1091 字
5 分钟
百度 · 大模型研发工程师 · 一面面经
这篇面经根据我的面试回忆整理,主要记录问题、算法题的当时思路,以及实习交流中的一个片段。问题沿用原始笔记的分组,不是逐字转录。
面试概况
| 项目 | 记录 |
|---|---|
| 公司 | 百度 |
| 岗位 | 大模型研发工程师 |
| 轮次 | 一面 |
| 面试日期 | 未记录 |
| 面试结果 | 未记录 |
岗位与业务背景
根据面试中的交流,我了解到业务是爱采购平台,属于 B2B 平台,与阿里 1688 的业务有相似之处。工作内容主要偏算法,也会涉及一些 Agent Harness 相关工作。
原始笔记中保存了岗位链接。上述业务理解来自我的面试记录。
面试问题
自我介绍与职业方向
- 请做一下自我介绍。
- 以后更倾向于做 Agent 开发还是后端开发?
RAG 与知识库
- 你了解 RAG 吗?RAG 是什么,主要解决什么问题?
- 你的知识库使用什么类型的文档?如何进行文档切分?
- 遇到表格、代码这类特殊内容应该如何切分?
- 介绍一下知识库构建以及检索的完整流程。RAG 如何进行召回?
- 为什么需要 BM25?什么场景适合关键词检索?
- 你怎么理解 Embedding 模型?它是怎么训练的?
- 检索召回的 Chunk 太多,占用大量上下文怎么办?
- 如果召回内容仍然很长,怎么进一步压缩?
- 如果检索出来的不同知识存在冲突,应该怎么办?
- 如何评估知识库的检索效果?有哪些评价指标?
Agent 评测平台实习
- 如何将线上 Trace 转化为可复用的 Dataset?
- 你们评测的业务 Agent 具体是做什么的?
- 评测数据集会用于模型训练吗?会不会导致过拟合?
Agent 原理与工程设计
- 大模型为什么能够调用工具?这种能力是怎么训练出来的?
- 如果 Agent 查询工具返回几千行日志,应该怎么处理?
- Agent 工具调用失败可能有哪些原因?如何处理不同类型的错误?
- ReAct 和 Plan-Executor 有什么区别?分别适合什么场景?
- Agent Loop 如何判断什么时候停止?如何避免无限循环?
- 你的 OnCall Agent 为什么分别采用 ReAct 和 Plan-Executor?
- Planner 和 Executor 之间如何协作?Executor 执行之后如何反馈给 Planner?
- 多轮对话中,前一个问题的上下文影响后一个问题,应该怎么办?
现场题目
- 平时会刷算法题吗?
25. 数据流中的中位数
题目要求: 完成一个类,提供两个操作:新增数字、返回当前所有数字的中位数。需要支持不断插入整数,并快速查询中位数。
面试追问:
- 你会选择什么数据结构?
- 如何保证查询中位数的效率?
- 插入和查询操作的时间复杂度分别是多少?
- 能否进一步优化插入的时间复杂度?
当时思路: 维护两个数组。原始笔记没有记录后续如何维护数组、计算中位数,也没有记录实际代码和完成情况。
面试复盘
原文复盘
我记下的一个片段是:谈到实习平台刚起步、使用人数不多后,面试官没有继续追问。笔记没有记录面试官对此的评价,也没有记录最终面试结果。
整理建议
以下是基于本次记录提出的事后建议:
- 实习表达: 下次介绍项目时,可以先讲业务问题、本人负责的具体部分和一个能展开的技术取舍,再补充项目所处阶段。使用人数较少可以如实说明,同时准备自己实际做过的实现或验证细节。
- 知识准备: 结合本场问题,重点复习 RAG 的切分、召回、压缩与评估,以及 Agent 的工具失败处理、停止条件和规划执行反馈。
- 算法练习: 重新完成数据流中位数题,说明所选数据结构、插入与查询流程,再分析复杂度。把事后解法与本次“两个数组”的当时思路分别记录。
百度 · 大模型研发工程师 · 一面面经
https://example.com/posts/baidu-llm-engineer-round-1/