【小马智行】【Agent 开发】【暑期实习三面】面经（八股+大模型项目+手撕）

背景

海外一年制硕士，计算机方向，主攻 LLM 应用与后端工程。此前有一段大模型创业公司实习经历，主要做 RAG 与 Agent 平台开发。三面是技术终面，整体偏系统设计与工程实践，面试官为资深后端专家，全程 1 小时，节奏快，无闲聊环节。

题目摘要

1. Go 语言基础：goroutine 与 channel 底层实现、内存逃逸分析、sync.Pool 适用场景与坑。
2. MySQL/Redis 八股：MVCC 原理与 RR 隔离级别下的当前读/快照读、Redis 持久化 RDB/AOF 混合策略选择、缓存穿透与布隆过滤器误判率计算。
3. Agent 项目深挖：RAG 检索质量优化、Function Calling 的 prompt 构造与容错、多轮对话上下文管理与 token 成本控制。
4. 手撕算法题：设计一个支持 insert、delete、getRandom 且时间复杂度 O(1) 的数据结构（LeetCode 380）。关键思路：哈希表存 value→index，数组存 value，删除时与末尾元素交换后 pop，避免数组空洞。

项目深挖

追问 1：你的 RAG 系统在检索质量上做过哪些具体优化？怎么评估收益？

参考方向：不要只答"用了 bge-m3 + faiss"。我拆成召回和重排两段。召回侧做了 query 改写（基于历史对话生成多视角子查询）和混合检索（BM25 + 向量，RRF 融合），解决专有名词与口语化 query 不匹配问题。重排侧用 cross-encoder 精排，取 top-k 截断。评估上，离线构建了 200 条业务问答集，算 Recall@5 和 MRR，在线看用户反馈率与二次检索率。面试官追问"重排模型引入的延迟怎么处理"，答：重排只作用于召回 top-50，且用 batch 推理，单次延迟增加约 30ms，可接受。

追问 2：Function Calling 场景下，LLM 输出不符合 schema 时你的容错方案是什么？

参考方向：三层兜底。第一层，prompt 中给 few-shot 示例，并明确"参数缺失时输出 null 而非编造"；第二层，解析层做容错，用正则抽 JSON 片段，失败则调用轻量修正模型（如 gpt-4o-mini）只做格式重写，不重新推理；第三层，业务层做参数合法性校验，非法则触发人工确认流程。面试官追问"修正模型引入额外成本怎么办"，答：统计触发率约 5%，且修正模型输入输出都很短，成本占比低于 2%，换来的稳定性收益远大于成本。

追问 3：多轮对话的上下文管理策略，以及 token 成本如何优化？

参考方向：我用了三级 Context 管理——系统提示词（固定）、滚动窗口（最近 N 轮完整保留）、外部记忆（长期事实写入向量库按需检索）。成本优化做了三件事：一是对历史轮次做摘要压缩，当窗口超过阈值时触发 LLM 摘要，摘要结果缓存复用；二是对工具返回结果做截断与结构化提取，不把原始大段 JSON 塞进上下文；三是动态调整 max_tokens，根据意图分类结果给不同上限。面试官追问"摘要压缩丢失信息怎么办"，答：压缩只作用在超过 10 轮之前的对话，且摘要中保留关键实体与用户明确偏好，配合外部向量记忆双写，可追溯。

准备建议

1. Go 语言复习聚焦并发模型与内存机制，别背八股，要能画图

面试官会从"goroutine 栈初始多大"一路追问到"channel 阻塞时 g 挂到哪个队列"，建议把《Go 语言设计与实现》的调度器与 channel 两章啃透，画一遍 GMP 模型流转图。内存逃逸分析要能结合具体代码判断变量是否逃逸到堆上，以及逃逸对 GC 压力的影响。sync.Pool 要讲清"复用对象但 GC 可能清空池子"这个反直觉点。

2. MySQL 与 Redis 复习要带场景感，不要孤立背概念

比如 MVCC 别只讲 undo log 版本链，要能结合"RR 级别下，先快照读后当前读会不会产生幻读"这种经典场景题。Redis 持久化要能给出选择依据——RDB 适合重启恢复、AOF 适合数据安全，但两者混用时要理解重启加载顺序是先 AOF 后 RDB。缓存穿透要能现场推导布隆过滤器位数组大小与 hash 函数个数公式，而不是只说"加个布隆过滤器"。

3. Agent 项目复盘要带数据与量化指标，别停留在功能描述

简历上写了 RAG、Function Calling、上下文管理，就必须准备对应的指标：检索 Recall@K 提升多少、Function Calling 成功率、上下文压缩后 token 成本下降比例、端到端延迟变化。没有真实数据的就补一轮离线评测，把评测集和评测方法写进项目文档。面试官对"你做了什么"不感兴趣，只对"你怎么量化收益、遇到什么坑、怎么权衡取舍"感兴趣。

结果反馈

三面通过，两天后 HR 约了 offer 沟通。整体感受是这家对 Agent 工程化落地能力要求很高，纯调 prompt 的玩法过不了终面。

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。