B 站三面 AI Native 基础架构:不问八股,直接手撕 SSE 缓冲区与 RRF 融合
- 轮次
- 三面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 自我介绍。
- 盘点一下你平时使用 Agent 的情况(用过哪些、怎么用)。
- 手撕一:实现一个线程安全的定长事件缓冲区(SSE buffer)。
- 手撕二:实现 RRF(Reciprocal Rank Fusion,倒数排名融合)多路召回融合。
- 反问。
《参考解析》
三面直接写代码,考的是工程直觉而不是背诵。前两轮已经把语言、框架、项目筛过一遍,这一轮看的是:拿到一个含糊需求,你会不会先问约束;写出来的东西有没有边界处理;能不能边写边讲清 trade-off。所以第一句话不该是 #include,而应该是「定长是多大、满了是覆盖最旧还是阻塞写端、单生产者还是多生产者」。
SSE 缓冲区拆开看就是「环形队列 + 条件变量」。底层用数组加 head / tail / size 三个下标,写满时的语义决定整个设计:事件流场景通常选覆盖最旧(客户端断线重连只关心最新状态,旧 token 没有重放价值),这样写端永不阻塞,读端慢只会丢帧;如果要求不丢事件,就必须阻塞生产者做背压,代价是上游 LLM 流被拖慢。线程安全靠一把 mutex 加两个 condition_variable(非空、非满),而且 wait 必须写在谓词循环里防虚假唤醒。工程上还有几个容易被追问的点:每个事件带自增序号,配合 SSE 的 Last-Event-ID 做断点续传;持锁期间只做拷贝,绝不持锁写 socket;读端批量取出而不是逐条唤醒,否则高吞吐下上下文切换比拷贝还贵。测试要覆盖空 / 满边界、并发读写、以及「写入后读端没被唤醒」这种丢唤醒 bug。
RRF 的公式只有一行,但要讲清为什么用它:score(d) = Σ_i 1 / (k + rank_i(d)),k 通常取 60。多路召回(向量、BM25、关键词、规则)各自给出一个有序列表,RRF 只看名次、不看分数,所以不需要把余弦相似度和 BM25 分数归一化到同一量纲——这是它相对加权求和最大的优势,调参成本几乎为零。实现是拿一个 dict[doc_id] -> score 聚合,各路遍历时按名次累加,最后排序取 topN,复杂度 O(N log N)。坑在 doc id 对齐:不同召回源的 id 体系可能不一致,必须先统一;同一个文档在同一路里出现多次要按最好名次算,不能重复累加。k 的作用是平滑头部——k 越大,第一名和第二名的差距越小,融合结果越平均;k 越小越偏向单路的头部结果。它的代价是丢掉分数信息,所以工业上常见的是 RRF 做粗融合,再交给精排模型。
「Agent 使用盘点」不是让你报工具名。这题想听的是:在哪些环节用(写代码、读陌生仓库、查日志、生成测试)、怎么验证产出(跑一遍、读懂了再合、复杂逻辑不让它独立产出)、踩过什么坑(幻觉 API、改错文件、上下文越滚越脏)。能说出「我怎么判断它什么时候不可信」,比列出十个工具名有效得多。
最后一条经验:手撕题写不完很常见,先把接口签名、数据结构和关键路径写清楚,再补边界;中途主动说「这里我选覆盖而不是阻塞,因为……」。面试官看的本来就是你的判断过程,代码只是载体。