【Shein】【大模型开发】【暑期实习三面】面经（八股+大模型项目+手撕）

Shein 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 LLM 应用，一段中小厂算法实习经历。

题目摘要

本次三面整体风格偏工程落地，面试官为大模型平台组技术负责人，全程围绕“能不能把模型用起来、用得稳、用得便宜”展开。具体考点如下：

1. 编程语言基础（Go）：goroutine 与 channel 的底层原理、内存逃逸分析、sync.Map 适用场景及与普通 map + RWMutex 的取舍。
2. MySQL/Redis 八股：MySQL 隔离级别与 MVCC 实现、覆盖索引优化；Redis 持久化 RDB/AOF 对比、缓存穿透与布隆过滤器误判率计算。
3. RAG 项目深挖：针对简历中一个电商客服问答系统，追问 chunk 切分策略、混合检索权重调优、重排序模型选型依据。
4. Function Calling 与上下文管理：多轮对话中工具调用结果如何压缩回上下文、token 超限时的截断策略。
5. 推理成本优化：Prompt 缓存命中率如何提升、KV Cache 显存占用估算、量化方案对比（INT8 vs FP16）。
6. 手撕算法题：实现一个支持 set(key, value, timestamp) 和 get(key, timestamp) 的键值存储，要求 get 返回给定时间戳之前最近一次 set 的值（若不存在返回空串）。关键思路：每个 key 维护一个有序数组（或 TreeMap）存储 (timestamp, value)，get 时二分查找最后一个小于等于给定时间戳的条目，时间复杂度 O(log N)。

项目深挖

追问 1：你提到 RAG 的 chunk 大小从 512 调到 256 后效果变好，具体是哪些指标变好？为什么？

参考方向：不要只回答“准确率提升”。要拆解到检索层和生成层——召回率（Recall@K）上升，因为小 chunk 降低了跨段落语义污染；但精确率可能下降，所以同时引入了 sentence-window 或 parent-document 检索策略来补偿。另外要提到小 chunk 导致检索片段变多，LLM 输入 token 增加，推理延迟上升约 18%，最后用重排序模型只取 Top-3 来控制成本。面试官想看的是你是否理解“调参是系统工程，不是单点最优”。

追问 2：Function Calling 场景下，如果 LLM 连续调用 5 个工具，每个工具返回结果都很长，你怎么控制上下文长度？

参考方向：三个层次。第一层，工具返回前做摘要，用一个小模型（如 3.5-turbo）或规则抽取关键字段，而非直接拼原始 JSON；第二层，采用“滚动窗口 + 关键信息持久化”策略，将历史工具调用结果写入外部存储（如 Redis），对话上下文中只保留最近一轮的工具结果摘要和用户最新意图；第三层，设置总 token 预算（如 8K），超限时触发“压缩节点”，将早期对话用 LLM 生成结构化摘要替换原文。同时要提对工具结果做 schema 校验，防止脏数据污染后续调用。

追问 3：推理成本优化具体怎么做的？有没有量化数据？

参考方向：分两块。一是工程侧，开启 Prompt 缓存，将系统提示词和固定工具定义放在前缀，实测缓存命中率约 40%，单次请求成本下降约 25%；二是模型侧，对比过 INT8 量化与 FP16，INT8 下显存占用降低约 45%，但推理延迟反而上升了 8%（因为反量化开销），最终选择对长序列任务用 FP16、对短序列高并发任务用 INT8。另外提到用 vLLM 的 continuous batching 将 GPU 利用率从 30% 提到 70%。面试官追问“为什么 INT8 延迟更高”时，要答出反量化操作在 GPU 上并非完全免费，且小 batch 下计算密度低，访存瓶颈占主导。

准备建议

1. 把 RAG 和 Function Calling 的每个参数都量化一遍。不要只说“我调了 chunk size”，要能说出调整前后指标变化、token 成本变化、延迟变化。面试官对“凭感觉调参”非常敏感，数字是最好的护身符。建议提前跑一组 ablation，哪怕只有 3-5 组实验，也能形成完整叙事。

1. Go 语言重点复习并发模型，不要只背八股。三面大概率会问 channel 的阻塞/非阻塞收发、select 的随机公平性、goroutine 栈扩容机制。建议手写一个“用 channel 实现工作池”的代码，并思考如果 worker panic 了怎么 recover、如何优雅关闭 channel——这些是生产环境真实会踩的坑。

1. 准备一道“带时间戳的 LRU 变体”类题目。本次考的 set/get with timestamp 本质是 TreeMap 二分查找，但面试官可能换皮考 LRU + 过期时间、或跳表实现。核心在于：理解有序数据结构在“找最近有效值”场景的优越性，以及为什么不用哈希表直接覆盖（因为要保留历史版本）。建议 LeetCode 刷 981 题（Time Based Key-Value Store），并延伸思考如果数据量超过内存怎么办（LSM Tree 思路）。

结果反馈

三面结束后约 4 个工作日收到 HR 电话，告知通过，进入 Offer 审批环节。整体感受是 Shein 的面试更看重“工程落地能力”而非纯算法炫技，建议后续面试者多准备线上问题排查案例和成本优化相关数据。

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。