【小红书】【Agent 开发】【暑期实习二面】面经（八股+大模型项目+手撕）

小红书 Agent 开发 暑期实习二面面经

背景：海外一年制硕士，主攻 NLP 与 LLM 应用，一段大模型应用相关实习，投递岗位为 Agent 开发实习生。

题目摘要

1. Java 基础：HashMap 底层实现、ConcurrentHashMap 在 JDK 8 中的锁粒度优化、volatile 的内存语义
2. MySQL/Redis 八股：InnoDB 索引结构、最左前缀原则、Redis 持久化机制（RDB vs AOF）、缓存穿透与布隆过滤器
3. Agent 项目深挖：RAG 检索链路优化、Function Calling 的 prompt 设计、多轮对话上下文管理、推理成本优化方案
4. 手撕算法：设计一个支持 get 和 put 的 LRU Cache（LeetCode 146），要求 O(1) 时间复杂度

项目深挖

面试官对简历中一个「基于大模型的客服 Agent」项目连续追问了约 20 分钟，以下是几个关键回合：

追问 1：RAG 检索效果不好时，你的排查链路是什么？

参考回答方向：回答需体现「分层排查」的思路——先看召回再看重排。具体来说：① 检查 chunk 切分粒度是否合理（如按段落切 vs 按固定 token 切），② 验证 embedding 模型是否与领域匹配（通用 embedding 在垂直领域可能效果差，需用领域微调或替换为更适配的模型），③ 检查召回 TopK 设置，④ 重排阶段是否采用了 cross-encoder 或 LLM 自身 rerank。如果面试官继续追问「如何量化效果」，可以提 Recall@K 和 MRR 指标，以及用人工标注的 golden set 做离线评测。

追问 2：Function Calling 的 prompt 设计踩过什么坑？

参考回答方向：核心观点是「function 描述越具体，模型调用越准确」。踩过的坑包括：① function 名和参数名过于抽象导致模型误选，② 缺少 few-shot 示例时模型会编造参数，③ 多个 function 参数重叠时模型容易混淆。解决方法是：在 system prompt 中提供 2-3 个调用示例，每个 function 的 description 写清楚「何时调用」和「参数含义」，并对关键参数加枚举约束。如果面试官追问「如何评估调用准确率」，可以提用测试集统计 function 调用准确率和参数填充正确率。

追问 3：上下文管理怎么处理长对话？成本如何控制？

参考回答方向：回答分三层：① 滑动窗口裁剪，保留 system prompt 和最近 N 轮对话，② 历史消息摘要（用 LLM 对早期对话做压缩），③ 关键信息抽取（如用户偏好、订单号等结构化字段单独存储）。成本优化方面，可以提：对简单请求走小模型（如 7B/13B 级），复杂推理才调用大模型；缓存用户级公共上下文（如 FAQ 答案）；对重复性问题用规则匹配直接返回。如果面试官追问「摘要的丢失率怎么控制」，可以回答用「摘要 + 原文回退」策略，即摘要丢信息时通过检索原文兜底。

手撕算法：LRU Cache

题意：实现一个 LRU（最近最少使用）缓存，支持 get(key) 和 put(key, value) 操作，get 和 put 的时间复杂度均为 O(1)。当缓存容量达到上限时，淘汰最久未使用的 key。

关键思路：

• 数据结构组合：HashMap<Key, Node> + 双向链表。HashMap 负责 O(1) 查找，双向链表负责维护访问顺序（头部为最近使用，尾部为最久未使用）。
• get 操作：命中后将该节点移到链表头部；未命中返回 -1。
• put 操作：若 key 已存在，更新 value 并移到头部；若不存在，插入头部，若容量超限则删除尾部节点并同步删除 HashMap 中的映射。
• 注意点：使用 LinkedHashMap 在 Java 中可一行实现，但面试官大概率要求手写双向链表，需完整写出 addToHead、removeNode、moveToHead 三个辅助函数。

面试官在题后追问了「为什么不用数组实现」和「如果并发访问怎么办」，前者答数组移动成本高，后者可提 LinkedHashMap 加锁或分段锁思路。

准备建议

1. 八股按「高频 + 深挖」准备：Java 方向重点看 HashMap/ConcurrentHashMap/JVM 内存模型，MySQL 重点看索引和事务隔离级别，Redis 重点看持久化和缓存穿透/雪崩。不要只背结论，要能画出 ConcurrentHashMap 在 JDK 8 中 synchronized + CAS 的锁粒度示意图。
2. Agent 项目准备「数据说话」：把项目的检索准确率、function 调用成功率、单次请求成本等指标提前算好，每个模块准备 2-3 个量化结果。面试官问「效果怎么样」时，用数字回答比「还不错」有说服力十倍。
3. 手撕算法刷「高频 + 变体」：LRU、TopK、合并区间、二叉树遍历、三数之和这类高频题必须闭眼能写。重点练 LRU 和 LFU（LeetCode 460），Agent 方向面试常考缓存类问题，刷完顺手总结「为什么 LRU 适合缓存场景」这类延伸问题。

结果反馈

二面整体节奏紧凑，项目深挖部分占了大半时间，算法题在 15 分钟内完成并通过测试用例。面试结束后第 3 天收到 HR 通知，一面通过，约了 5 天后三面（Leader 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。