面试面经 · 小鹏汽车
【小鹏汽车】【大模型开发】【暑期实习二面】面经（八股+大模型项目+手撕）
海外一年制硕士，投递小鹏汽车大模型开发暑期实习，二面技术面约 60 分钟，面试官是做大模型应用落地的团队负责人。
题目摘要
- Go 语言基础：slice 的底层结构、扩容规则、
append在函数传参时的坑；map并发读写为什么 panic，怎么用sync.Map或分片锁规避。 - MySQL 八股：聚簇索引与二级索引的回表过程；
explain里type从ref到range到all的差别；一条慢 SQL 的定位链路。 - Redis 八股：缓存穿透/击穿/雪崩三件套的区分与各自解法；Redis 分布式锁为什么要用
SET NX PX而不是SETNX+EXPIRE。 - RAG 项目深挖：文档切分策略怎么定的、召回率怎么评估、向量库选型理由、幻觉怎么压。
- Function Calling / Agent：工具调用的参数校验、多轮工具编排、失败重试与幂等。
- 手撕算法：LRU 缓存。要求 O(1) 的
get和put，用哈希表 + 双向链表实现；关键点是链表头尾哨兵节点省掉边界判断，get命中后要把节点移到头部。
项目深挖
简历上写了一个基于 RAG 的汽车说明书问答系统，面试官几乎全程围着这个项目问，问题密度很高，记录三个印象最深的追问。
追问一：你的切分策略是什么，为什么这么切？
我最初答的是「按 512 token 固定长度切，重叠 64 token」。面试官追问：说明书里有大量表格和层级标题，固定长度切会不会把「某车型的胎压标准」和「另一车型的胎压标准」切到同一个 chunk 里，导致检索串味？
参考回答方向：先承认固定切分的缺陷，再给出改进思路——按文档结构切分（标题层级作为天然边界），表格单独抽成结构化 chunk 并在 metadata 里带上车型、章节路径；检索时用 metadata 做前置过滤（filter 后再做向量相似度），而不是纯靠语义相似度硬扛。可以补一句：重叠窗口的作用是防止答案被切断，但它解决不了语义串味，两者是不同的问题。
追问二：你怎么评估检索质量？召回率是多少？
这题是分水岭。很多人只做了「看起来还行」的主观评估。参考回答方向：构造一个几十到上百条的评测集，每条包含 query 和标准答案所在的 chunk id，然后算 Recall@k 和 MRR。如果没做过，就诚实说没系统评估过，但能讲清楚「应该怎么建评测集」——从真实用户日志里采样 query，人工标注 gold chunk。面试官其实更想看你知道评估这件事的存在，而不是编一个数字。
追问三：上下文塞不下的时候怎么办，推理成本怎么控？
参考回答方向：分三层讲。第一层是检索侧，控制 top-k 和 chunk 大小，用 rerank 模型把粗排的 20 条压到 3-5 条再进 prompt；第二层是 prompt 侧，历史对话做摘要压缩，只保留最近 N 轮原文 + 更早轮次的摘要；第三层是模型侧，简单意图走小模型或规则，复杂问题才路由到大模型，用 KV Cache 复用系统提示词前缀。能说出「rerank 是性价比最高的一环」这种判断，比罗列一堆优化手段更加分。
准备建议
- 把 RAG 项目的每个技术选型都准备好「为什么不是另一个」。面试官不会问你「用了什么」，而是问「为什么不用 X」。向量库为什么选这个而不是 FAISS/Milvus，切分为什么是 512 不是 256，embedding 模型为什么选它——每个决策点都要有一个能自圆其说的理由，哪怕是「当时时间紧，选了上手最快的，但如果重做我会考虑……」。
- 八股不要背结论，背因果链。比如缓存穿透，不要只答「布隆过滤器」，要能讲清楚：为什么会穿透（查询不存在的 key，缓存和 DB 都没有）→ 布隆过滤器怎么拦（用位数组判断 key 是否可能存在，有假阳性无假阴性）→ 它的代价是什么（不支持删除、需要预热）。面试官顺着问两层，背结论的人就露馅了。
- 手撕算法按「先讲思路再写代码」的节奏练。LRU 这种题，先花 30 秒说清楚数据结构选型（为什么是哈希表 + 双向链表，单向链表行不行），再动手写。写的时候注意边界：
put已存在的 key 要更新值并移到头部，容量满要删尾节点。写完主动跑一个例子验证，比等面试官挑错强。
结果
二面结束当天收到 HR 通知通过，约一周后三面（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。
