【大疆】【大模型开发】【暑期实习三面】面经（八股+大模型项目+手撕）

大疆 大模型开发 暑期实习三面面经

背景：海外一年制硕士，计算机方向，一段大模型 Agent 相关项目经历，无大厂实习。

题目摘要

1. Go 语言：goroutine 与 channel 的底层原理，GMP 调度模型中 P 的作用，以及如何设计一个优雅退出的 worker pool。
2. MySQL：事务隔离级别、MVCC 实现原理，以及 RR（可重复读）级别下如何解决幻读（间隙锁）。
3. Redis：缓存穿透、击穿、雪崩的区别与解决方案，以及 ZSET 底层跳表的时间复杂度与实现细节。
4. 大模型项目深挖：RAG 检索质量优化、Function Calling 的容错与兜底、上下文窗口管理策略、推理成本优化手段。
5. 手撕算法：题目——给定一个整数数组 nums 和一个目标值 target，找出数组中三个数之和最接近 target 的组合，返回这三个数的和。关键思路：排序 + 双指针，固定一个数后，左右指针向中间逼近，维护全局最小绝对差。时间复杂度 O(n²)，空间复杂度 O(1)。

项目深挖

追问 1：你的 RAG 系统在检索阶段命中率不高，如何定位和优化？

参考回答方向：先拆解问题来源——是文档切分不合理（chunk 过大/过小），还是 embedding 模型选择不当，或者是查询改写缺失。我当时的做法是：第一，用真实用户 query 构建评测集，人工标注相关文档，计算 Recall@K；第二，对比了 bge-large 和 text-embedding-ada-002 在该领域数据上的表现，发现 bge 效果更好；第三，引入了 HyDE（假设性文档嵌入）和查询改写，将用户口语化表达转为更贴近文档风格的关键词组合。最终 Recall@5 从 62% 提升到 81%。

追问 2：Function Calling 场景下，模型返回了不存在的函数名或参数格式错误，你怎么处理？

参考回答方向：核心是容错设计。我做了三层兜底：第一层，在 prompt 中给出严格的 JSON Schema 示例并强调格式；第二层，解析阶段用正则提取 JSON 片段，用 json.loads 失败后尝试修复（如补全括号、去尾逗号）；第三层，如果仍然失败，走人工介入或默认回复流程。另外，我加了函数名白名单校验，不在列表内直接拒绝执行。面试官可能追问"为什么不直接让模型重试"，可以回答：重试会增加一次 LLM 调用，成本和延迟翻倍，只在置信度低时重试一次。

追问 3：上下文管理上，你怎么控制 token 成本？

参考回答方向：我用了分层策略。历史消息超过阈值后，将早期消息做摘要压缩，保留最近 N 轮完整消息；对于工具调用结果，只保留关键字段而非完整返回；同时利用 Function Calling 的 description 字段引导模型只提取必要信息。另外，对长文档用滑动窗口 + 关键句抽取，而不是全量塞入。实测 token 消耗降低了约 40%，响应延迟从 3.2s 降到 2.1s。

准备建议

1. 把项目里的每个技术选型都准备好"为什么"和"如果不这样会怎样"。大疆面试官非常喜欢追问细节，比如"为什么用 Redis 缓存而不是本地内存""为什么选这个 embedding 模型"。建议把项目拆成 5-6 个模块，每个模块写一段 200 字左右的说明，包含痛点、方案、效果数据。
2. 手撕算法按 LeetCode Hot 100 + 面试高频题准备，重点练双指针、滑动窗口、二叉树、动态规划四类。大疆的算法题难度中等偏易，但要求边写边讲思路，建议练习时用"先说思路-再写代码-最后测试用例"的节奏。
3. 准备 2-3 个关于大模型行业的问题，比如"如何看待开源模型 vs 闭源模型""Agent 落地的最大瓶颈是什么"。大疆面试官会考察你对技术趋势的判断，不需要标准答案，但要有自己的逻辑框架。可以提前看几篇关于 LLM 推理优化和 Agent 可靠性的文章，形成观点。

结果反馈

一面通过，约一周后收到二面通知。

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。