快手云容器研发一面

先自我介绍，然后开始聊项目。深挖AI项目：项目为什么用的是JSON-grpc？它是怎么设计的？和标准的rpc有什么区别？对mcp工具调用时的不同错误类型，你的设计有什么区别？怎么封装的rpc超时重试机制？客户端发起一个请求的时候，服务端怎么找到对应的工具？（mcp工具调用的全流程）假设客户端请求的QPS很高，高并发环境下怎么去优化性能？讲一下SSE通信模式，他和websocket有什么区别？怎么通过RAG对mcp工具的选择进行优化的？工具调用时token消耗过高，是在什么时候呢？（远程调用大模型的时候）RAG向量化的内容是什么？怎么把用户的问题，prompt去向量化的呢？有对比过引入RAG向量化后的效果吗？mcp服务端在Linux平台上运行时，CPU突然占满了，如何排查？怎么判断运行时出现了死锁？如果是进程或者I/O引起的CPU100%，怎么判断进程卡在内核里、锁里还是I/O等待里？讲一下僵尸进程和孤儿进程的区别。算法题：带过期时间的LRU缓存，淘汰策略是random。反问：Q：您那边负责的主要业务是什么呢？A：我这边是字节主端侧，AI基础设施。Q：贵公司对在校生和实习生，更看重哪些方面的能力？A：基础知识、和岗位方向的匹配度、还有学习能力。总结：一个多小时，项目拷打基本抗住了，而且幸好面试前专门研究了大模型token和RAG，和面试官有得聊。算法题只写了个大概，用哈希表+双向链表，但双向链表的特点给忘了没回答好。

祝大家都能拿到满意的Offer！1.拷打论文2.拷打实习3.拷打项目检索用到了embedding吗 用的是什么模型?embedding这个模型怎么训练的?4.解释bge reranker精排和embedding区别?5.解释graphrag和rag区别6.解释多模态schema7.手撕mha带mask写了个大致思路8.手撕rope

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

1.追问上段实习相关内容2.LLM幻觉如何解决3.RAG数据源如何解决时效问题，知识过期了怎么办4.MCP的三个原语解释区别5.用过什么厂商的AI产品逐个说特点6.底层模型一样，不同的Agent产品一样吗，举例子7.上段实习中自己发现过什么团队或者公司的问题8.自己最近在研究什么有趣的事情9.在学校的课程中学到了什么真正的知识分享一下10.有没有拿过奖学金11.你的优点是什么------无八股手撕