百度大模型算法岗二面

🚀 27届校招必看：后端&大模型应用开发突围指南（2026春招/秋招版）你好，27届的同学！现在是2026年3月，26届春招已进入白热化，27届的暑期实习预热也即将开始。作为站在AI浪潮风口的一代，你们面临的机遇与挑战并存：传统后端岗位在收缩，而“后端+AI”或纯“大模型应用开发”岗位需求激增。很多大厂（如字节、阿里、腾讯）的后端JD里已经明确标注“需具备大模型开发与应用能力”。如何在这个时代合理利用AI工具，打造核心竞争力？这份实战分享贴为你拆解。一、核心认知：AI时代，后端开发变了吗？变了，也没变。没变的是：高并发、分布式、数据库优化、系统设计等后端基石依然是面试和工作的硬通货。...

很多人问我如何准备大模型的面试，分享下我的经验，针对两种情况：1. 有大模型实习2. 无大模型实习针对无大模型实习的情况，我建议先找一段中厂实习为主，比如 zhipu、Minimax （当然有大厂进大厂）这些，相对容易进，尽量积累大模型实习经历。针对有大模型实习的情况，复习内容为：1. 常规八股（transformer、bert 等）2. 最新八股（GQA 等）3. 技术报告（一定要自己看原PDF，目前推荐 DeepSeekV3, R1, kimi1.5, Minimax-01, Qwen2.5, Qwen2.5-VL）4. 手撕 Leetcode：Hot1005. 手撕模型，比如 MHA 这些首先是常规八股和最新八股，这一部分可以自己找找网上资料，整理好的，背。然后是技术报告，目前推荐的内容有：1. DeepSeekV3：必读2. DeepSeekR1：必读3. Kimi1.5：选读4. Minimax-01：选读，据我所知最长上下文模型（外推到 4M，不过好像被 LLama4 的 10M 超过了）5. Qwen2.5：必读6. LLama3.1：必读7. Qwen2.5-VL（如果简历有多模态内容）：选读重点关注：1. 阶段训练（预训练几段、Post-training 几段？上下文用了多少？数据配比是什么？）2. 模型创新点（MHA 创新是什么？作用是什么？）3. 上下文优化创新点（一般是优化显存和阶段训练）4. 多模态优化创新点（简历有多模态内容）5. 几个模型不同之处（比如 Qwen2 和 Qwen2.5 的不同之处）最后是手撕，Leetcode 只刷 Hot100 够了，模型手撕建议关注（我目前会的）：1. MHA2. LayerNorm3. Transformer Encoder (MHA+LayerNorm+FFN)4. PE（绝对位置编码）5. ROPE6. SwiGLU7. RmsNorm每次面试前快速过一遍就 ok 了。

好久之前面的了，今天想起来发一下面经一面问开源1. mcp 网关是怎么做的2. 限流是怎么实现的3. 模型的可观测是怎么实现的，具体有哪些指标4. 这个DSL的序列化是怎么做的5. 多租户是怎么实现的，物理隔离还是逻辑隔离八股1. 分布式理论2. HTTP2和HTTP1的区别实习主要靠打了agent 多轮对话的长期记忆和短期记忆，问的比较深并且延伸问了 KV Cache 的一些知识手撕：手写一个支持多租户的限流器二面八股1. JVM分区2. 垃圾回收算法3. Spring AOP的原理实习这里拷打了很多，但不知道为什么，一直说我们实现的方案不合理agentic rag 工具调用的讨论从记忆到 kvcache，引出了一个场景题，如果多轮对话中a没有命中kvcache缓存，后面的b，c可以命中吗？agent分层架构怎么解决长链路的token溢出的还有一些开源和实习的问题有点忘了手撕 LRU总体感觉二面体验有点差，不过也问出来很多简历上的问题

1.自我介绍2.可实习时长，能否接受当前工作地3.介绍简历上的一个项目的所有遇到的难点4.大模型的对话记忆持久化4.mysql回表5.索引下推6.redis常用数据结构及其用法7.zset原理8.跳表的实现9.拥塞控制和避免算法10.tcp四次挥手算法:两个子树的公共祖先反问:是否会转go