鹅厂面经网上最全整理最近按当前筛选整理了一波面经，这次挑了 15 篇相对值得复盘的内容，方便刷题和回看。1. 腾讯｜AI应用开发后端实习生｜未知日期：2026-04-24关键词：Agent面经难度：4 星标签：技术面 / 约55分钟 / 有代码题技术栈：Agent、RAG、后端开发、DFS、设计模式面经总结面试重点围绕AI应用后端项目深挖，考察多Agent编排、失败重试与金融安全场景设计，并涉及RAG知识库热更新和基础算法题。高频问题【项目经验深挖】XX有没有正式用户使用？为什么没有上线？【Agent与工具调用】多agent怎么编排？具体流程？【AI/大模型/LLM】训练样本哪里来的？有无模型...

上周组里招人，我面了六个候选人，回来跟同事吃饭的时候聊起一个让我挺感慨的现象。前三个候选人，算法题写得都不错。第一道二分查找，五分钟之内给出解法，边界条件也处理得干净。第二道动态规划，状态转移方程写对了，空间复杂度也优化了一版。我翻他们的简历，力扣刷题量都在300以上。后三个呢，就有点参差不齐了。有的边界条件没处理好，有的直接说这道题没刷过能不能换个思路讲讲。其中有一个女生，我印象特别深——她拿到题之后没有马上写，而是先问我：“面试官，我能先跟你确认一下我对题目的理解吗？”然后她把自己的思路讲了一遍，虽然最后代码写得不是最优解，但整个沟通过程非常顺畅。这个女生的代码不是最优的，但当我问她“如果这里是线上环境，你会怎么设计’的时候，她给我讲了一套完整的方案——异常怎么处理、日志怎么打、怎么平滑发布。她对这是之前在实习的时候踩过的坑。”我在想LeetCode到底在筛选什么？我自己的经历可能有点代表性。我当年校招的时候，也是刷了三百多道题才敢去面试。那时候大家都刷，你不刷就过不了笔试关。后来工作了，前三年基本没再打开过力扣。真正干活的时候，没人让你写反转链表，也没人让你手撕红黑树。更多的是：这个接口为什么慢了、那个服务为什么OOM了、线上数据对不上了得排查一下。所以后来我当面试官，慢慢调整了自己的评判标准。算法题我还会出，但目的变了。我出算法题，不是想看你能不能背出最优解。而是想看你拿到一个陌生问题的时候，是怎么思考的。你会先理清题意吗？你会主动问边界条件吗？你想不出来的时候会怎么办？你写出来的代码，变量命名乱不乱、结构清不清楚？这些才是工作中真正用得到的能力。LeetCode是一个工具，不是目的。它帮你熟悉数据结构和常见算法思路，这没问题。但如果你刷了三百道题，却说不清楚自己的项目解决了什么问题、遇到了什么困难、你是怎么解决的，那这三百道题可能真的白刷了。所以还要不要刷LeetCode？要刷，但别只刷题。刷题的时候，多问自己几个为什么：为什么用这个数据结构？为什么这个解法比那个好？如果换个条件，解法还成立吗？把刷题当成锻炼思维的方式，而不是背答案的任务。毕竟面试官想看到的，从来不是一台背题机器，而是一个能解决问题的人。

这个小伙伴5年的工作经历 双非研究生 好像是医学和计算机交叉学科1. 请先做一下自我介绍2. 你们是直接拿开源 BERT 做分类，还是基于开源 BERT 做微调？答案：一般不是直接拿开源 BERT 裸用，而是基于开源预训练 BERT 做下游分类任务微调。开源 BERT 只提供了通用语义表示能力，它在大规模语料上通过 MLM、NSP 等任务学到了语言知识，但它不知道我们具体业务里的标签体系，比如用户意图分类、文本风险分类、工单分类等。所以实际做法是：拿一个开源预训练模型，比如： bert-base-chinese chinese-roberta-wwm-ext hfl/chinese-macbe...