NiceOffer

面试面经 · 地平线

【地平线】【大模型开发】【暑期实习HR面】面经（八股+大模型项目+手撕）

发布于 2026-09-02

地平线面经大模型开发实习

地平线 大模型开发 暑期实习 HR面 面经

背景：海外一年制硕士，计算机相关专业，此前有一段中小厂 NLP 算法实习，主攻 LLM 应用层开发。

题目摘要

面试整体节奏偏快，技术问题密度高，但深度适中，更看重“是否真的动手做过”而非“背过多少”。核心考点如下：

  1. 编程语言基础（Go）：goroutine 与 channel 的使用场景、GMP 模型简述、内存逃逸分析是什么、如何避免。没有问 Java，可能因为简历里写了 Go 项目。
  2. MySQL/Redis 八股：MySQL 索引失效的典型场景（最左前缀、隐式类型转换、LIKE '%xx'）；Redis 缓存穿透/击穿/雪崩的区别与解决方案；Redis 持久化 RDB/AOF 的优缺点及适用场景。
  3. 大模型项目深挖（RAG + Agent）：基于简历中的“法律咨询 Agent”项目，追问了 RAG 检索质量评估方法、Function Calling 的触发机制与容错处理、上下文窗口溢出时的截断策略、以及推理成本（Token 消耗）如何优化。
  4. 手撕算法题：题目：给定一个无序整数数组，找到最长连续序列的长度（LeetCode 128 原题）。要求时间 O(n)。关键思路：用 HashSet 存储所有元素，遍历每个数 x，仅当 x-1 不在集合中时，才以 x 为起点向后递增查找连续长度。这样每个数最多被访问两次，整体 O(n)。注意边界：空数组返回 0，负数也要处理。
  5. 场景设计题：如果让你设计一个“基于 LLM 的代码评审助手”，如何控制单次请求的 Token 消耗？提示从输入裁剪、缓存、模型选择三个角度回答。
  6. HR 行为面：为什么选择地平线而非互联网大厂？对“车规级 AI”有什么理解？能接受实习转正考核的周期吗？

项目深挖

面试官对简历中的“法律咨询 Agent”项目追问最多，以下是几个典型追问及参考回答方向：

追问 1：RAG 检索质量你怎么评估的？只用肉眼看过几个例子吗？

参考方向：不能只说“效果不错”。要给出量化指标，比如用 hit rate（检索命中率）和 MRR（平均倒数排名）评估召回结果；对生成答案用 BLEU/ROUGE 或 LLM-as-Judge 打分。更重要的是说明你如何构建“测试集”——从真实用户日志中采样 query，人工标注正确答案对应的文档片段。如果没时间做完整评测，至少要说明你发现了哪些典型失败模式（如专业术语分词错误导致检索不到），以及如何针对性优化（自定义词典、混合检索 BM25 + 向量）。

追问 2：Function Calling 偶尔不触发或参数传错，你怎么处理？

参考方向：不要只说“调 prompt”。实际工程中要加三层兜底：第一层，解析模型返回的 JSON，若格式非法则重试一次并附上错误信息；第二层，定义“参数校验器”，比如日期格式、枚举值校验，不合法就返回给模型一个结构化错误提示让其重新生成；第三层，若连续两次失败，降级为纯文本回复或转人工。另外，可以在 prompt 中给 2-3 个 few-shot 示例，特别是“拒绝调用”的示例，让模型学会在信息不足时反问而不是乱调。

追问 3：上下文窗口只有 8K，但用户历史消息可能超过 20K，你怎么做？

参考方向：核心是“分层摘要 + 滑动窗口”。短期记忆保留最近 2-3 轮完整消息；中期记忆用 LLM 对每 5 轮对话做一次增量摘要，存入向量库；长期记忆只存用户画像和关键偏好。当上下文超限时，先丢弃最旧的完整消息，保留摘要。注意：摘要本身也会占 Token，所以要对摘要长度设硬上限，比如 500 Token，超了就再压缩。另一个技巧是“关键信息抽取”——用正则或小模型从用户消息中抽取出结构化字段（时间、地点、金额），拼接到 system prompt 里，而不是把原文全部塞进去。

准备建议

  1. 把简历里每个项目都准备一个“数字故事”：用“背景 - 动作 - 量化结果”结构写下来。比如“RAG 检索命中率从 62% 提升到 81%”，面试官一定会追问“怎么测的”“基线是什么”“用了什么 trick”。提前把评测集构造方法、失败案例分析写成一页纸，面试前反复过。不要只准备“我做了什么”，要准备“我踩了什么坑、怎么爬出来的”。
  1. 算法题别只刷热门题，重点练“边界条件敏感型”的题：地平线手撕题难度不大，但要求一次写对。LeetCode 128 这类题，很多人知道用 HashSet 但写出来 bug 多（比如忘记处理空数组、重复元素）。建议每天手写 2-3 道中等难度题，重点检查空输入、单元素、全相同元素等边界。另外，面试时先和面试官确认输入范围和时间复杂度要求，再动笔，不要闷头写。
  1. 针对“大模型应用开发”岗位，准备一张“成本优化清单”：面试官非常关注工程落地能力，不是只会调 API。提前整理：①输入裁剪（只传相关历史、用摘要替代原文）；②缓存策略（相同 query 的 embedding 和 LLM 结果都缓存到 Redis）；③模型分级（简单意图分类用小模型，复杂推理用大模型）；④批量推理（合并相似请求）。把这张清单背熟，遇到场景题直接分点输出，会显得很有工程感。

结果反馈

一面通过，约 5 天后收到二面通知，方向为系统设计 + 深度项目复盘。

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。

相关阅读