NiceOffer

面试面经 · 腾讯

【腾讯】【大模型开发】【暑期实习二面】面经（八股+大模型项目+手撕）

发布于 2026-09-05

腾讯面经大模型开发实习

腾讯 大模型开发 暑期实习二面 面经

背景：海外一年制硕士，一段大模型 Agent 相关项目经历，无实习。

题目摘要

二面整体风格偏工程落地，面试官对项目细节追问非常深，八股比重低于一面。核心考点如下：

  1. Go 语言基础：goroutine 与 channel 的底层原理、内存逃逸分析、GMP 调度模型简述
  2. MySQL/Redis 八股：MVCC 实现机制、索引失效场景、Redis 持久化策略对比（RDB vs AOF）、缓存穿透/击穿/雪崩的工程解法
  3. RAG 项目深挖：检索质量优化、上下文窗口管理策略、Function Calling 的容错设计
  4. 推理成本优化：Prompt 压缩方案、缓存策略、模型选型考量
  5. 手撕算法：设计一个支持 get / put / getRandom 三个操作均为 O(1) 的数据结构（即插入、删除、随机获取一个已有元素）

项目深挖

面试官全程围绕我简历上的 Agent 项目展开，几乎没有给喘息机会。以下是我印象最深的三个追问方向：

追问一：RAG 检索质量差，你怎么定位和优化？

参考回答方向：先分模块定位问题——是召回阶段（检索结果不相关）还是生成阶段（模型没用好检索内容）。召回侧我会先看 embedding 模型对领域术语的编码效果，用 hit rate 和 MRR 量化评估；如果效果差，考虑混合检索（BM25 + 向量检索）并用 RRF 融合排序。生成侧常见问题是上下文被无关 chunk 干扰，我会做重排（rerank）截断，只保留 top-k 中最相关的片段。另外，chunk 切分策略也很关键，我调过不同 chunk size（256/512/1024），发现对长文档用「结构感知切分」（按标题/段落边界）比定长切分效果好很多。

面试官追问：如果检索结果本身是对的，但模型答错了怎么办？ 我回答会检查 prompt 是否明确指示模型「仅基于给定上下文回答」，以及是否出现上下文过长导致模型注意力分散的情况，必要时做关键句提取压缩。

追问二：Function Calling 的容错怎么设计？

参考方向：Function Calling 在生产环境最大的坑是模型幻觉——模型可能生成不存在的函数名、参数格式错误、或者参数语义不对。我的方案分三层：第一层，在 system prompt 里给严格的 JSON Schema 定义，并给 1-2 个 few-shot 示例；第二层，代码层做防御性校验，解析失败就走「重试 + 降级」逻辑，重试一次还失败就返回兜底回复而非直接报错；第三层，对高频函数做参数白名单校验，比如查询天气的城市名，先比对城市库，不在库中就调模糊匹配或让用户确认。

面试官继续追问：如果模型反复调用同一个函数停不下来（死循环）怎么办？ 我答设置单轮最大调用次数（如 5 次），超限强制终止并返回中间结果，同时记录日志用于后续分析。

追问三：上下文管理怎么处理超长对话？

参考方向：我的做法是分层管理——短期记忆（最近 N 轮完整对话）用滑动窗口保留；长期记忆（用户偏好、关键事实）通过摘要 + 向量检索的方式按需注入。具体实现上，每轮对话结束后触发异步摘要任务，把历史关键信息提炼成结构化字段存 Redis，下次请求时根据当前 query 做相关性检索，只注入命中的长期记忆片段。另外对超长文档，我用 MapReduce 式摘要，先分段总结再合并，避免直接塞进上下文。

面试官追问：摘要本身有信息损失，你怎么评估损失是否可接受？ 我答做下游任务准确率的 A/B 测试，对比全量上下文和摘要上下文的效果差异，设定可接受的阈值。

手撕算法：O(1) 随机获取数据结构

题意：设计一个数据结构，支持插入、删除、随机获取一个元素，三个操作的平均时间复杂度均为 O(1)。元素唯一，重复插入不报错。

关键思路：核心是「数组 + 哈希表」组合。数组存元素，哈希表存元素到数组下标的映射。插入时 append 到数组尾部并记录下标；删除时先找到该元素在数组中的位置，与数组最后一个元素交换，然后 pop 尾部并更新哈希表中被交换元素的下标——这样避免数组中间删除带来的 O(n) 搬移。随机获取直接用 rand.Intn(len(arr)) 返回对应下标元素。

注意坑：删除不存在元素时的处理；数组为空时随机获取要报错或返回特定值；Go 实现时注意 slice 的底层共享问题。

准备建议

  1. 项目准备以「被追问到墙角」为标准。不要只准备自己讲什么，要预判面试官会怎么拆你的方案。对 RAG 项目，至少准备：检索质量如何量化评估、chunk 大小怎么调、rerank 要不要上、embedding 模型怎么选——每个问题都要能往下深挖两三层。建议找同学模拟面试，专门练追问环节。
  1. 算法题刷到「中等偏上难度」即可，但必须练熟与哈希表/堆/双指针组合的题。大模型岗位二面手撕算法一般不是 hard 题，但会考数据结构组合设计（LRU、LFU、O(1) 随机获取这类）。刷题时不要只背题解，要理解为什么选这个数据结构——面试官会问「为什么不用纯哈希表」「删除为什么必须交换」。
  1. Go 语言基础别只背概念，要能说出「为什么这么设计」。比如 goroutine 为什么轻量（用户态调度、初始栈 2KB 可动态增长）、channel 底层是什么（hchan 结构体 + 锁 + 条件变量）、GMP 模型解决什么问题（减少线程切换开销）。最好能结合自己项目的并发场景讲，比如「我在做异步摘要任务时开了 goroutine 池，用 channel 做任务分发，因为……」。

结果反馈

一面通过后约 4 天收到二面通知，面完 30 分钟后 HR 电话约三面时间。

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。

相关阅读