面试面经 · 华为
【华为】【Agent 开发】【暑期实习HR面】面经（八股+大模型项目+手撕）
华为 Agent 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，主攻 LLM 应用与后端开发，投递华为 CloudBU 的 Agent 开发暑期实习岗，HR面（技术+综合面合并进行）。
题目摘要
- 编程语言基础（Go）：GMP 模型简述、channel 的同步与缓冲机制、切片扩容策略、map 并发安全方案。
- MySQL/Redis 八股：索引失效场景、事务隔离级别与 MVCC、Redis 持久化机制（RDB/AOF）、缓存穿透/击穿/雪崩的应对。
- 大模型项目深挖（RAG + Function Calling）：项目背景、RAG 检索质量优化、Function Calling 的调用链路设计、上下文窗口管理、推理成本优化。
- 手撕算法题：合并区间（LeetCode 56 变体），要求输出合并后的区间数量，并分析时间复杂度。
项目深挖
追问 1：你的 RAG 项目里，检索质量怎么评估和优化的？
面试官关注点在于你是否真的遇到过检索不准的问题，而不是背概念。
参考回答方向：
- 先明确评估指标：召回率（Recall@K）、命中位置（MRR），以及下游生成任务的 BLEU/Rouge。
- 优化路径分三层：文档切分策略（从固定 512 token 改为按语义段落切分，重叠 64 token）、embedding 模型替换（从 bge-base 换到 bge-large，并针对领域数据微调）、重排序（引入 cross-encoder reranker，Top20 重排取 Top5）。
- 最终效果：召回率提升约 12%，生成答案的事实一致性有明显改善。
追问 2：Function Calling 的调用链路是怎么设计的？如果模型调用了错误的工具怎么办？
考察你对 Agent 工具调用工程化落地的理解。
参考回答方向：
- 链路设计：用户输入 → 意图识别（分类器粗筛）→ 构造 system prompt 注入工具 schema → 模型输出结构化 JSON（工具名+参数）→ 参数校验（类型/必填项）→ 执行工具 → 结果回填到上下文 → 模型生成最终回复。
- 错误处理：三层兜底。第一层，参数校验失败时直接返回错误信息让模型重新生成；第二层，设定最大重试次数（2 次），超过则走兜底话术；第三层，对高频工具调用做白名单，非白名单工具需要用户确认后执行，降低误调风险。
追问 3：上下文管理这块，长对话怎么控制成本？
面试官想听你对 token 消耗的敏感度。
参考方向：
- 核心策略是 滑动窗口 + 摘要压缩：保留最近 N 轮完整对话，更早的历史通过 LLM 生成摘要后存入上下文。
- 工具调用结果不全部保留，只保留关键字段，大段返回内容落库，需要时再查。
- 另外做了 缓存：对完全相同的历史前缀做 KV Cache 复用（vLLM 的 prefix caching），重复提问场景成本降约 30%。
手撕算法题
题目：给定一个区间的集合，合并所有重叠区间，返回合并后区间的数量。要求不能使用额外数组存储结果（即原地合并思路，空间复杂度 O(1)）。
关键思路：
- 先按区间起点排序。
- 遍历区间，维护当前合并区间的
start和end。 - 若当前区间起点 ≤ 当前
end，则扩展end为两者较大值。 - 否则，计数器 +1，更新
start和end为当前区间。 - 最后计数器 +1。
时间复杂度 O(n log n)（排序主导），空间复杂度 O(1)。面试官追问了如果输入是流式数据无法排序怎么办，回答用堆维护区间右端点即可。
准备建议
- 项目深挖别只讲流程，要带数据。提前准备 3 个量化指标（如检索准确率、响应延迟、成本下降百分比），每个优化动作都要能说清"为什么做、怎么做的、效果如何"。
- 手撕算法按高频题刷，但不要只刷原题。重点练习变体题，比如合并区间类的输出形式变化、输入条件变化（无序/流式/超大内存）。面试官很可能会在你写完原题后立刻追问变体。
- 把 Go 并发模型和 Agent 架构结合准备。华为的 Agent 开发岗很吃并发和异步处理能力，建议准备一个"用 Go channel 实现 Agent 工具调用并发执行"的小 demo，既能体现语言功底又能对应业务场景。
结果反馈
HR面约 50 分钟，技术提问占比约 70%，手撕算法顺利，项目深挖环节面试官对 Function Calling 的错误处理方案比较感兴趣。面完第三天收到通知，一面通过，约了 5 天后二面（技术主管面）。
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。
