【网易】【Agent 开发】【暑期实习HR面】面经（八股+大模型项目+手撕）

网易 Agent 开发 暑期实习 HR 面经

背景：海外一年制硕士，计算机相关专业，投递网易伏羲实验室 Agent 开发岗位，HR 面穿插两轮技术交叉面，整体流程偏实战。

题目摘要

1. 编程语言基础（Java）：HashMap 底层结构、ConcurrentHashMap 分段锁与 CAS 机制、JVM 内存区域划分及 GC 触发条件。
2. MySQL/Redis 八股：InnoDB 索引结构为什么用 B+ 树、事务隔离级别与 MVCC、Redis 持久化 RDB/AOF 对比、缓存穿透/击穿/雪崩的解决方案。
3. 大模型项目深挖：基于开源 LLM 的 RAG 问答系统，追问检索召回率优化、上下文窗口管理、Function Calling 实现细节、推理成本优化策略。
4. 手撕算法题：合并区间（LeetCode 56 变体）——给定若干可能重叠的区间，要求合并后输出不重叠区间列表。关键思路：按左端点排序，遍历时维护当前区间右边界，若下一区间左端点大于当前右边界则输出当前区间并重置，否则更新右边界为两者较大值，时间复杂度 O(n log n)。

项目深挖

追问 1：你的 RAG 系统在召回阶段怎么处理 query 与文档的语义鸿沟？

参考回答方向：先拆解问题——是 query 表述模糊还是文档粒度不匹配。我当时的做法是双路召回：BM25 做关键词精确匹配 + embedding 向量做语义召回，再用 RRF（Reciprocal Rank Fusion）融合排序。另外针对 query 过短的问题，加了一层 query 改写模块（基于小模型生成多个子查询），实测 Recall@5 提升约 12%。面试官追问"改写模块的延迟开销怎么控制"，我回答用 1.5B 模型 + 缓存高频 query，单次改写控制在 150ms 内。

追问 2：Function Calling 在 Agent 里是怎么设计和落地的？

参考回答方向：先说明场景——Agent 需要调用内部 API 查询天气、日历、数据库等。设计上采用 JSON Schema 描述函数签名，LLM 输出结构化 JSON 后做参数校验和意图确认。关键难点是多轮对话中的参数补全：用户第一次说"查下周五的天气"，缺少地点，Agent 需要反问而不是直接报错。我实现了一个 slot-filling 状态机，跟踪已获取参数，缺失时生成澄清问题。面试官接着问"如果 LLM 输出 JSON 格式错误怎么办"，我答了防御性重试 + 正则修正 + 降级为纯文本解析三层兜底。

追问 3：推理成本优化具体做了什么？

参考回答方向：从两个维度展开——显存和 token 消耗。显存方面用 vLLM 做 PagedAttention 管理 KV Cache，配合 continuous batching 提升吞吐；token 方面做了上下文裁剪，只保留最近 N 轮对话 + 与当前 query 相关的检索片段，同时把 system prompt 从 800 token 压缩到 300 token 以内。另外对简单意图（如天气查询）走小模型（7B）分流，复杂推理才调用大模型（72B），整体成本下降约 40%。面试官追问"怎么判断意图复杂度"，我答基于分类器 + 置信度阈值，简单规则先过滤。

准备建议

1. 项目要能讲出"数据" ：不要只说"我做了 RAG"，要准备 Recall@k、准确率、延迟、成本等具体数字，面试官听到"提升 12%""下降 40%"这类量化结果会明显更感兴趣。提前在项目里埋好 benchmark 结果。

1. 手撕算法按"高频 50 题"刷两遍：Agent 岗不考难题偏题，但区间合并、TopK、LRU、二叉树遍历这类题必须闭眼写。重点练边界条件（空数组、单元素、完全重叠）和时间复杂度推导，面试时先讲思路再动笔，写完后主动跑一个测试用例。

1. 准备 2-3 个"踩坑故事" ：HR 面和交叉面都爱问"你遇到过什么技术难点怎么解决的"。挑一个调试了很久的 bug（比如 embedding 维度不一致导致检索报错、并发调用 LLM 时 API 限流），讲清楚定位过程和最终方案，比背八股更有区分度。

结果反馈

一面通过，约 5 天后收到二面通知。整体感受是网易更看重工程落地能力和对成本/性能的敏感度，纯理论八股占比不高，建议多花时间打磨项目细节。

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。