面试面经 · 懂车帝
【懂车帝】【Agent 开发】【暑期实习一面】面经（八股+大模型项目+手撕）
懂车帝 Agent 开发 暑期实习一面
背景：海外一年制硕士，之前有一段大模型应用相关的项目经历，投递方向为 Agent 开发。
题目摘要
- Go 语言基础：goroutine 与 channel 的使用场景、GMP 模型简述、内存逃逸分析
- MySQL/Redis 八股：索引失效场景、MVCC 原理、Redis 持久化机制与缓存穿透解决方案
- Agent 项目深挖：RAG 检索优化、Function Calling 的容错设计、上下文窗口管理策略、推理成本控制
- 手撕算法：实现一个带过期时间的 LRU Cache（LeetCode 460 变体）
项目深挖
面试官在项目深挖环节连环追问了约 20 分钟，节奏很快，每个回答都会引出下一个问题。核心围绕我的一个「汽车资讯问答 Agent」项目展开。
追问一：你的 RAG 检索结果直接拼进 prompt，如果检索到的内容与用户问题无关，怎么处理？
参考回答方向：首先明确这属于检索质量而非生成问题。我的方案是三层过滤——第一层用 embedding 相似度阈值（0.75 以上才进入候选）；第二层用 LLM 做相关性打分（让模型输出 0-10 分，低于 6 分丢弃）；第三层在 prompt 中显式加入「如果以下参考内容与问题无关，请直接回答不知道」的指令。同时，系统会记录低分检索案例并定期分析，找出是分词问题还是 embedding 模型覆盖不足，针对性优化。
追问二：Function Calling 场景下，如果模型选错了工具或者参数格式错误，你的 Agent 怎么处理？
参考方向：需要区分「模型理解错」和「工具执行失败」两种情况。模型选错工具时，我会让模型先输出一个 intent 判断结果，只有置信度高于阈值才真正调用工具，否则进入澄清流程反问用户。参数格式错误则依靠 JSON Schema 校验，失败后把错误信息返回给模型并附上正确的参数示例，让模型自我纠正。面试官比较认可这个设计，但追问了「如果模型连续两次纠正都失败呢？」——这时应当降级为人工兜底或直接告诉用户暂时无法处理，避免死循环消耗 token。
追问三：上下文窗口有限，长对话中历史消息怎么管理？
参考方向：我用了分层策略——最近 5 轮对话完整保留，更早的消息用摘要压缩存储（每 10 轮做一次总结），系统级指令和工具定义固定占用前缀位置。面试官追问「摘要本身也是 token 成本，怎么控制」，我回答会设置摘要触发的轮次阈值和摘要长度上限，并定期清理不再需要的中间摘要。另外，针对懂车帝场景，用户通常只关心某一款车型的具体参数，所以会做意图识别，只提取与当前问题相关的历史片段注入上下文，而不是全量拼接。
手撕算法：带过期时间的 LRU Cache
题目：设计一个数据结构，支持 get(key) 和 put(key, value, ttl) 操作，其中 ttl 为过期时间（毫秒），过期后 get 返回 -1。要求 get 和 put 的平均时间复杂度为 O(1)。
关键思路：核心是「过期」和「淘汰」两个维度的叠加。基础结构用哈希表 + 双向链表实现 LRU。过期处理有两种方案——惰性删除（get 时检查时间戳）和主动清理（后台协程扫描）。面试时我先给出惰性删除的方案，因为代码量最少且不影响主流程时间复杂度。主动清理需要额外的优先队列或时间轮，面试官点头后我就没再深入。实现时注意双向链表的虚拟头尾节点可以简化边界判断，哈希表的 value 需要同时存数据、过期时间戳、链表节点指针三个字段。因为题目要求 ttl 是 put 时传入的，所以每个节点的过期时间不同，不能全局统一。写完后面试官问了一个 follow-up：如果同一个 key 被重复 put，旧节点的过期时间怎么处理？答案是直接覆盖并更新链表位置，旧节点会被 GC 回收。
准备建议
三条具体建议，按优先级排序：
- Go 语言必须能讲清并发模型。Agent 开发岗位对 Go 的要求不低，面试官直接问 GMP 模型和 channel 的底层实现。建议把《Go 语言设计与实现》的并发章节精读两遍，配合 LeetCode 上 channel 相关的并发题（如交替打印、协程池）实操。如果投递方向偏 Java，则把 ConcurrentHashMap 的 CAS + synchronized 演进和 ThreadLocal 的内存泄漏问题吃透。
- Agent 项目要准备「失败案例」。面试官一定会追问你项目中哪里做得不好、怎么改进的。建议提前梳理 2-3 个具体问题，比如检索不准、工具调用超时、token 超预算等，每个都要有「现象 → 原因分析 → 解决方案 → 效果对比」的完整链路。不要只说「我用了 RAG」，要说清楚为什么用、基线是多少、优化后提升多少。
- 手撕题按「变体题」准备。LRU 本身是高频题，但加了过期时间就变成 Medium 偏 Hard。建议把 LeetCode 146、460、895 三道题都刷熟，同时理解它们之间的演进关系——基础 LRU → LFU → 带过期时间的变体。面试时先给出最简单的可行方案再逐步优化，比一开始就写复杂实现更稳妥。
结果反馈
一面持续约 50 分钟，手撕算法完成后十分钟内收到二面通知，间隔两天。
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。
