【深信服】【Agent 开发】【暑期实习二面】面经（八股+大模型项目+手撕）

深信服 Agent 开发 暑期实习二面

背景：海外一年制硕士，主要投递方向为后端与大模型应用开发，此前已通过一面。

题目摘要

1. Go 语言基础：goroutine 与 channel 的底层实现，GMP 模型简述，以及 select 的随机性原理。
2. MySQL 与 Redis 八股：MySQL 的 RR 隔离级别下如何解决幻读（MVCC + Next-Key Lock），Redis 的持久化机制对比（RDB vs AOF），以及缓存穿透的解决方案。
3. Agent 项目深挖：围绕一个基于大模型的客服 Agent 项目，追问 RAG 检索策略、Function Calling 的容错设计、多轮对话的上下文管理，以及推理成本优化手段。
4. 手撕算法题：「合并区间」（LeetCode 56）。给定一组区间，合并所有重叠区间。关键思路：按左端点排序，遍历时维护当前合并区间的右边界，若下一区间左端点小于等于当前右边界则合并，否则开启新区间。时间复杂度 O(n log n)。

项目深挖

面试官对项目细节的追问非常密集，几乎每个技术选型都会被追问“为什么”和“如果遇到 XX 问题怎么办”。

追问 1：你的 RAG 方案中，混合检索（BM25 + 向量检索）的融合策略是什么？

参考回答方向：先分别用 BM25 和向量检索召回 Top K 文档，然后采用 RRF（Reciprocal Rank Fusion）进行分数融合，公式为 score = Σ 1/(k + rank)，其中 k 通常取 60。相比加权求和，RRF 不需要调权重，且对不同检索器的分数尺度不敏感。同时，在召回后增加一个基于 cross-encoder 的重排序阶段，虽然会增加约 20ms 的延迟，但能显著提升 Top 1 准确率。

追问 2：Function Calling 如果模型返回了不存在的函数名或参数格式错误，你怎么处理？

参考回答方向：我实现了三层容错。第一层是 Schema 校验，在调用前用 JSON Schema 对模型输出做校验，不合法则直接重试一次，并附带错误信息提示模型修正。第二层是函数注册表兜底，如果重试后依然非法，则返回一个默认的 fallback 函数，比如“转人工客服”。第三层是日志埋点，所有失败的调用都会记录下当时的输入和模型输出，用于后续分析是 prompt 问题还是模型能力边界问题。

追问 3：多轮对话的上下文管理，你怎么控制 Token 成本？

参考回答方向：我采用的是“滑动窗口 + 摘要压缩”的分层策略。对话前 10 轮保留原始内容，超过后每 5 轮对更早的对话用一个小模型（如 Qwen-1.5B）生成摘要，并将摘要作为系统提示词的一部分。同时，对用户输入做意图识别，如果当前问题与历史无关（如打招呼），则直接跳过上下文拼接。实测在 20 轮长对话中，Token 消耗降低了约 40%，而关键信息召回率保持在 90% 以上。

准备建议

1. 八股要“透”不要“背” ：MySQL 和 Redis 是必考项，但面试官更关注你是否理解机制背后的原理。建议自己画一遍 RR 隔离级别下 SELECT 加锁的流程图，以及 Redis AOF 重写的过程，能讲清楚“为什么”比背出定义有用得多。
2. Agent 项目必须准备“失败案例” ：面试官对项目深挖的切入点多是你如何应对异常情况。建议提前梳理项目中 2-3 个真实踩坑的点，例如“向量检索召回不准”“模型 Function Calling 幻觉”等，并准备好具体的排查过程和最终解决方案。
3. 手撕算法重点刷“排序 + 区间”类题目 ：二面的算法题难度适中，但很看思路是否清晰。建议把 合并区间、会议室 II、插入区间 这类题集中练习，熟练掌握排序后贪心/双指针的套路，同时注意边界条件（如空数组、区间完全覆盖等）。

结果反馈

一面通过后约 5 天收到二面通知，整体面试体验流畅，面试官对项目细节的追问很有深度，但不会刻意刁难。目前已收到 HR 后续流程通知，等待三面中。

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。