面试面经 · 京东

【京东】【大模型开发】【暑期实习一面】面经（八股+大模型项目+手撕）

发布于 2026-09-09

京东面经大模型开发实习

京东大模型开发暑期实习一面面经

背景： 海外一年制硕士，主攻 NLP 与分布式系统，两段大模型相关项目经历（RAG 问答 + Agent 工具调用）。

Java 并发基础：synchronized 与 ReentrantLock 的区别，volatile 的可见性与禁止重排原理，手写一个线程安全的单例（双重检查锁）。
MySQL 索引与事务：联合索引最左前缀原则、覆盖索引优化、MVCC 如何解决幻读（重点讲 Next-Key Lock）。
Redis 缓存一致性：缓存穿透/击穿/雪崩的应对方案，延迟双删与 Canal 监听 binlog 的取舍。
RAG 项目深挖：混合检索（BM25 + 向量）的融合策略、重排模型选型、上下文窗口溢出时的截断策略。
Agent Function Calling 深挖：如何约束 LLM 输出合法 JSON 参数、多工具并行调用的调度逻辑、失败重试与兜底方案。
手撕算法：「合并 K 个升序链表」（LeetCode 23）。

题意：给定 K 个升序链表头节点，合并为一个升序链表。
关键思路：优先队列（小顶堆）维护每个链表当前最小节点，每次弹出堆顶并 push 其 next；时间复杂度 O(N log K)，空间 O(K)。进阶追问：若内存受限，如何用败者树优化多路归并？

项目背景： 基于大模型的内部知识库问答系统，支持多轮对话与文档实时更新。

追问 1：你提到混合检索，BM25 和向量检索的分数尺度不同，怎么融合？

参考回答方向：先分别做 Min-Max 归一化或 Z-Score 标准化，再采用加权求和（权重通过网格搜索在验证集上调优）。更优做法是训练一个轻量级 Learning-to-Rank 模型（如 LambdaMART）融合多路召回特征。我实际用的是动态权重——当 query 含专有名词或代码时提高 BM25 权重，否则提高向量权重，规则由一个小分类器决策。

追问 2：多轮对话中，用户新问题指代上文内容（如“那第二个方案呢”），你们怎么处理上下文？

参考回答方向：维护一个显式的上下文状态机——记录当前对话主题、最近提到的实体列表（通过 NER 抽取）、以及用户意图类型。当新 query 进入时，先用轻量模型判断是否含指代，若有则从状态机中回溯替换指代词。同时限制送入 LLM 的历史轮次（保留最近 3 轮完整对话 + 之前轮次的压缩摘要），摘要由 LLM 异步生成并缓存，避免每次请求都重新计算。

追问 3：Function Calling 场景下，如果 LLM 返回的 JSON 参数不合法（字段缺失或类型错误），你怎么处理？

参考回答方向：三层防线。第一层：在 prompt 中给出严格的 JSON Schema 示例，并要求“只输出 JSON 不要解释”。第二层：解析失败时，用正则或轻量修复（如补全引号、去掉尾逗号），若仍失败则携带错误信息让 LLM 重新生成一次（限定温度=0）。第三层：重试仍失败则降级为普通文本回复，并记录失败样本用于后续 fine-tune 或 prompt 优化。另外，所有工具调用前做参数合法性校验，非法参数不会真正执行。

项目细节必须量化：面试前统计自己项目的准确率提升（如 RAG 的 Answer Accuracy 从 68% 提到 82%）、延迟优化（如首 token 时间从 1.8s 降到 0.9s）、成本优化（如通过 prompt 压缩减少 40% token 消耗）。面试官对“你怎么调优”的追问往往比项目本身更深入，建议针对每个优化点准备 A/B 测试的具体对照组设计。
手撕算法按“变形题”准备：不要只刷原题，重点准备同类变体——如合并 K 个有序数组（不建链表）、K 个有序流实时取最小（动态增删）、以及多路归并的外排序场景。京东大模型岗偏工程落地，算法题常与系统设计结合考察（如海量数据 TopK）。
八股要结合大模型场景说：比如 MySQL 索引优化不要只背 B+ 树，可以讲“用联合索引覆盖 RAG 元数据过滤（如按文档 ID + 时间戳查询 chunk）”；Redis 缓存不要只讲穿透，要结合 embedding 缓存——用 query 的 hash 作为 key 缓存向量检索结果，命中率可达 30% 以上，大幅降低 LLM 调用成本。

一面通过，约 3 天后二面（主管面），主要聊工程落地与团队业务方向。

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。