微软暑期实习两轮:UURA 面二分 batchSize,技术面追到 BM25 与事件计数接口
- 轮次
- UURA 面、技术面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 你实习主要在干什么?讲一下 AIGC 生成广告的链路,并在白板上设计。
- 怎样实现链路里素材的可复用性?到底做了什么、优化了什么?
- 讲讲你的开源经历,你在 Valkey 社区做了什么?
- 为什么做 RDMA 的解耦?意义在哪?讲一讲这里的问题。
- 算法:给定数组如 [1, 3, 5, 5] 和一个最大处理次数 maxBatchCount,选择一个 batchSize,每个元素按
ceil(a_i / batchSize)次处理,求满足总次数不超过上限的最大 batchSize。 - 做一下自我介绍。
- 你说你做 RAG,什么是 hybrid search?为什么不用纯语义检索?
- 关键词检索的原理是什么?什么是 BM25?为什么词频低打分也会变高?
- 讲一下 redis over RDMA,是什么驱使你做这件事情?
- 你是怎么做动态加载的?如何验证最后的结果是可靠的?
- 算法设计:给一串用户事件(如
e1 u1 click、e2 u2 close),生产环境下如何设计一个可用的接口,任意获取一个用户某种行为的次数? - 你把 map 放到全局变量,这样好吗?线程安全问题怎么解决?
《参考解析》
batchSize 的二分。 对固定 batchSize,总处理次数是 sum(ceil(a_i / batchSize));batchSize 越大,次数单调不增,因此可以二分答案。下界是 1,上界取数组最大值(再大也不会减少次数),每次判断次数是否不超过 maxBatchCount,找满足条件的最大 batchSize。帖主把下界写成 0 导致出错:batchSize 为 0 时除零,且语义上不存在「每批 0 个」。二分写法用 lo = 1, hi = max(a),mid = lo + (hi - lo + 1) / 2,满足则 lo = mid,否则 hi = mid - 1。
BM25 的分数由三部分相乘。 词频项做饱和处理,词频从 1 增到 2 的收益大于从 10 增到 11;逆文档频率项让罕见词权重更高;文档长度归一化让长文档不因词多而占优。词频低却高分,常见原因是这个词在整个语料里非常罕见(IDF 高),或者文档很短(长度归一化加分);如果查询里只有这一个词,它在文档中出现一次就足以让分数领先。回答时把「词频饱和、IDF、长度归一化」三件事分开说,再补一句参数 k1、b 的作用。
hybrid search 与纯语义的取舍。 纯向量检索擅长同义改写、口语化描述,但对精确型号、错误码、专有名词不敏感;关键词检索(BM25)对精确匹配强,却无法处理「意思相近但用词不同」。混合检索分别召回再融合,常见融合方式是 RRF(按排名取倒数求和)或校准后的加权。是否值得上混合,要用固定查询集对比单路与混合的召回率、延迟和成本,不能默认混合更好。
事件计数接口的设计。 逻辑模型是「用户 + 行为 → 次数」,最小实现是 Map<userId, Map<action, count>>;生产环境要考虑并发写入、内存上限、持久化与查询延迟。单机可用 ConcurrentHashMap 加 LongAdder,按用户哈希分片降低竞争;多机部署把计数放进 Redis(HINCRBY user:{id} action 1)或 ClickHouse / 流处理系统,写入走消息队列削峰,查询走缓存。接口设计成 GET /users/{id}/actions/{action}/count,写入侧保证幂等(事件 id 去重),并明确计数的时间窗口(全量、当日、近 7 天)。全局 map 的问题不只是线程安全:无界增长会 OOM、进程重启丢数据、多实例之间不一致。
RDMA 解耦这件事怎么讲。 先讲动机:Redis 的网络栈在通用内核路径上开销大,RDMA 把数据通路下沉到网卡,减少拷贝与 CPU 占用;再讲工程问题:RDMA 与 Redis 的事件循环、内存注册、连接管理耦合,改一处影响面大,所以把传输层解耦成可替换模块;最后讲验证:功能对拍、延迟与吞吐对比、异常注入(断链、重连、内存注册失败)。面试官追问「意义在哪」,要落到可测量的收益和可维护性,而不是「这是个新技术」。
动态加载的可靠性验证。 动态加载模块要验证四件事:符号解析与版本兼容(依赖缺失、ABI 不一致时明确报错)、加载失败可回滚(旧模块继续服务)、热更新期间的请求一致性(引用计数或读写锁,避免卸载时仍有调用)、资源释放(句柄、内存、线程)。测试上用故障注入制造缺符号、坏二进制、并发加载卸载,再看进程是否稳定、错误是否可观测。