【微众银行】【大模型开发】【暑期实习三面】面经（八股+大模型项目+手撕）

微众银行 大模型开发 暑期实习三面面经

背景

海外一年制硕士，计算机方向，投递的是微众银行大模型应用开发岗，之前已通过两轮技术面，三面为技术终面，面试官为部门技术负责人，时长约 1 小时。

题目摘要

1. 编程语言基础（Go）：goroutine 与 channel 的底层实现原理，GMP 调度模型中 M 和 P 的对应关系，以及 channel 的缓冲区大小对性能的影响。
2. MySQL/Redis 八股：MySQL 的 MVCC 机制如何解决幻读问题（RR 隔离级别下）；Redis 的持久化机制 RDB 与 AOF 的取舍，以及混合持久化方案的适用场景。
3. 大模型项目深挖：围绕简历中的 RAG 项目，追问 chunk 切分策略、向量检索召回率优化、以及 Function Calling 在 Agent 中的边界控制。
4. 手撕算法题：题目为「设计一个支持在平均 O(1) 时间复杂度下执行插入、删除和随机获取元素的数据结构」（LeetCode 380 变体），要求实现 insert、remove、getRandom 三个方法，并额外要求 remove 操作返回被删除的元素值。

项目深挖

面试官全程围绕简历上的一个「基于大模型的企业知识库问答 Agent」项目展开，没有问任何简历外的预设问题，以下为追问与参考回答方向。

追问 1：你提到用 RAG 解决幻觉问题，具体是怎么做的？如果检索到的上下文和用户问题语义冲突，模型仍然会输出错误答案，你怎么处理？

参考回答方向：先说明 RAG 的整体链路——文档解析、chunk 切分（按语义段落而非固定长度）、向量化（使用 bge-m3 或 text-embedding-3 系列）、混合检索（BM25 + 向量召回）、重排序（交叉编码器）。然后针对冲突场景，给出两层兜底：一是检索侧的置信度过滤，设定相似度阈值，低于阈值的直接返回「知识库中未找到相关信息」；二是生成侧的约束，在 prompt 中显式指示模型只能基于检索窗口作答，若上下文与问题无关则拒绝回答，同时用 logit 约束或后处理校验答案中的关键实体是否出现在检索文本中。

追问 2：Function Calling 在你的 Agent 中是怎么设计的？如何防止 Agent 无限循环调用工具或陷入死循环？

参考回答方向：Function Calling 采用 JSON Schema 定义工具接口，模型输出结构化参数后由代码执行并返回结果。关键设计点是工具调用的「终止条件」——设置最大调用轮数（如 3 次）、单轮超时时间、以及基于意图分类的「提前退出」逻辑：当用户问题可以直接从知识库回答时，不触发工具调用。另外，在 prompt 中明确每个工具的使用场景和优先级，并在工具返回结果中附加置信度标记，低置信度时不再触发后续调用。

追问 3：推理成本优化具体做了哪些？如果让你把单次对话成本压到原来的 1/3，方案是什么？

参考回答方向：先说已有优化——上下文裁剪（只保留最近 N 轮对话 + 检索摘要）、prompt 压缩（用摘要模型压缩历史）、模型分级（简单问题走小模型，复杂问题走大模型）。针对 1/3 成本目标，给出三个方向：一是缓存层，对高频问题的检索结果和模型输出做语义缓存，命中率 30% 以上即可显著降本；二是蒸馏或微调小模型，针对知识库领域训练一个 7B 参数模型替代通用大模型；三是推理侧优化，如使用投机采样或批量推理，但这需要底层框架支持。

手撕算法题

题目：设计一个数据结构，支持 insert(val)、remove(val)、getRandom() 三个操作，要求平均时间复杂度 O(1)。remove 需要返回被删除的值，若值不存在返回 -1。元素不重复。

关键思路：核心是「数组 + 哈希表（值到索引的映射）」。数组存储所有元素，哈希表记录每个元素在数组中的下标。

• insert：先查哈希表判断是否存在，不存在则追加到数组末尾，并在哈希表中记录下标。
• remove：从哈希表拿到待删元素的下标，将数组最后一个元素移到该位置，更新最后一个元素在哈希表中的下标，然后删除数组末尾元素，并从哈希表中删除目标值。注意需要返回被删值，所以在移动前先取出。
• getRandom：直接用随机数生成器取 [0, size) 区间的下标，返回对应数组元素。

边界条件：remove 时如果待删元素恰好是数组最后一个元素，则无需移动，直接删除即可。另外，哈希表的删除操作在 Go 中直接用 delete，注意不要遗漏索引更新。

写完后面试官追问了「如果元素允许重复，怎么改？」——答案是数组改为存 (value, id) 对，哈希表存 value -> 对应下标的集合（用 map 套 set），实现逻辑类似但复杂度会略高。

准备建议

1. 项目细节要能闭环：简历上每个技术选型都要能回答「为什么这么选」「有没有对比过其他方案」「效果如何量化」。面试官会顺着你的回答连续追问 3-4 层，直到你答不出为止。提前把 RAG 的 chunk 策略、检索召回优化、Agent 的边界控制这几个高频深挖点写成文档，反复推演。

1. 手撕算法不要只刷高频题：微众的技术面比较务实，算法题不偏不怪，但会加一个小的变体要求（如本题要求 remove 返回被删值）。刷题时把 LeetCode 前 100 题的核心解法吃透，同时练习在原有题目的基础上做功能扩展，锻炼应变能力。

1. Go 语言基础要扎实：微众的底层技术栈偏 Go，面试官会问 goroutine 调度、channel 实现这些偏底层的细节。建议把《Go 语言设计与实现》中调度器和 channel 两章精读一遍，能画出 GMP 模型的状态流转图，并解释 P 的数量和 GOMAXPROCS 的关系。

结果反馈

三面通过，两天后 HR 约了终面聊薪资和入职时间，整体流程推进很快。

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。