面试面经 · 唯品会
【唯品会】【大模型开发】【暑期实习一面】面经（八股+大模型项目+手撕）
唯品会 大模型开发 暑期实习一面面经
背景：海外一年制硕士，一段大模型 Agent 相关课程项目，一段小厂 NLP 实习，投递唯品会广州总部大模型开发岗，面试时长约 55 分钟。
题目摘要
- Go 语言基础：goroutine 和 channel 的底层原理，GMP 模型简述，如何避免 goroutine 泄漏。
- MySQL 与 Redis 八股：InnoDB 的 B+ 树索引结构、最左前缀原则；Redis 缓存穿透/击穿/雪崩的区分与解决方案。
- Agent 项目深挖：RAG 的检索链路（embedding 模型选择、chunk 策略、重排序），Function Calling 的触发机制与错误恢复，上下文窗口管理策略。
- 推理成本优化：针对项目中的 token 消耗，具体采用了哪些手段降低单次请求成本。
- 手撕算法题：合并区间（LeetCode 56 变体）。题意：给定若干可能重叠的区间，返回合并后的不重叠区间列表，要求按起点升序输出。关键思路：先按区间起点排序，遍历时维护当前合并区间的终点
end，若当前区间起点<= end则合并（更新end为两者较大值），否则将当前合并区间加入结果并重置。时间复杂度 O(n log n)，空间复杂度 O(n)（结果数组）。
项目深挖
追问 1：你的 RAG 检索为什么用 bge-large-zh 而不是 OpenAI embedding？
参考回答方向：对比过两者在中文长文本检索任务上的效果，bge-large-zh 在领域内测试集上 Recall@5 高约 3 个百分点；同时考虑到数据隐私，内部知识库不能走外部 API。可以补充说明当时做了简单的评估集（约 200 条问答对）来量化对比，而非拍脑袋选择。
追问 2：Function Calling 触发后，模型返回的参数不符合 JSON schema 怎么办？
参考回答方向：分两层处理。第一层是模型侧，在 system prompt 中给出强约束的 few-shot 示例，并设置 temperature=0 降低随机性；第二层是工程侧，对返回文本做容错解析（如提取大括号内内容、修复尾逗号、缺失引号），解析失败则降级为纯文本回复并记录日志用于后续迭代。如果多次失败，会触发一次「重试 + 简化工具描述」的逻辑，减少工具参数数量以降低出错率。
追问 3：上下文管理具体怎么做的？
参考回答方向：采用「滑动窗口 + 关键信息摘要」的双层策略。原始对话超过 8k token 时，将最早的部分用 LLM 生成 300 字以内的摘要压缩进上下文；同时对于工具调用记录，只保留最近的 3 轮完整参数，更早的只保留工具名和状态。另外设置了 token 预算监控，预估超限时主动触发压缩，而不是等请求失败再处理。
准备建议
- 八股要结合场景答，不要背定义。比如 MySQL 索引题，面试官会追问「如果查询条件里有
LIKE '%abc'会走索引吗」，Redis 缓存题会问「你的项目里穿透是怎么发生的，怎么避免」。建议把每个八股知识点都准备一个「项目里用到/没用到但可以怎么用」的例子。 - Agent 项目必须准备数据支撑。面试官会追问「你的 chunk 大小为什么选 512」「重排序提升了多少准确率」「压缩上下文后回答质量下降了多少」。提前跑几个实验，哪怕是小规模测试，也要能说出具体数字。
- 手撕题别只刷高频，要练变体。这次合并区间看似简单，但面试官在写完后又追问了「如果区间是流式输入的，怎么处理」，考察是否理解排序的必要性以及能否改用优先队列。建议每道题刷完后思考至少一个变体场景。
结果反馈
一面通过，约 2 天后收到二面通知，二面为技术交叉面，大概率会深入问 Agent 的工程落地细节。
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。
