字节实习 大模型算法 面经分享

项目点评还有一个agent1：简历上的 项目 是练手项目还是实习公司项目？2：介绍项目主要功能。3：做该项目时遇到的难点及解决方法？3：什么情况下会使用 Redis？（业务层面）4：缓存除了快速响应，还有什么重要使用场景？（为什么有 MySQL 还需要缓存？）5：为什么要用二级缓存？加入本地缓存的考量是什么？6：Redis 的内存淘汰机制是什么？//答成键淘汰策略了7：缓存穿透和缓存雪崩了解吗？（定义 + 解决方法）8：MySQL 的事务隔离级别有哪些？分别说明，InnoDB 默认是哪一种？MVcc怎么做的9：幻读是什么样的场景？10：消息队列（RocketMQ）一般是为了解决什么问题？11：结合项目说明为什么要用 MQ？不用会怎么样？12：高并发（限时秒杀）情景下的限流是怎么做的？还了解其他限流算法吗？//没答出来 简历也没写13：JVM 内存模型结构是什么？14：程序计数器的作用是什么？15：栈（虚拟机栈 + 本地方法栈）的作用是什么？16：局部变量在 JVM 内存的哪个结构里？17：Java 的垃圾回收算法、特点及使用场景？ //混淆算法和具体实现了 答的磕磕巴巴18：JVM 的类加载机制是什么？ //提到双亲委派 但是过程答的也不好19：引入 RAG 之后最大的好处是什么？解决了什么痛点？20：MCP 是什么？21：第二个项目中怎么使用 MCP 的？22：自己平常有没有用ai工具 用了什么？token消耗怎么办 学校有支撑吗手撕k个反转链表 与力扣不同的是最后不足k个节点也要反转手撕边界没弄清楚 递归超时 没有调试 面试官要把构建链表和输入输出都写出来 第一次没运行出来就结束了 可能觉得没必要浪费时间了反问：给我建议多尝试用一些ai的工具 大部分公司都会往这方面发展面试官很好每次答完ai会说出他的理解 感觉面试官更想知道从业务上为什么要用缓存消息队列 可能这方面答的不好 我说了之后面试官说为什么不用不行之类的话术 没有问太多底层的东西 也问了ai的工具总体都是很基础的八股 整体不难 还得练 第二天发感谢信 我觉得没过的原因是很多知识停留在原地而不是业务层面 知识为了学而学 理解不够 可能答的很宽范 没有自己的理解

一面：自我介绍拷打项目项目1 MongoDB相对于MySQL的优势 RAG流程 如果提问的与知识库不相关怎么办 市面上成熟的聊天记录的管理方案项目2 session共享的问题 优惠券秒杀的流程 Lua脚本里干了什么八股 redis中zset的底层 zset插入和查询的时间复杂度 redis为什么快 redis io多路复用如何实现 redis的性能瓶颈在哪里：面试官让在内存、cpu、网络io中选 MySQL中的索引实现 B+树比B树好在哪里？为什么B+树更矮 事务隔离级别 mysql的默认级别 可重复读是如何实现的：回答了读视图，面试官纠正说了读视图的专业名词 HTTPS和HTTP的区别 加密...

攒人品中，祝大家都能拿到满意的Offer！1.项目拷打2生成式推荐本质上是在做隐空间到离散iD的映射，你如何证明你生成的 ID 序列保留了用户意图的最优压缩3.比如广告场景下不仅仅是预估 CTR。如果我们将生成式排序引入 GSP拍卖，大模型生成的候选列表概率分布，如何保证满足激励相容性4如果模型生成的排序导致广告主出现竞价上的博弈呢5.在H100集群上跑生成式重排，现在的瓶颈不在计算而在存储带宽。如果分阶段推理，我在Prefill阶段采用了FlashAttention-3，但在 Decoding 阶段因为 KV Cache 导致的Fragmented Memory太严重，怎么办6.推荐系统要求毫秒级响应对于1B规模的排序模型，如果我要做Speculative Decoding，你如何设计那个Draft Model？这个小模型是该学大模型的 Logits 分布，还是该学用户的Embedding聚类7.假设构建一个端到端生成式广告系统。现在面临一个场景：某个新入驻的土豪广告主投放了一批高质量视频，但由于模型对新 ID 的 Semantic Indexing 尚未完全对齐，导致第一波推荐给了错误的人群，产生了极高的 Negative Feedback，生成式模型的自回归特性会不断放大这种“第一印象”，导致该广告主瞬间被屏蔽你如何设计一套Online Counterfactual Correction这种，在不重新训练模型的前提下，通过修改 KV Cache里的隐藏状态来强行挽回这批广告的生命周期9.在短视频重排阶段使用了一个 10B 的生成式模型但是业务反馈说模型在学会了今天最火的某个梗以后，竟然忘记了如何处理用户对“长尾科普视频”的旧兴趣，发生了明显的 Catastrophic Forgetting，设计一种基于 Gradient Orthogonal Projection的优化器，确保模型在更新实时热点知识时，参数更新量在旧知识的Null Space内。10.都知道生成式模型有位置偏差从 Attention Entropy 的角度来看，为什么 $N$ 个候选 Item 在序列中的排列顺序会直接导致 Logits 的非线性漂移

AI世界变幻之快，没几天就有新概念了，最近热讨论的是Harness Engineering（驾驭工程）这个词。OpenAI、Anthropic、Martin Fowler……一线的公司和技术大佬都在讨论它。很多科普文章会告诉你：Harness 就是给 AI 设边界、分步骤、做检查,你平时用 Claude Code 时已经在做了用最简洁的话说：Harness 是包裹在大模型外面的"执行与治理系统"。公式就是 Agent = Model + Harness。那么我们给最近爆火的 Harness Engineering 一个清晰直白的比喻：想象你面前有一匹又快又壮的马。你想让它帮...