【华为】【Agent 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，投的是华为 2012 实验室下某个做智能体平台的团队，暑期实习三面（技术终面），面试官是部门的技术负责人，全程 70 分钟，节奏偏深挖，八股问得少但每问都往底层追。

题目摘要

• Go 语言基础：slice 的扩容机制、map 并发读写为什么会 panic、context 的取消传播是怎么实现的，追问到 channel 底层 hchan 结构。
• MySQL / Redis 八股：聚簇索引与回表、RR 隔离级别下间隙锁怎么解决幻读；Redis 的持久化选型、缓存穿透/击穿的工程解法，追问到热 key 在 Agent 场景下的具体表现。
• Agent 项目深挖：RAG 检索链路的分块策略与召回率评估、Function Calling 的工具路由与参数校验、多轮对话的上下文管理与截断策略、推理成本优化（缓存、模型分级、prompt 压缩）。
• 手撕算法：给定一个字符串数组 tools 表示可用工具名，再给一个用户 query，要求实现一个简易的意图路由——按 query 与工具描述的字符级相似度（如最长公共子序列长度归一化）排序返回 Top-K 工具。关键思路：先做分词/去停用词预处理，用 DP 求 LCS 长度，除以 max(len(query), len(tool)) 做归一化，堆排或直接排序取 Top-K，注意空串和大小写边界。
• 系统设计小题：如果 Agent 的 tool 调用需要串行多个外部 API，如何设计超时与重试，避免雪崩。

项目深挖

追问一：你的 RAG 分块策略是怎么定的，怎么证明它比别的策略好？

面试官不满足于"我用了 512 token 固定切分"。参考回答方向：先说清文档类型（如果是 API 文档/工单，结构化程度高，按语义段落切比固定长度好），再讲评估方法——构造一批带标准答案的 query，用召回率@K 和 MRR 对比不同 chunk size 和 overlap 的效果，最好能给出"chunk 从 256 调到 512 时召回涨了 X%，但再往上因为噪声引入反而下降"这种带拐点的结论。如果没做过离线评估，就诚实说线上是靠人工抽检 + badcase 回流，但要能讲出你观察到的失败模式（比如跨 chunk 的答案被切断）。

追问二：Function Calling 里模型选错工具或者参数填错，你怎么兜？

参考回答方向：分两层。第一层在 prompt 和 schema 设计上——工具描述要写清适用边界和反例，参数用 JSON Schema 做强约束（enum、required）。第二层在运行时——解析模型输出后做 schema 校验，校验失败把错误信息回灌给模型让它重试一次，重试仍失败则降级到规则匹配或直接反问用户澄清。可以补一句：对于高频且边界清晰的意图，直接用分类小模型或关键词兜底，比每次都走大模型便宜且稳。

追问三：多轮对话上下文越来越长，token 成本和延迟怎么控？

参考回答方向：分层处理。近期对话保留原文，较早的轮次做摘要压缩；系统 prompt 和工具定义这类静态内容走 prompt caching（如果用的模型支持）；对历史消息做相关性筛选，只把和当前 query 相关的片段塞回去。要能说出取舍——摘要会丢信息，所以关键实体（订单号、用户 ID）要单独抽出来结构化保存，不依赖自然语言摘要。如果面的是华为，可以提一嘴他们在推的昇腾/盘古侧推理优化，但要谨慎，别硬蹭。

准备建议

1. Go 别只背语法，把 runtime 三件套过一遍：slice 扩容（1.18 后阈值和增长因子变了）、map 的 hmap/bmap 结构与扩容触发、channel 的 hchan 和 sendq/recvq。面试官问"为什么"的时候要能画出来，光说结论会被打断。

1. RAG 和 Agent 项目准备一套可量化的叙事：不要只讲"我用了 LangChain 搭了个 RAG"，要准备 2-3 个具体数字——召回率、端到端延迟、单次调用成本、badcase 下降比例。没有真实数字就用离线实验补，面试官能听出来你是真跑过还是背的。

1. 手撕题按"Agent 场景包装的字符串/排序题"准备：华为这类岗位的手撕往往不是纯 LeetCode 原题，而是套一层业务壳（工具路由、意图匹配、相似度排序）。把 LCS、编辑距离、Top-K 堆排、Trie 这几类练熟，能在白板上 15 分钟写完并处理边界。

三面结束当天下午收到 HR 通知通过，一周后发实习 offer。

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。