面试面经 · 唯品会
【唯品会】【大模型开发】【暑期实习二面】面经（八股+大模型项目+手撕）
唯品会 大模型开发 暑期实习二面面经
背景： 海外一年制硕士，计算机相关专业，一段中小厂 NLP 算法实习，主要用 Python 和 PyTorch，对 Java 后端有一定了解。
题目摘要
- Java 基础： HashMap 底层实现、ConcurrentHashMap 在 JDK 7 和 8 中的区别、volatile 与 synchronized 的区别。
- MySQL/Redis： 事务隔离级别、MVCC 原理、Redis 持久化机制（RDB vs AOF）以及缓存穿透/击穿/雪崩的解决方案。
- 大模型项目深挖： 围绕简历中的 RAG 项目，追问 chunk 切分策略、向量召回优化、混合检索（BM25 + 向量）的融合策略，以及 Function Calling 的异常处理。
- 手撕算法： 力扣 239 滑动窗口最大值（Hard）。要求先讲思路，再写代码，最后分析时间/空间复杂度。
项目深挖
追问一：你提到 RAG 系统在召回阶段做了混合检索，具体如何融合 BM25 和向量检索的分数？
参考回答方向：先说明两者互补性——BM25 擅长精确匹配（如产品型号、专有名词），向量检索擅长语义相似。融合策略可以分三层：一是分数归一化（如 Min-Max 或 Z-Score），因为两者量纲不同；二是权重分配，我采用的是动态权重，根据 query 长度和命中词比例调整，短 query 偏向向量检索，长 query 偏向 BM25；三是 RRF（Reciprocal Rank Fusion）作为兜底，对两路召回结果按排名倒数加权。最后补充一句：实际线上效果提升约 4.2%（Recall@5），主要收益来自长尾专有名词的召回。
追问二：Function Calling 场景下，如果模型返回的 JSON 参数格式错误或字段缺失，你怎么处理？
参考回答方向：分三层防御。第一层是前置约束，在 system prompt 中明确 JSON Schema 并给 few-shot 示例；第二层是后置解析，用 json.loads 失败后先尝试正则提取 JSON 片段，再不行就用 json5 或 demjson3 容错解析；第三层是业务兜底，对必填字段做默认值填充，同时把错误样本记录到日志，定期用这些 bad case 做模型微调或 prompt 优化。面试官比较关注的是你有没有实际遇到过这类问题，以及修复闭环。
追问三：你的 Agent 在长对话中如何管理上下文，避免 token 爆炸？
参考回答方向：我用了三层策略。一是消息裁剪——保留 system prompt 和最近的 N 轮对话，中间历史做摘要压缩（用 LLM 生成结构化摘要，存到 Redis）；二是关键信息抽取——把用户偏好、订单信息等结构化字段单独存储，对话时动态注入，而非全量塞入历史；三是 token 预算控制——设定每轮请求的 token 上限，若超限则优先丢弃工具调用结果（通常最长且最不重要）。另外提一句：摘要本身也会累积，我设置了一个阈值，当摘要超过 2K token 时做二次摘要，类似滚动窗口。
准备建议
- 把项目里的每个技术选型都准备一个"为什么不用另一个方案"的对比。 比如 RAG 里为什么用向量数据库而不是 Elasticsearch 的 dense vector 功能，为什么选 BGE-M3 而不是 OpenAI embedding，为什么用 RRF 而不是 Convex Combination。面试官几乎必问选型理由，能体现你做过权衡而非只是调包。
- 手撕算法不要只刷 Hot 100，重点练滑动窗口、双指针、前缀和这类"边界条件多"的题。 唯品会二面手撕难度不低，面试官会现场改条件（比如把窗口大小改为动态），所以写完后一定要自己跑两个边界用例（空数组、k=1、k=n）。
- 准备一个"模型成本优化"的故事。 电商场景对成本极其敏感，面试官很关心你是否有意识控制推理开销。可以提前算好：你的项目每天调用量、单次平均 token 数、用 GPT-4o-mini 替代 GPT-4 能省多少钱，或者用 prompt caching 省了多少。这类量化数据非常加分。
结果反馈
一面通过，隔了 3 个工作日约的二面，整体面试节奏偏快，面试官对项目细节追问很细但态度友好，目前等三面通知中。
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。
