【虾皮】【大模型开发】【暑期实习HR面】面经（八股+大模型项目+手撕）

海外一年制硕士，投递虾皮大模型开发暑期实习，HR 面约 30 分钟，全程围绕简历项目、基础八股和一道算法题展开，整体节奏偏快，面试官会顺着回答继续追问。

题目摘要

1. Go 语言基础：Go 的 slice 底层结构是什么？扩容机制是怎样的？append 在什么情况下会引发底层数组复制？channel 的底层实现和 select 的随机性是怎么保证的？
2. MySQL / Redis 八股：MySQL 的索引为什么用 B+ 树而不是 B 树或哈希？聚簇索引和非聚簇索引在回表上的区别？Redis 的持久化 RDB 和 AOF 各自适用场景，缓存穿透、击穿、雪崩分别怎么处理？
3. 大模型项目深挖：你做的 RAG 系统里，文档切分策略是怎么定的？检索召回率低的时候怎么排查？有没有做过 rerank？Function Calling 的场景下，模型输出格式不稳定怎么兜底？
4. 上下文管理与推理成本优化：多轮对话里上下文超长怎么处理？有没有做过 token 预算控制、摘要压缩或分层记忆？推理成本这块，你从哪些维度做过优化（batch、量化、缓存、prompt 精简）？
5. 手撕算法题：给定一个整数数组和一个目标值 target，找出数组中和为 target 的所有不重复二元组（LeetCode 1 的变体，要求去重）。关键思路：先排序，再用双指针从两端向中间收缩，遇到重复元素跳过；时间复杂度 O(n log n)，空间复杂度 O(1)（不计结果集）。
6. 实习动机与稳定性：为什么选虾皮？暑期实习能保证多久？后续是否有转正或秋招继续投递的打算？

项目深挖

追问一：RAG 检索效果不好，你怎么定位是切分问题还是 embedding 问题？

参考回答方向：先做分层排查。第一步看召回内容本身是否相关，如果召回的 chunk 里根本不含答案，那是检索层问题；如果含答案但模型没答对，那是生成层问题。检索层再拆：切分粒度太粗会导致语义稀释，太细会丢上下文，可以对比固定长度切分、按标题切分、按语义切分的效果。embedding 层面可以看相似度分布，如果 top-k 分数普遍偏低且区分度差，说明 embedding 模型和领域语料不匹配，考虑换模型或加领域微调。最后用 rerank 做二次排序，把 top-50 缩到 top-5 再喂给模型。

追问二：Function Calling 里模型返回的 JSON 格式不对，线上怎么处理？

参考回答方向：分三层兜底。第一层是 prompt 约束，明确 schema 并给 few-shot 示例；第二层是解析层做容错，比如用正则提取 JSON 片段、补全缺失括号、对字段做类型校验；第三层是重试机制，解析失败时把错误信息回填给模型让它重新生成，设置最大重试次数避免死循环。如果用的是支持 structured output 的模型，优先走原生能力，减少后处理成本。线上还要打点监控解析失败率，超过阈值告警。

追问三：多轮对话上下文越来越长，推理成本怎么控？

参考回答方向：几个手段组合用。一是滑动窗口加摘要，保留最近 N 轮原文，更早的对话压缩成摘要；二是分层记忆，把用户偏好、任务状态等结构化信息单独存，不占 token；三是 prompt 精简，去掉冗余的系统提示和重复示例；四是缓存，对相同或相似前缀用 KV Cache 或语义缓存命中。成本上还要看模型选型，简单意图走小模型，复杂推理才走大模型，做路由分流。

准备建议

1. 八股要能落到项目里：不要只背 B+ 树和 Redis 持久化的定义，准备一个「我在项目里怎么用到」的例子。比如 RAG 的向量库选型可以对比 Redis 和专用向量库的取舍，MySQL 索引优化可以结合你存对话历史的表结构讲。
2. 项目准备两套讲法：一套 2 分钟版本讲清楚背景、方案、结果；一套深挖版本，针对切分、召回、rerank、成本、兜底各准备一个具体数字或对比实验。面试官一定会问「你怎么知道这个方案更好」，提前想好评估指标。
3. 算法题限时练手：HR 面手撕通常不难，但要求写完整、能跑通。重点练双指针、哈希、滑动窗口、二叉树遍历这几类，每道题控制在 10 分钟内写完并说清复杂度。写完主动跑一两个边界用例，比如空数组、重复元素。

一面通过，3 天后约了二面。

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。