文窗口？给出 token 预算分配策略。
项目深挖
追问 1：你的 RAG 项目里，文档切片为什么选 512 字符？换 256 或 1024 会有什么影响？
参考回答方向：512 是召回效果与检索精度的折中。256 切片更细，召回粒度更准，但容易截断语义，导致 Embedding 向量相似度下降；1024 切片保留上下文更完整，但检索时噪声更大，且超出部分模型对中间内容注意力衰减。实际测试过 3 种切片长度，512 在 Recall@5 上比 256 高 4%，比 1024 高 2%。另外，切片时采用 overlap 策略（重叠 50 字符）避免语义断裂。
追问 2：Function Calling 怎么保证模型调用的参数格式稳定？如果模型返回了非法 JSON 怎么办？
参考回答方向：使用 JSON Schema 严格约束参数，并在 system prompt 中给出工具说明和示例。模型偶尔返回非法 JSON，处理策略是：第一层用正则提取 JSON 块，第二层用 json.loads 失败后调用修复逻辑（如补全缺失括号），第三层兜底是让模型重新生成一次，并附加错误提示。另外，在工具返回结果后，会让模型基于真实结果生成最终回复，而不是直接透传工具输出，避免幻觉。
追问 3：你说用 prompt 压缩降低推理成本，具体怎么做的？
参考回答方向：分三层。第一层是历史对话摘要，每轮对话结束后用轻量模型生成摘要，替换原始对话；第二层是动态截断，按 token 重要性排序，保留与当前 query 相关性高的历史片段；第三层是缓存，对相同前缀的请求复用 KV cache，减少重复计算。实测成本降低约 35%，但摘要模型本身有额外开销，所以对短对话会直接跳过摘要步骤。
准备建议
- 项目准备按“指标 + 对比”结构：不要只说“我用了 RAG”，要能说出“对比了 BM25 和 Dense Retrieval，最终选择混合检索，Recall@5 从 68% 提到 79%”。面试官会顺着你的指标追问实验设置和失败原因，提前准备好 2-3 个迭代版本的故事线。
- Go 语言重点看并发与内存模型：得物后端以 Go 为主，实习岗大概率会问 goroutine 调度、channel 使用场景、slice/map 的底层结构。建议把《Go 语言圣经》并发章节过一遍，并手写一个 worker pool 练手。Java 方向同理，重点准备 JVM 内存分区和 GC 算法。
- 手撕题刷高频 + 限时训练：三数之和、LRU、反转链表、二叉树层序遍历这类题必须 15 分钟内 AC。面试时先讲思路再写代码，写完主动跑测试用例。如果时间紧张，优先刷 LeetCode Hot 100 中数组、链表、哈希表、双指针四类题。
结果反馈
一面通过，约 3 天后收到二面通知，整体面试节奏紧凑，技术问题占比超过 80%，建议后续面试者把重心放在项目细节和代码能力上。
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。
