美团 AI 产品 Builder 初面
- 轮次
- 一面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 请介绍一下你自己。
- 请介绍一下你做的最熟悉的一个项目。
- 你为什么采用这种向量化模型?
- 请介绍一下你做过的一个难点。
- 说一下为什么做微调?
- 具体是怎么做微调的?
- 你这个项目做了多久?
- 你选型数据库花了很长时间,为什么?
- 你具体是怎么选的,过程是怎么样的?
- 你还有什么要问我的吗?
《参考解析》
向量化模型选型怎么讲:别只说「因为它是当时最好的」,要按需求拆:语料是中文还是中英混、单条文本的长度分布、是否需要多语言、对检索精度与延迟的要求、能不能私有化部署、向量维度带来的存储与检索成本。落到具体做法上,正确姿势是先建一个小的评测集(几十到几百条「问题 → 正确片段」),用 recall@k / MRR 横向对比几个候选(中文场景常用的有 bge 系列、m3e、text-embedding 系列等),同时看它在业务里的长尾表现(数字、专有名词、代码)。还要说明配套决策:切分粒度(按标题层级还是固定长度带重叠)、是否做查询改写、要不要 rerank、向量与关键词混合检索。能讲出「我先定指标、再横向评测、最后按成本与部署条件收敛」这套流程,比背模型名字有效得多。
RAG 项目里的难点怎么挑:产品岗讲难点要落到「怎么发现、怎么定位、怎么权衡、结果如何」。适合作为难点的通常是这几类:召回不准导致答非所问(切分与检索策略问题,靠 badcase 归因、加 rerank 或混合检索解决);答案有幻觉(靠引用溯源、约束提示词、无据不答、拒答策略);长文档与多跳问题(靠问题改写、多轮检索、子问题拆分);上下文超长导致成本与延迟高(靠重排截断、缓存、分级模型路由)。每个难点都准备一条数据:改前改后指标怎么变、badcase 占比降到多少、延迟或成本变化多少。只讲「我们做了很多优化」的答案,会被下一句追问打穿。
为什么微调、怎么微调:微调不是默认解,判断顺序应该是:先看提示词与上下文能否解决,再看检索能否解决,最后才考虑微调。真的要微调,动机通常是三类:固定输出格式或领域术语(让模型稳定遵循规范)、领域知识难以用检索覆盖(内化风格与推理路径)、降低推理成本(用小模型逼近大模型效果)。做法上要能说清数据从哪来(线上真实对话清洗、人工标注、大模型蒸馏合成 + 人工校验,比例与去重策略)、训练方式(全参还是 LoRA/QLoRA,为什么)、超参与数据量级、以及评测方式(保留集 + 与基线的盲测对比,而不是只看 loss)。产品岗还要补一句成本与迭代节奏:数据标注要多少人力、多久能迭代一轮、什么情况下应该回退到提示词方案。
数据库选型为什么值得花时间:选型慢通常是合理的,关键是要讲出决策框架而不是「我挑了很久」。框架可以是:数据规模与增长(百万级还是十亿级向量)、检索模式(纯向量、还是向量 + 结构化过滤 + 关键词混合)、一致性与实时性要求(写入后多久必须可搜)、运维成本(团队有没有能力维护独立集群)、成本(内存占用是向量检索的主要成本项)、生态与迁移成本。候选通常是 pgvector(复用现有 Postgres,运维最轻)、Milvus / Qdrant(规模化与索引能力强)、Elasticsearch / OpenSearch(关键词与向量混合)、Faiss(库而非服务,适合离线或自研)。把评估维度列成打分表和 POC 结论(用真实数据测 QPS、延迟、召回),就能把「花了很长时间」讲成「我做了一次负责任的选型」。
产品岗项目陈述与反问:二十多分钟的面通常只够讲一个项目,所以要主动控节奏、把信息密度集中在最亮的那条线上:一句话说清项目解决什么问题、服务谁、指标如何,再用两分钟讲清你承担的角色与关键决策,剩下的时间留给追问和反问。教育背景被看错这类意外不必过度解读,也不要在面试里纠结,把注意力放在把项目讲透。反问不要问能自己查到的东西(团队规模、业务介绍官网都有),可以问:这个岗位的 Builder 具体交付什么形态的产物、和研发/算法怎么分工、上线后看哪些指标、新人前三个月通常负责什么。这些问题既显示你关心交付,也能帮你判断岗位是否匹配。