【商汤】【Agent 开发】【暑期实习三面】面经（八股+大模型项目+手撕）

商汤 Agent 开发 暑期实习三面面经

背景： 海外一年制硕士，投递 Agent 方向，三面为技术终面，面试官为团队资深工程师，全程约 1 小时，节奏快，无废话。

题目摘要

1. Go 语言基础：goroutine 与 channel 的底层原理，GMP 模型简述，以及 select 的随机性实现。
2. MySQL 与 Redis 八股：MySQL 索引失效场景（隐式类型转换、最左前缀原则），Redis 持久化机制（RDB/AOF 混合）及缓存穿透解决方案。
3. RAG 项目深挖：针对简历中的 Agent 项目，追问检索召回率优化、上下文窗口截断策略、Function Calling 的异常处理。
4. 推理成本优化：如何降低单次 Agent 调用的 token 消耗，涉及 prompt 压缩与模型路由。
5. 手撕算法：「合并区间」变体——给定一组区间，返回合并后区间的总长度（注意重叠部分只计一次）。关键思路：按起点排序，线性扫描维护当前合并区间右端点，累加长度，O(n log n)。

项目深挖

面试官对简历中的「基于 RAG 的客服 Agent」项目追问极细，以下为两个核心问题及参考回答方向。

追问 1：“你的 RAG 检索用了向量相似度，但用户问题包含专业术语或简称，召回率明显下降，你怎么处理？”

参考回答方向：先承认问题存在，然后分三层解决——第一层，构建同义词/别名映射表，在 query 预处理阶段做扩展；第二层，引入混合检索（BM25 + 向量），用 RRF（Reciprocal Rank Fusion）融合排序，解决向量模型对稀有词不敏感的问题；第三层，对高频失败 query 做离线分析，微调 embedding 模型或增加领域词典。面试官会追问“你怎么评估召回率提升”，需回答用人工标注的 100 条 query 集，对比命中率，并提到用 recall@5 作为核心指标。

追问 2：“你的 Agent 支持 Function Calling，如果模型连续调用多个函数，中间某次调用返回异常或超时，你的状态机怎么处理？”

参考回答方向：强调设计了两层容错——第一层，对每个函数调用设置超时（如 3 秒），超时后返回预设的 fallback 结果，并标记该步骤为“降级”；第二层，在对话状态机中维护一个“步骤栈”，异常时回滚到上一个安全节点，并向用户输出“部分功能暂不可用”的提示，而不是让整个 Agent 崩溃。同时提到，对关键函数（如支付查询）做了重试机制，但非关键函数（如天气查询）直接降级，以控制整体延迟。

追问 3（追加）：“你提到用 prompt 压缩来降成本，具体怎么实现？压缩后效果变差怎么办？”

参考回答方向：压缩分两级——第一级，对历史对话做摘要，用 LLM 将多轮对话压缩为 200 字以内的摘要，只在用户新提问时追加摘要；第二级，对检索回来的文档做关键句抽取，用 TextRank 或正则过滤掉明显冗余内容。效果变差时，采用“压缩-验证”机制：压缩后的上下文让模型先输出一个置信度分数（0-1），低于阈值则回退到未压缩版本，并记录该 case 用于后续优化。

准备建议

1. Go 语言别只背八股，要能画出 GMP 模型图。面试官会从“goroutine 栈初始多大”问到“channel 底层是 hchan 结构体，sendq/recvq 怎么组织”，建议手写一个简单的 worker pool，并解释 select 的 scase 数组随机轮询逻辑。Java 方向同理，至少准备 JVM 内存模型和 ConcurrentHashMap 的 CAS + synchronized 细节。
2. RAG 项目必须准备“失败案例”。面试官最反感“我的项目完美无缺”。主动说出一个已知缺陷（如“对长尾问题召回率低”），并给出针对性的改进方案（如混合检索 + 重排模型），这比吹嘘效果更可信。同时，准备 3 个指标：召回率、首轮回答准确率、单次调用成本，并能说出具体数值。
3. 手撕算法不要只写最优解，要讲思考过程。面试官会看你是否先想到暴力解（O(n^2) 两两合并），再优化到排序 + 扫描。建议在写代码前用 1 分钟说思路，写完后主动分析边界条件（空数组、区间完全覆盖等）。另外，Agent 方向常考「Top K 高频元素」或「LRU 缓存」，建议一并复习。

结果反馈

三面通过，约 4 天后 HR 通知进入 offer 审批环节，整体流程约两周。

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。