【文远知行】【Agent 开发】【暑期实习三面】面经（八股+大模型项目+手撕）

海外一年制硕士，投递文远知行 Agent 开发暑期实习，三面技术面，面试官是 Agent 平台方向的工程师，全程约 70 分钟，无自我介绍环节，直接进项目。

题目摘要

1. Go 语言基础：slice 的底层结构与扩容策略；map 并发读写为什么会 panic，sync.Map 适用于什么场景；context.WithCancel 的传播机制与 goroutine 泄漏的常见成因。
2. MySQL / Redis 八股：聚簇索引与回表，EXPLAIN 中 type 各档位的含义；RR 隔离级别下间隙锁如何解决幻读；Redis 大 key 的危害与排查手段；缓存与数据库一致性方案（旁路缓存 + 延迟双删）的取舍。
3. Agent 项目深挖：RAG 检索链路的分段策略、召回与重排；Function Calling 的工具描述设计与多轮工具调用状态机；长对话上下文压缩策略；单次请求的 token 成本与延迟拆解。
4. 手撕算法：给定一个字符串 s 和一个单词字典 dict，返回 s 能否被空格拆分成字典中的单词序列（LeetCode 139 单词拆分）。要求先讲思路再写代码，并分析复杂度。

项目深挖

追问一：你的 RAG 系统里，chunk 是怎么切的？切完之后召回效果不好，你从哪几个维度排查？

参考回答方向：先讲切分策略本身——固定长度切分会导致语义截断，按标题层级 / 段落切分再叠加滑动窗口重叠（overlap 一般取 chunk 的 10%~20%）是常见做法，代码类文档可以按函数 / 类边界切。排查维度分三层：一是切分粒度，chunk 太大导致噪声多、太小导致语义不完整，可以做粒度消融实验；二是召回层，看是 embedding 模型对领域词不敏感，还是 top-k 太小、相似度阈值卡太死，可以引入 BM25 做混合检索；三是重排层，cross-encoder 重排能把粗排的噪声压下去，但要算清楚它带来的额外延迟。最后落到指标上：用命中率（recall@k）和 MRR 量化，而不是凭感觉说"效果变好了"。

追问二：Function Calling 在多轮里怎么管理状态？如果模型连续调用同一个工具、参数还不对，你怎么处理？

参考回答方向：状态管理上，工具调用结果要以 tool role 的消息回填进对话历史，维护一个显式的调用栈或状态机，避免模型"忘记"自己已经调过什么。对重复调用，可以在工具描述里写明前置条件，或者在编排层做去重——同一轮内相同 (tool_name, args) 直接复用上次结果。参数不对属于典型的 schema 约束问题，靠 prompt 约束不可靠，应该在工具定义里用 JSON Schema 把必填项、枚举值、格式写死，并在执行前做参数校验，校验失败时把错误信息作为 observation 回灌给模型让它自我修正，同时设置最大重试次数（一般 2~3 次）防止死循环。可以补一句：生产环境更倾向用结构化输出（如 constrained decoding）替代纯 prompt 约束。

追问三：长对话上下文越来越长，token 成本和延迟都上去了，你怎么优化？

参考回答方向：分几个层面答。一是上下文压缩，对历史轮次做摘要，保留最近 N 轮原文 + 更早轮次的摘要，摘要本身也要控制长度；二是分层记忆，把稳定信息（用户画像、任务目标）放 system prompt，把易变信息放对话尾部，利用注意力对首尾更敏感的特性；三是缓存，对 system prompt 和固定前缀做 prompt caching，能显著降首 token 延迟和成本；四是模型路由，简单意图用小模型、复杂推理才上大模型。最后给一个量化口径：把单次请求拆成 prompt token、completion token、工具调用耗时、检索耗时四块，分别看优化空间在哪，而不是笼统说"变快了"。

手撕算法

题目：单词拆分。给定非空字符串 s 和非空单词列表 wordDict，判断 s 能否被空格拆分为一个或多个字典中出现的单词。字典中的单词可以重复使用。

关键思路：定义 dp[i] 表示 s 的前 i 个字符能否被拆分。转移时枚举分割点 j，若 dp[j] 为真且 s[j:i] 在字典中，则 dp[i] 为真。字典用哈希集合存储，查询 O(1)。时间复杂度 O(n²)（每个位置枚举分割点并做子串哈希），空间 O(n)。优化点：内层循环可以从 i 往前遍历，且子串长度超过字典中最长单词长度时直接 break，剪掉大量无效枚举。面试官追问了"如果要求返回所有拆分方案"——那就是回溯 + 记忆化（LeetCode 140），要注意用 memo 避免重复子问题导致的指数级爆炸。

准备建议

1. 把项目里的每个数字都变成可解释的。面试官不会满足于"用了 RAG 提升了效果"，要准备好召回率、延迟、token 成本的具体数值和对比基线，哪怕是自己离线评测的小样本数据。没有数字的项目描述在深挖环节会立刻露馅。
2. 八股不要背结论，背因果链。比如间隙锁，要能讲清楚"RR 下如何用间隙锁防幻读 → 间隙锁带来什么代价 → 为什么很多团队线上用 RC"，把知识点串成决策链，而不是孤立的名词解释。
3. 手撕题按"思路 → 边界 → 复杂度 → 优化"四步走。先口述思路再动手，主动说出空串、字典含单字符、超长字符串等边界，写完主动分析复杂度并给出剪枝优化，比闷头写完等面试官问要加分得多。

三面通过，HR 三天后约了终面（交叉面）。

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。