面试面经 · 理想汽车
【理想汽车】【Agent 开发】【暑期实习HR面】面经（八股+大模型项目+手撕）
理想汽车 Agent 开发 暑期实习 HR面 面经
背景：海外一年制硕士，计算机相关方向，此前有一段大模型应用相关的项目经历。
题目摘要
本轮面试整体节奏偏快，技术问题集中在前半段，后半段围绕项目和实习意愿展开。核心考点如下：
- Go 语言基础：goroutine 与 channel 的使用场景、GMP 模型简述、内存逃逸分析
- MySQL/Redis 八股：索引失效场景、事务隔离级别、Redis 缓存穿透与击穿的区别及应对
- Agent 项目深挖：RAG 检索优化、Function Calling 的触发机制、多轮对话上下文管理、推理成本优化策略
- 手撕算法：实现一个带过期时间的 LRU 缓存（LRU Cache with TTL）
- 工程实践：如何设计一个可扩展的 Agent 工具调用框架
项目深挖
面试官对 Agent 相关项目追问得非常细，几乎每个技术选型都被问到"为什么"和"有没有考虑过其他方案"。
追问 1：你的 RAG 方案中，检索效果不好时怎么排查和优化？
参考回答方向：先拆解问题出在召回还是重排。召回阶段检查 chunk 大小和重叠度是否合理，embedding 模型是否匹配领域文本；重排阶段可以引入 cross-encoder 或 bge-reranker。实际项目中遇到过查询词与文档表述不一致的问题，通过扩充同义查询（HyDE 或查询改写）提升了召回率。如果检索结果本身没问题但生成效果差，需要检查 prompt 中上下文组织方式。
追问 2：Function Calling 的触发机制是怎么设计的？
参考回答方向：基于 JSON Schema 定义工具接口，模型输出结构化调用请求。关键点在于（1）工具描述要足够清晰，包括参数含义、格式、枚举值；（2）设置合理的触发阈值，避免模型在无关场景下误调用；（3）处理并行工具调用和依赖关系。实际项目中用了一个校验层，对模型输出的 function call 做参数合法性校验，不合法时回退给模型重新生成。
追问 3：多轮对话中上下文管理怎么做的？成本怎么控制？
参考回答方向：采用分层上下文策略——系统提示词固定，工具调用记录和关键对话摘要保留，历史消息按 token 预算截断。成本优化方面，用缓存机制避免重复计算相同前缀的 prompt，对简单任务用小模型兜底，只有复杂推理才路由到强模型。实测 token 成本降低了约 40%。
手撕算法：带过期时间的 LRU 缓存
题意：设计一个数据结构，支持 get(key) 和 put(key, value, ttl) 操作，其中 ttl 为过期时间（秒），get 时若 key 已过期则返回 -1，容量满时淘汰最久未使用的条目。
关键思路：
- 使用哈希表 + 双向链表实现 O(1) 的 get/put，这是 LRU 的基础
- 额外维护每个 key 的过期时间戳，get 时先判断是否过期，过期则删除并返回 -1
- 惰性删除即可满足要求——不需要后台线程清理过期条目，只在访问时检查
- 注意边界：put 已存在的 key 时更新值和过期时间，并移到链表头部
面试官会追问"如果过期时间不同，淘汰策略怎么定"——明确说明淘汰只看 LRU 顺序，过期是访问时的额外判断，两者独立。
准备建议
- Go 语言重点复习 goroutine 调度和内存模型。面试官问到了 GMP 的 G 和 M 的对应关系、channel 底层实现（hchan 结构体）、sync.Mutex 和 channel 的选型依据。建议把《Go 语言设计与实现》中调度器章节读透，能画出 GMP 流转图。
- Agent 项目准备一套完整的数据流链路。从用户输入到工具调用的完整流程要能闭眼画出来，包括 prompt 组装、模型调用、结果解析、上下文更新、错误恢复。每个环节准备 1-2 个"踩坑经历"，比单纯说"我用了 RAG"有说服力得多。
- 算法题练熟 LRU/LFU 系列。理想汽车面试手撕题偏工程向，LRU 变种（TTL、并发安全、持久化）出现频率高。建议用 Go 手写一遍带锁的 LRU，注意并发场景下读写锁的使用，面试时能直接写出无 bug 的代码。
结果反馈
一面整体体验不错，面试官对 Agent 方向了解较深，追问有针对性。面试结束后约 3 天收到通过通知，一周后约了二面（技术面）。
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。
