【快手】【大模型开发】【暑期实习三面】面经（八股+大模型项目+手撕）

快手 大模型开发 暑期实习三面面经

背景：海外一年制硕士，主修 NLP，一段中小厂大模型应用实习，投递快手大模型平台部。

题目摘要

面试时长 70 分钟，整体节奏快，面试官是部门资深工程师，会打断追问细节，不满足于"背出来的答案"。

1. Go 语言基础：goroutine 与 channel 的底层实现，GMP 调度模型中的 work stealing 机制，以及 map 并发读写为什么 panic（不是死锁而是 fatal error）。
2. MySQL/Redis 八股：MVCC 快照读与当前读的区别，RR 隔离级别下幻读如何被间隙锁解决；Redis 持久化 RDB vs AOF 的取舍，以及大 key 删除对主线程的阻塞问题。
3. RAG 项目深挖：针对简历中一个法律文档问答项目，追问 chunk 切分策略、检索召回率优化、多轮对话中的 query 改写方案。
4. Function Calling 实现细节：如何让 LLM 稳定输出结构化函数调用参数，JSON 格式错误时的兜底策略。
5. 上下文管理：长对话场景下 token 超限的处理方案，以及不同压缩策略（摘要 vs 滑动窗口）的优缺点。
6. 手撕算法：题目是"寻找旋转排序数组中的最小值 II"（LeetCode 154），要求写出可运行的 Go 代码并分析边界情况。

项目深挖

追问一：你的 RAG 系统在 chunk 切分时，为什么选择 500 字 + 50 字重叠？这个参数是怎么定出来的？

参考回答方向：先说明 500 字是参考了 embedding 模型的最大输入长度（如 bge-large 是 512 token），同时结合业务文档的段落平均长度。重叠窗口是为了避免语义断点——如果一刀切在句子中间，检索时可能漏掉关键实体。然后补充说明实际做过小规模 A/B 实验：对比 300/500/800 字三档，用 Recall@5 和人工标注的答案相关性做评估，500 字在效率和准确率上平衡最好。最后可以提一句，如果文档有明显标题结构，会优先按标题切分，而不是纯固定长度。

追问二：你说多轮对话中做了 query 改写，具体怎么实现的？改写失败会怎样？

参考回答方向：先给出两阶段方案——第一轮用 LLM 根据历史对话生成独立 query，同时附带一个规则兜底（如果当前 query 包含指代词或省略成分，强制走改写；否则直接透传）。然后重点讲改写的 prompt 设计，要求输出 JSON 格式（{"rewritten_query": "..."}），并限制改写后长度不超过原文 1.5 倍，防止发散。追问到失败场景时，回答：如果 LLM 返回格式错误，会重试一次并把 temperature 降到 0；仍然失败则退回原始 query，同时记录日志用于后续优化。这里可以补充一个细节——实际工程中，改写失败率大约 3-5%，对最终答案质量的影响在可接受范围内，因为检索环节本身有容错。

追问三：你的 Function Calling 方案里，如果模型返回的参数 JSON 里有非法值（比如超出枚举范围），你怎么处理？

参考回答方向：分三层兜底。第一层，在 prompt 里明确给出每个参数的取值范围和枚举值，并要求模型先输出思考过程再输出 JSON（虽然会增加 token，但能显著降低格式错误率）。第二层，解析 JSON 后用 JSON Schema 做校验，非法值直接丢弃该次调用并返回给模型一条错误消息，让模型重新生成。第三层，如果连续两次校验失败，放弃 function call，改用普通文本回复。这样既保证可靠性，又不至于让用户等待过久。

手撕算法详解

题目：寻找旋转排序数组中的最小值 II。给定一个可能包含重复元素的旋转排序数组（如 [3, 4, 5, 1, 2]，或 [2, 2, 2, 0, 2]），要求返回最小值。

关键思路：二分查找的变种。维护 left 和 right 指针，取 mid。比较 nums[mid] 与 nums[right]：

• 如果 nums[mid] > nums[right]，说明最小值在右半部分，left = mid + 1。
• 如果 nums[mid] < nums[right]，说明最小值在左半部分（含 mid），right = mid。
• 如果相等，无法判断，只能 right-- 缩小范围（因为 nums[mid] 和 nums[right] 相等，至少可以排除 right 位置）。

时间复杂度平均 O(log n)，最坏 O(n)（全重复元素时）。面试时我一开始没处理相等情况，面试官提示后补上了。注意 Go 里 for left < right 的循环条件，以及 right-- 不会跳过最小值（因为 nums[mid] == nums[right]，最小值如果等于这个值，right 位置丢掉也无妨）。

准备建议

1. Go 语言别只背概念，要能写出可运行的并发代码。面试前手写一个 worker pool（用 channel 分发任务、sync.WaitGroup 等待完成），再写一个带超时控制的 context 使用示例。GMP 模型至少能画出示意图并解释 P 的本地队列和全局队列的交互。

1. RAG 项目要准备"为什么是这个参数"的量化依据。面试官对"我试过几个值，最后选了效果最好的"这种回答很满意，但你要能说出具体评估指标（Recall@K、答案准确率）和对比结果。建议把项目中的关键实验数据整理成表格，背熟。

1. 算法题刷到"能默写"的程度。快手三面手撕题不会太难，但会考变种和边界条件。LeetCode 的二分查找专题（33、81、153、154）全部手写一遍，重点记忆重复元素时的处理逻辑。另外建议用 Go 刷题，熟悉 Go 的语法陷阱（如 for 循环无 while、切片边界）。

结果反馈

三面结束当晚收到 HR 通知通过，约在一周后安排 HR 面。整体感受：快手的大模型岗位面试偏工程落地，对实习项目的追问非常细，建议准备时多从"线上跑起来会遇到什么问题"的角度复盘自己的项目。

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。