NiceOffer

面试面经 · 腾讯

【腾讯】【大模型开发】【暑期实习HR面】面经（八股+大模型项目+手撕）

发布于 2026-08-30

腾讯面经大模型开发实习

腾讯 大模型开发 暑期实习 HR面 面经

背景：海外一年制硕士，主攻 NLP 与分布式系统，此前有一段中小厂大模型平台开发实习。

题目摘要

  1. 编程语言基础（Go）：goroutine 与 channel 的原理、GMP 模型简述、内存逃逸分析场景。
  2. MySQL/Redis 八股：MySQL 事务隔离级别与 MVCC 实现、索引失效场景；Redis 持久化机制（RDB/AOF 混合）、缓存穿透与布隆过滤器。
  3. 大模型项目深挖：基于开源 LLM 的 RAG 问答系统，涉及向量检索、重排序、上下文窗口管理、Function Calling 实现天气查询。
  4. 手撕算法：LeetCode 146 LRU 缓存（要求手写双向链表 + 哈希表，分析 get/put 时间复杂度）。
  5. 场景设计：若将大模型响应延迟从 2s 降至 500ms，你会从哪些层面优化（提示：推理侧、检索侧、缓存侧）。
  6. 工程实践：如何评估 RAG 系统的检索质量？你用过哪些评估指标或工具。

项目深挖

追问 1：你的 RAG 系统在检索阶段如何解决“query 与文档表述不一致”的问题？

  • 参考方向：先说明基础方案是向量检索（如 BGE-M3 embedding），但仅靠向量召回会漏掉同义改写或专业术语。我的方案是两层召回：第一层用向量检索取 Top 50，第二层用 BM25 取 Top 20，合并后经 reranker（如 bge-reranker-base）精排取 Top 5。同时，对 query 做了轻量级改写，比如把“苹果股价”改写为“Apple Inc. 股票价格”，这一步用了一个小模型（如 Qwen-1.5B）做 prompt 模板填充，成本极低但命中率提升明显。

追问 2：Function Calling 具体怎么实现的？如果模型返回了非法的 JSON 参数怎么办？

  • 参考方向：实现上采用 OpenAI 兼容的 tools 协议，将函数 schema 注入 system prompt，模型输出为结构化 JSON，然后通过 JSON Schema 校验。非法 JSON 的兜底策略分三层：第一层是正则提取代码块中的 JSON 片段；第二层用 json.loads 失败后，调用一个轻量级修复模型（如 GPT-3.5-turbo 或本地 7B 模型）做单轮修正；第三层若仍失败，则放弃工具调用，直接返回模型原生回答并附带提示“当前无法获取实时数据”。重点强调修复过程的延迟开销，通常控制在 200ms 内。

追问 3：上下文管理是怎么做的？长对话会不会导致 token 溢出？

  • 参考方向：采用滑动窗口 + 摘要压缩的双层策略。窗口大小为 8K tokens，超过后触发摘要模型（如 ChatGLM3-6B）对最旧的消息做压缩，生成 200 字摘要存入系统消息。同时，对工具调用结果（如天气 JSON）做字段裁剪，只保留关键字段。追问成本优化时，补充了 KV Cache 复用策略——对历史轮次的 prompt 部分不重复计算，实测可减少 30% 推理开销。

手撕算法：LRU 缓存

题意：设计一个 LRU（最近最少使用）缓存数据结构，支持 get(key) 和 put(key, value) 操作，且平均时间复杂度均为 O(1)。

关键思路：使用哈希表（map[key]*Node） + 双向链表（头尾哨兵节点）。get 时若 key 存在，将节点移到链表头部；put 时若 key 已存在则更新值并移到头部，若不存在则插入头部，若容量超限则删除尾部节点。注意边界：链表为空时的指针操作、容量为 0 的防御。

面试官追问：能否用 Go 的 container/list 实现？答：可以，但需要自己维护 map 到 list.Element 的映射，且需要将 value 包装成结构体以存储 key，否则删除时无法 O(1) 拿到 key。

准备建议

  1. 八股要结合项目讲：不要背“MVCC 是什么”，而是说“我在项目里用 MySQL 存对话记录，遇到并发写时通过调整隔离级别到 Read Committed 解决了死锁，原因是 RR 下间隙锁导致”。面试官更在意你是否真的用过，而不是背得多熟。
  2. 大模型项目必须有数据支撑：提前准备几个数字——RAG 的命中率（如 Recall@5 从 0.72 提升到 0.85）、端到端延迟（如 2.1s 降至 0.8s）、成本（如每千次请求 token 消耗减少 40%）。没有真实数据就做一轮离线评测，用公开数据集（如 Natural Questions）跑一遍，不要只讲“效果不错”。
  3. 手撕算法刷高频题即可：LRU、TopK、反转链表、层序遍历、最长回文子串，这五类覆盖了 90% 的大模型岗位手撕题。建议每题手写两遍，第一遍 15 分钟内完成，第二遍用 Go 或 Java 的并发/容器特性优化写法（如 Go 的 sync.Map 不适合此场景，要说出原因）。

结果反馈

一面通过，约 3 天后收到二面（技术面）通知。整体面试节奏较快，HR 面更侧重项目真实性与沟通逻辑，不深究技术细节，但会通过追问验证你是否亲手做过。

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