面试面经 · 蔚来
【蔚来】【Agent 开发】【暑期实习HR面】面经（八股+大模型项目+手撕）
蔚来 Agent 开发 暑期实习 HR面 面经
背景：海外一年制硕士，投递方向为车机大模型应用层，非算法岗，偏工程落地。
题目摘要
HR 面整体节奏快，技术深度有限，但覆盖面广，重点考察候选人是否“真做过”而非“背过”。核心考点如下：
- Go 语言基础：goroutine 与 channel 的同步机制，
sync.WaitGroup使用场景，以及 slice 的底层扩容策略。 - MySQL 八股：索引失效的典型场景（最左前缀、隐式类型转换、LIKE 前置通配符），以及事务隔离级别与 MVCC 的可见性关系。
- Redis 八股：缓存穿透/击穿/雪崩的区分与解决方案，重点问到了分布式锁的 Redlock 实现细节。
- Agent 项目深挖：RAG 流程中的检索策略、Function Calling 的异常处理、多轮对话上下文窗口管理、推理成本优化方案。
- 手撕算法：合并 K 个有序链表（力扣 23）。要求先讲思路再写代码，重点考察优先队列（堆）的应用与边界处理。
项目深挖
面试官针对简历中的 Agent 项目连续追问，每一问都要求给出具体技术方案而非概念描述。
追问 1：“你的 RAG 检索结果直接拼进 prompt 吗？如果检索到的文档和问题不相关怎么办？”
参考回答方向：不直接拼接，先做相关性过滤。我采用的是双通道策略——先通过向量检索召回 Top-20，再用轻量级 reranker（如 bge-reranker-base）进行精排，保留 Top-5 进入上下文。对于低分结果，设置动态阈值，低于阈值的文档直接丢弃，避免噪声干扰。同时，在 prompt 中显式标注“以下内容可能无关，请勿强行引用”，降低模型幻觉概率。
追问 2：“Function Calling 在真实场景中经常调用失败，你怎么处理？”
参考回答方向：三层兜底机制。第一层，函数参数校验，在调用前用 JSON Schema 强制校验类型与必填字段，不合规则返回错误提示让模型重新生成参数；第二层，超时与重试，函数执行设置 3s 超时，失败后重试一次，仍失败则返回“当前服务不可用，请告知用户稍后再试”；第三层，降级策略，若所有函数都不可用，模型回退到纯文本对话模式，不报错硬撑。此外，所有函数调用都记录日志，用于后续分析高频失败原因。
追问 3：“上下文窗口有限，多轮对话中你怎么管理历史消息？”
参考回答方向：分层截断策略。短期记忆保留最近 5 轮完整对话，中期记忆用摘要压缩（调用轻量模型对旧对话生成摘要），长期记忆只保留用户偏好与关键实体（通过 NER 抽取）。Token 预算分配上，系统指令占 10%，历史消息占 30%，检索内容与当前用户问题占 60%。如果预算超限，优先压缩历史消息而非检索内容。
准备建议
1. 把项目里的每个技术选型都准备一个“为什么不用 X”的对比回答。 例如：为什么用向量检索而非 BM25？为什么用 bge 而不是 OpenAI embedding？为什么用 Redis 缓存函数调用结果而不是直接查库？面试官喜欢从反面验证你是否真的理解技术权衡。
2. 手撕算法不要只刷 hot 100，重点练习“堆”与“双指针”的变种题。 蔚来这类车企面试偏向工程场景题，合并 K 个有序链表、Top K 高频元素、接雨水这类题出现概率极高。建议把每道题的时间复杂度推导写在代码注释里，展示工程习惯。
3. 准备一个“成本优化”的具体案例。 大模型应用面试必问推理成本，提前算好一笔账：你们的 Agent 单次对话平均消耗多少 token？用缓存命中率提升多少？换小模型（如从 gpt-4o 换成 gpt-4o-mini）后准确率下降多少但成本降了多少？有真实数据支撑的回答会明显拉开与其他候选人的差距。
结果反馈
一面通过，3 天后约了技术二面，面试官明确说“项目部分聊得比较细，后续会考察系统设计能力”。
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。
