面试面经 · 拼多多
【拼多多】【大模型开发】【暑期实习三面】面经（八股+大模型项目+手撕）
拼多多 大模型开发 暑期实习三面面经
背景：海外一年制硕士，主攻 NLP 与大规模分布式系统，一段中小厂大模型平台实习经历。
题目摘要
- 编程语言基础（Go）：goroutine 与 channel 底层实现、GMP 调度模型简述、内存逃逸分析场景。
- MySQL/Redis 八股：覆盖索引失效条件、MVCC 实现原理、Redis 持久化 RDB/AOF 对比及混合持久化策略。
- 大模型项目深挖（RAG + Agent）：针对简历中的多轮对话 Agent 项目，追问上下文窗口管理策略、Function Calling 的容错机制、推理成本优化方案。
- 手撕算法题：
Top K Frequent Elements（数组中出现频率最高的 K 个元素）。要求先给思路，再手写代码，最后分析时间和空间复杂度。 - 系统设计附加题：若每日需处理 10 亿次大模型请求，设计一个包含缓存、限流、降级和成本控制的推理网关。
项目深挖
面试官全程围绕简历中的「基于 RAG 的智能客服 Agent」项目展开，三个追问非常典型：
追问 1：你的 RAG 系统在处理多轮对话时，如何避免历史信息干扰检索质量？
参考回答方向：核心是「查询重写 + 上下文压缩」。不要只回答拼接历史，要说明具体做法——用一个小模型（如 7B 参数）对用户当前提问和最近 2 轮对话进行意图重写，生成独立的检索 query。同时，对历史片段做相关性打分，只保留得分高于阈值的片段参与 prompt 组装。如果重写模型推理延迟超过 150ms，会降级为直接采用最后一轮用户输入作为 query。这个方案使检索命中率提升了约 18%，但需要额外承担一次小模型推理成本。
追问 2：Function Calling 的调用失败率是多少？你是如何做容错的？
参考回答方向：不要只说「重试机制」。面试官想听的是工程化容错链路。我的方案分三层：第一层，对模型输出的 function call 参数做 JSON Schema 校验，不合规则触发单次修正重生成；第二层，函数执行异常时，将异常信息回填给模型，让其生成面向用户的自然语言兜底回复，而不是直接报错；第三层，对高频函数做结果缓存，相同参数下直接返回缓存结果，减少模型调用次数。实测整体失败率从 12% 降至 3.5%，其中参数校验层贡献最大。
追问 3：推理成本优化具体做了哪些事？如何评估效果？
参考回答方向：需要给出量化结果。我做了三件事：一是 prompt 瘦身，将系统提示词从 800 tokens 压缩至 350 tokens，同时保持任务描述完整，通过 A/B 测试验证输出质量无显著下降；二是引入语义缓存，对用户 query 做 embedding 相似度匹配，命中缓存直接返回，缓存命中率约 22%；三是模型分级路由，简单意图走小模型（如 7B），复杂推理走大模型（如 70B），整体单次请求成本下降 41%，但需要维护一套意图分类器。评估指标用「单位成本下的用户满意度」而非单纯看延迟或成本。
手撕算法题详解
题目：给定一个非空整数数组，返回其中出现频率前 K 高的元素。要求算法时间复杂度必须优于 O(n log n)。
关键思路：标准解法是「哈希表计数 + 小顶堆」。先遍历数组用哈希表统计每个元素的出现频率，时间复杂度 O(n)。然后维护一个大小为 K 的小顶堆，堆顶是当前 K 个高频元素中频率最低的。遍历哈希表时，若堆未满则直接入堆；若堆已满且当前元素频率大于堆顶频率，则弹出堆顶、入堆当前元素。最终堆中保留的即为频率前 K 高的元素。时间复杂度 O(n log K)，当 K 远小于 n 时接近线性。面试官追问了能否用 O(n) 实现，回答可用快速选择算法（基于快排的 partition），平均时间复杂度 O(n)，但最坏情况退化至 O(n²)，工程上更常用堆方案，因为稳定性更好。
准备建议
- 项目量化指标必须精确到小数点后一位。面试官对「提升了 18%」「成本下降 41%」这类数字追问很细，会问「样本量多大」「对照组怎么设」「统计显著性怎么验证」。提前把这些口径背熟，不要现场算。
- Go 语言重点复习 GMP 模型和 channel 实现。拼多多后端大量使用 Go，大模型团队也不例外。不要只背概念，要能画出 GMP 的调度流转图，解释 M0、G0 的特殊作用，以及 channel 的 sendq/recvq 数据结构。面试官可能会让你手写一个「用 channel 实现并发任务池」的伪代码。
- 大模型八股要准备「成本视角」的答案。拼多多对成本极其敏感，任何技术方案都要能算账。提前准备一个「单次请求成本拆解」的模板，包括 token 费用、GPU 租用成本、缓存命中率对成本的影响。面试时主动提成本优化，比被动回答加分很多。
结果反馈
三面结束后第 4 天收到 HR 电话，告知面试通过，约一周后安排 HR 面。整体感受是拼多多三面更偏工程落地和成本控制，而非纯研究深度，对实习生的系统设计能力有一定要求。
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。
