OBSBOT 寻影 C++ 客户端一面:Android 组件、RAG 链路与 Reranker 优化
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 先简要介绍一下个人情况?
- 快手实习主要做什么业务开发?具体做过哪些功能?
- 去快手前是否有 Android 基础,还是入职后学?
- 第一个较大的需求是什么,主要模块有哪些?
- 群聊新人卡片、自定义消息和弱网乱序有哪些难点?
- RecyclerView、LiveData 等组件底层机制了解多少?
- 快手团队现在 AI 写代码多吗,还是主要人工 review?
- 个人 RAG 知识库是什么,是练手项目吗?
- 这个项目主要用 Python 还是 C++?
- RAG 的底层原理和整体链路是什么?
- 你怎么测试 RAG 系统效果?
- 项目持续做了多久?
- 开发过程中主要靠手搓还是 AI 辅助?
- 能否共享网站看一下?
- PDF 切片为什么会丢语义,后续如何优化?
- 最后一个消息队列项目是什么?
- 做这些项目过程中遇到的难点是什么?
- Reranker 很慢,有没有实际优化方案?
- 你未来职业规划更倾向什么方向?
- 反问:团队会在哪些音视频层面做自研或深度定制?
- 反问:校招生半年内做到什么程度算优秀?
《参考解析》
群聊新人卡片与自定义消息:新人卡片要在群聊流里插入系统消息、按成员加入顺序展示、避免重复插入(同一用户多次进群)、支持点击跳转;难点是「本地插入的消息」与「服务端拉取的历史」如何合并去重。自定义消息(如活动卡片、投票)要设计消息类型与 schema、向下兼容(老版本客户端收到未知类型不能崩)、渲染兜底(降级为文本/占位)。弱网乱序要结合消息 seq、本地队列与重试,保证最终一致与不重复。
RecyclerView 底层:核心是 LayoutManager(测量与布局)、Adapter(数据到 ViewHolder)、ItemAnimator(增删动画)、Recycler(缓存池,分 Scrap、Cache、ViewCacheExtension、RecycledViewPool 四级)。滑动时不断复用 ViewHolder,onBindViewHolder 要做轻量工作;notifyDataSetChanged 会全量重绑,应该用 DiffUtil 或局部刷新;嵌套滑动与预取(GapWorker)影响流畅度。
LiveData 底层:基于观察者模式 + 生命周期感知,LifecycleBoundObserver 在 STARTED/RESUMED 时激活、DESTROYED 时自动移除,避免内存泄漏;setValue 必须在主线程、postValue 会 post 到主线程(多次 post 只保留最后一次);粘性事件会导致新观察者收到旧值,需要 SingleLiveEvent 或事件包装类解决。它不处理背压,复杂场景用 Flow/RxJava。
RAG 效果怎么测:分两层。检索层:命中率(Recall@k)、召回片段的精确率、MRR,用人工标注的问题-片段对做评测集;生成层:答案正确性(与标准答案比对或 LLM 评分)、忠实度(答案是否只基于检索内容,有无编造)、完整性、引用准确性。工程上还要看延迟(检索 + rerank + 生成各占多少)与成本。测试集要覆盖:单跳事实、多跳推理、无答案(应该拒答)、口语化提问。
PDF 切片丢语义:按固定长度切会把一句话、一个表格、一个条款切断;页眉页脚与多栏排版会混入噪声;表格被拆成无序文本。优化:先做版面分析(识别标题层级、段落、表格、图片),按语义单元切分(章节、条款、问答对),块间加重叠;表格单独转成结构化文本(Markdown/JSON)并保留表头;给每个块加上「所属章节路径」的元数据,检索后能还原上下文;对超长块做二次切分并保留父子关系(small-to-big 检索)。
Reranker 慢的优化:rerank 是对 top-k 候选做精排,模型大、候选多就慢。手段:先粗排缩小候选(向量召回 top 100 → 关键词/规则过滤到 top 30 再 rerank);用更小的 rerank 模型或蒸馏版;批处理(把候选拼成一个 batch);量化/ONNX/TensorRT 加速;缓存(相同 query 的结果);把 rerank 放到异步或流式(先返回向量召回结果,rerank 完成再更新);按业务分层(简单问题跳过 rerank)。
AI 写代码与人工 review:团队里 AI 生成的比例可以如实说,重点讲 review 机制:谁审、审什么(接口、边界、错误处理、安全)、有没有测试与灰度。这题也在试探你对代码质量的态度。
职业规划:结合岗位讲:客户端 + 音视频/图像是这家公司的主线,可以讲「先做深客户端性能与多媒体链路,再往端侧 AI 推理/架构走」。给出时间尺度与验证方式,比「想成为技术专家」具体。
反问的价值:问「团队在音视频哪些层面自研」「校招生半年内的优秀标准」,这两个问题都能拿到真实信息:前者判断技术深度与你的成长空间,后者判断团队的期望是否合理。