字节大模型应用算法岗三面面经

1.自我介绍2.拷打项目:针对长短期记忆，讲讲你是如何设计记忆的提取、压缩与冲突更新机制的？如果检测到用户存在极端情绪，你的Agent如何在不中断对话流的前提下进行干预？3.讲一下稠密向量与稀疏向量的区别，分别适合处理什么样的搜索需求？4.在向量化之前，为什么要对长文档进行切片？如果不切片会有什么后果？5.切片时设置重叠区域的作用是什么？这个比例你通常怎么来确定？6.余弦相似度和欧氏距离在衡量文本相似性时，各自的优缺点是什么？7.向量库检索出的Top-K结果，如果K值设置得过大，对后续的生成质量有哪些负面影响？8.为什么在初筛召回之后，还要加一个Rerank模型？它能解决向量搜索的哪些局限？9.如果文档发生了局部更新，如何通过增量索引来避免全量重新向量化？10.在RAG的生成阶段，如何在Prompt中设定边界条件来防止模型在没搜到内容时产生幻觉？11.调用大模型API时，为什么要使用asyncio异步编程？它在处理高并发请求时有何优势？12.了解HyDE吗？介绍一下原理，它在处理模糊提问时有哪些优势？13.随着超长上下文模型的出现，你认为传统RAG架构的必要性是否降低了？14.你了解哪些大模型推理框架？SGLang相比vLLM的PagedAttention在推理延迟上有哪些优势？15.手撕：第k大元素20.反问📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

😭大家还是多面试积累下思考经验吧，场景题真的不是随便给个方案就行的，考虑的东西确实很多，而且抓住底层核心需求才是重点，感觉只有基于这个才能优化方案

有些公司常年挂着实习岗，疯狂招实习生干活，但转正名额少得可怜，他们不是想培养人，就是想用廉价劳动力，等实习生干满三个月，随便找个理由打发走，下一批又来了。我们现在招实习生都会明确说明，这个岗位没有转正机会，如果介意是可以不用来的

本来没有敢投递字节（太硬核），上次投了个财经部门的日常实习，因为不能快速到岗被拒了。HR从人才库里把我捞出来，机缘巧合下面了这个部门。这次下午起来太放松了，忘记录音了，只能给出一个回忆版。自我介绍：这次着重介绍怎么看jdk源码的，项目和经历反而没怎么细说Q1 lua脚本怎么实现原子性Q2 CAS原理，和lua脚本哪个好Q3 刚才提到了负载均衡，解释一下Q4 熟悉那些关系型和非关系型的数据库，这里着重说了一下esQ5 RAG:向量数据库用的什么，怎么存的。怎么检索的，检索之后的排序算法RRFQ6 SSE是怎么做的，推理的时候也是SSE吗Q7 MCP工具调用是怎么做的，工具参数解析是怎么做的Q8 记忆管理是怎么做的Q9 你提到对话之后异步抽取记忆，那么有没有可能存在记忆丢失的可能我答的是由于异步抽取，可能还没有完成记忆落库，主线程的检索请求就来了，这个时候确实检索不到，但是一般最新的消息在滑动窗口里面，所以理论上没关系。我问面试官应该怎么做，他说用LangGraph ,图+状态的流转。还说现在记忆管理是一个开放的问题，有时候做项目会有记忆的污染（一个项目里出现另一个项目的记忆），用户偏好作为记忆是没问题的，不同项目的记忆隔离是个问题。Q10职业规划（做算法还是研发）,实习时间Q11反问，实习生过去做AIops,尝试用agent来自动监控、管理后台的那些容器之类的没有手撕，撕也不怕，上周携程美团拼都督都撕了好几遍了。最后还聊了几句，他说AI时代，知识储备虽然重要，但是看中候选人的潜力。如果候选人能在某个问题展示出自己的思考，或者解决问题的能力也是可以的。AI已经可以让一个人快速获取知识，所以思考和能力比记忆更重要。之前两个京东的面试官，一个美团虚拟数字人。这次面试是体验最好的一次了，我答的混乱的地方他都会总结一下，有些不到位的，他还补充了一下细节，像是探讨交流一样。