【Momenta】【大模型开发】【暑期实习二面】面经（八股+大模型项目+手撕）

海外一年制硕士，投递 Momenta 大模型开发暑期实习，简历偏 LLM 应用与 Agent 工程方向，二面时长约 70 分钟，面试官是组内做 Agent 平台的一线工程师，全程共享屏幕写代码。

题目摘要

1. Go 语言基础：slice 的底层结构、扩容规则，以及 slice 作为函数参数时修改元素能否影响原切片、append 之后为什么有时"失效"。追问 map 并发读写 panic 的成因和 sync.Map 的适用场景。
2. MySQL / Redis 八股：聚簇索引与二级索引的回表过程、EXPLAIN 里 type 字段从好到坏的排序；Redis 缓存穿透/击穿/雪崩三件套的处理手段，重点问"逻辑过期 + 互斥锁"方案下如何保证一致性，以及 Redis 分布式锁的续期问题。
3. RAG 项目深挖：文档切分策略怎么定的、向量检索召回率怎么评估、为什么用混合检索（BM25 + 向量）、rerank 模型放在哪一层、线上 QPS 与 P99 延迟。
4. Agent / Function Calling：工具数量到几十个之后怎么选工具、多轮对话上下文怎么裁剪、工具调用失败（参数不合法、超时）怎么重试和降级、怎么防止模型陷入循环调用。
5. 推理成本优化：首 token 延迟和吞吐的权衡、KV Cache 命中率怎么提升、prompt 前缀复用、量化方案（INT8 / AWQ）对效果的实测影响。
6. 手撕算法：LRU 缓存。题意：设计一个容量为 capacity 的数据结构，支持 get(key) 和 put(key, value)，两者都要求 O(1) 平均时间复杂度，容量满时淘汰最久未使用的 key。关键思路是哈希表 + 双向链表：哈希表存 key 到链表节点的映射，链表头部放最近使用、尾部放最久未使用；get 命中后把节点摘下来插到头部，put 时若 key 已存在则更新并移到头部，若不存在则新建节点插头部，超出容量就删掉尾节点并同步删哈希表项。用 Go 写的话注意用 container/list 或者手写哨兵头尾节点避免空指针判断；面试官后续追问了"如果要求支持过期时间怎么办"，回答方向是给每个节点加 expireAt，再用惰性删除 + 定期采样删除，或者直接用最小堆/时间轮管理过期。

项目深挖

追问一：RAG 里你说用了混合检索，怎么证明它比纯向量检索好？

这题是典型的"别只讲技术栈，要讲评估"。参考回答方向：先说明评估集怎么来的——从线上真实 query 里采样 200~500 条，人工标注每条的正确答案所在 chunk，构成 golden set；然后定义指标，召回层面看 Recall@K 和 MRR，端到端看答案的忠实度（faithfulness）和答案相关性。对比时固定 rerank 模型和生成模型，只切换检索层，纯向量 Recall@5 是 X，混合检索是 X+8pt 左右，主要收益来自专有名词、型号、代码标识符这类 query，向量模型对这类 token 的语义表征偏弱，BM25 能兜住。最后补一句代价：混合检索要多一路检索和一次融合（RRF 或加权），P99 涨了大概几十毫秒，用并发召回 + 提前截断压回来了。

追问二：Function Calling 工具变多之后怎么选工具？

参考回答方向：分三层。第一层是静态过滤，按用户意图、会话状态、权限先排除掉不可能用到的工具，比如没登录就不给"下单"类工具。第二层是检索式召回，把每个工具的 name + description + 参数 schema 做成一条文档，用向量检索召回 top-k（一般 5~10 个）再塞进 prompt，而不是把几十个工具全塞进去——全塞不仅费 token，还会显著拉低选择准确率。第三层是如果工具之间存在依赖（比如先查订单再退款），用一个小模型或者规则做多步规划。补充一点：工具描述本身要工程化，参数名、枚举值、什么时候不该调用，都要写清楚，很多选错工具是描述写得含糊导致的。

追问三：上下文越来越长，怎么管理？

参考回答方向：按信息价值分层。系统 prompt 和工具定义放最前面，保证 KV Cache 前缀命中；中间的对话历史做滑动窗口 + 摘要，超过阈值的老轮次用模型压缩成一段摘要，保留实体和结论、丢掉寒暄和中间推理过程；工具返回结果里只保留模型真正需要的字段，原始 JSON 该截断就截断。另外要把"必须记住"的信息（用户 ID、当前任务目标）单独抽成一个结构化的 state，每轮拼进 prompt，不依赖模型从长历史里自己找。最后提一句实测：只做滑动窗口时多轮任务成功率会掉，加了结构化 state + 摘要之后基本追平全量上下文的水平，token 消耗降了一半以上。

准备建议

1. 八股别背结论，背"为什么"。MySQL 索引和 Redis 缓存这块，面试官几乎不会只问定义，而是给一个场景让你选方案。准备时每个知识点都逼自己回答三个问题：它解决什么问题、代价是什么、什么情况下不该用它。比如缓存一致性，别只答"先更新 DB 再删缓存"，要能说清楚为什么是删而不是更新、延迟双删解决的是什么、什么业务下可以接受最终一致。

1. 项目准备一份"数字清单"。把 RAG / Agent 项目里的关键指标全部量化并记住：数据规模、chunk 大小与重叠、Top-K、召回率、P99 延迟、单次调用 token 数和成本、优化前后的对比。面试官深挖时最容易被问穿的就是"你说效果变好了，好了多少"。没有线上数据就用离线评估集自己造一组，能自圆其说即可。

1. 手撕题按题型刷，不按题号刷。大模型岗的手撕集中在几类：LRU/LFU、Top-K、滑动窗口、字符串处理、简单的并发控制（Go 的 channel + goroutine 实现限流或生产者消费者）。每类写熟一个模板，注意边界条件（空输入、容量为 0、重复 key）和复杂度分析，写完主动口述一遍测试用例，比等面试官指出 bug 印象分高很多。

一面通过，约 5 天后收到二面邀请，二面结束后第 3 天 HR 反馈通过，进入 offer 沟通环节。

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。