【小红书】【大模型开发】【暑期实习一面】面经（八股+大模型项目+手撕）

背景

海外一年制硕士，计算机方向，主攻 NLP 与大模型应用，有一段中小厂大模型平台开发实习。投递小红书大模型开发暑期实习，一周后约面，一面时长 55 分钟。

题目摘要

1. Go 语言基础：GMP 调度模型、channel 底层结构、内存逃逸分析、sync.Map 与普通 map+mutex 的取舍。
2. MySQL/Redis 八股：索引失效场景、覆盖索引、事务隔离级别与 MVCC；Redis 持久化机制（RDB/AOF）、缓存穿透与布隆过滤器、分布式锁的 Redlock 实现与缺陷。
3. 大模型项目深挖：RAG 检索质量优化、Function Calling 的可靠性保障、上下文窗口管理策略、推理成本优化手段。
4. 手撕算法：「合并 K 个升序链表」——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 1：你的 RAG 系统在检索阶段如何解决"检索不准"的问题？

参考方向：不要只答"换更好的 embedding 模型"。我会分三层回答——第一层是召回策略，混合检索（BM25 + 向量检索）并用 RRF 融合排序；第二层是查询改写，对原始 query 做意图识别，拆解为多个子查询分别检索后合并；第三层是重排，用 cross-encoder 做精排，取 top-k 送入 LLM。面试官大概率会追问"重排模型的训练数据哪来的"，可以回答先用远程监督（LLM 生成相关性标签）构造初版训练集，再结合线上用户点击反馈做迭代。

追问 2：Function Calling 场景下，如何避免模型输出非法 JSON 或调用不存在的函数？

参考方向：两层保障。第一层是约束解码，使用 vLLM 的 guided decoding（基于 JSON Schema 或正则）强制输出合法结构，而不是依赖模型自觉；第二层是容错设计，解析失败时走"兜底流程"——将原始输出包装为自然语言回复，同时记录错误日志用于后续 prompt 优化。另外可以提一下，在系统 prompt 中给足函数说明和 few-shot 示例，并限制 function 数量，减少模型困惑。

追问 3：你提到做了推理成本优化，具体怎么做的？

参考方向：从三个维度说——缓存、蒸馏、调度。缓存层面，对用户 query 做 embedding 相似度匹配，命中缓存直接返回；蒸馏层面，用大模型（如 GPT-4 或 Qwen-Max）离线生成数据，蒸馏到 7B 量级小模型做粗排或意图识别；调度层面，根据请求复杂度动态选择模型大小（简单意图走小模型，复杂推理走大模型），同时利用 prefix caching 复用公共 prompt 前缀。最后补一句，成本优化必须量化，用"单次请求平均成本下降 X%"来证明效果。

手撕算法

题目：合并 K 个升序链表（LeetCode 23）。

关键思路：主流解法是优先队列（最小堆）。初始化时将所有链表的头节点入堆，每次弹出堆顶节点接入结果链尾，若该节点有 next 则继续入堆。时间复杂度 O(N log K)，N 为总节点数，空间复杂度 O(K)。面试官可能追问"不用堆怎么做"，可以提分治合并（两两归并），时间复杂度相同，但空间复杂度 O(1)（递归栈除外）。代码要一次过，注意边界条件（空链表数组、单节点链表）。

准备建议

1. 项目深挖必须准备"量化指标"。简历上每个优化点都要能说出"优化前是多少，优化后是多少，怎么测的"。建议提前跑通一个离线评估脚本（如 RAG 的 Recall@K、命中率），没有真实数据就自己造一个 200 条的小型评测集，面试时拿出来非常加分。
2. Go 语言八股按"底层原理"复习，不要背概念。重点看 GMP 调度、channel 的 sendq/recvq 结构、sync.Pool 的 victim cache 机制，这些是高频考点。如果简历写 Java，就重点看 JVM 内存模型、CMS/G1 收集器、ConcurrentHashMap 的 CAS+synchronized 锁升级。
3. 手撕算法刷高频题，重点刷"链表、二叉树、滑动窗口、动态规划"四大类，要求做到看题 30 秒内出思路、10 分钟内写完并自测。建议用 LeetCode Hot 100 + 剑指 Offer 覆盖，每道题至少写两遍（一遍裸写，一遍看题解后优化）。

结果反馈

一面通过，约了 3 天后二面（系统设计方向），整体面试风格偏工程落地，对项目细节追问很细，建议重点打磨自己的"技术决策链路"。

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。