哔哩哔哩
共 14 篇面经 · 后端开发 / Java开发 / 广告 / AI Agent开发 / AI应用开发
哔哩哔哩 后端三面
哔哩哔哩后端三面面经：项目背景与收益、流量数据采集与打点层次、多个有状态服务的调度、跨国家/区域数据分析的算子放置设计，以及写操作可靠性保障和 AI Native 化背景。
b站（哔哩哔哩）Java 开发一面面经：线程池、AQS、JVM 与取数 Agent
b站会员购 Java 开发一面面经：无手撕，先问实习转正、工作地点与 offer 情况，再考线程池原理、AQS、JDK 8/13/17/21 的内存结构与 GC 变化、聚簇与非聚簇索引、explain 关注点，随后深挖滴滴取数 Agent（ReAct、框架选型、GC 治理、线程池批量查询）与校园招聘智能助手项目，最后问 Spring 事件总线与对 AI 冲击程序员行业的看法。
BILBIL 广告二面凉经：线程池、事务失效与 CDC 幂等
B 站广告二面凉经（9 月 5 日），项目实习部分略过，技术问题密度很高：ThreadPoolExecutor 核心参数与执行流程、Tomcat 线程池与 JDK 线程池的差异、联合索引的最左前缀与范围查询影响、Spring 事务失效场景与传播行为、AOP 代理与 ThreadLocal 的连接绑定，以及 CDC + Kafka 链路、本地事务表/Outbox、Kafka 重复投递下的消费幂等，最后手撕字符串大数加法。
哔哩哔哩 AI Agent 开发一面面经全解析
哔哩哔哩 AI Agent 开发一面记录，18 道题覆盖 Agent 核心模块与 Chatbot 的区别、意图识别的三种实现与少样本稳定性、RAG 全流程与召回问题定位、切片与 Embedding 选型、LangChain 与工具调用机制、记忆设计与循环保护，最后手撕合并重叠区间。
哔哩哔哩AI应用开发实习一面面经复盘
哔哩哔哩 AI 应用开发（Agent 方向）实习一面复盘，全程场景题：FFmpeg 抽帧与关键帧依赖、千万级视频异步分层与背压、Agent 模块解耦与数据契约、多模态时间戳对齐、沙箱隔离与 JVM 调优，最后一道字符串替换手撕。
B站 AI Native 基础架构研发工程师一面：项目深挖与 Redis bitmap 追问
哔哩哔哩 AI Native 基础架构研发工程师一面面经。面试从项目的产品定位、运维排障链路一路追问到 Milvus 与 ES 的分工，随后考察 Redis 数据结构与分片上传的 bitmap 方案、Java IoC 与 AOP、MySQL 索引与 ThreadLocal，手撕删除有序链表重复元素 II。
哔哩哔哩二面：服务治理与AI评测体系
哔哩哔哩9月22日二面，围绕服务注册发现与RPC调用链路、控制面流量规则下发与同机房选路、负载均衡策略展开，并深入Agent在规范治理中的角色、评测体系指标与RAG检索优化。
4 年 Java 后端面 B 站：Redis 与 MySQL 深挖，三面 OC
4 年经验 Java 后端面 B 站：一面 45 分钟顺着 Redis 持久化、Redis 集群、MySQL 日志体系连环追问；二面设计高可用直播弹幕系统并深挖 QPS；三面考线上 P1 故障排查，三轮技术面加 HR 面后 OC。
B站推荐算法一面：生成式召回与SID编码13问
B站推荐算法一面面经，13 个问题集中在生成式召回链路：SID 语义编码体系与曝光容量约束的权衡、编码碰撞率的统计与缓解、SFT 与 LoRA 微调方案、超长行为序列与冷启动、生成式召回的推理降延迟，以及双塔模型的固有缺陷与三种训练范式。
B站推荐算法一面面经：生成式召回13问详解
B站推荐算法一面原题整理，13 问覆盖 SID 语义编码与曝光容量约束、量化误差与业务约束的权衡、编码碰撞、SFT 与 LoRA 微调、长短序列与冷启动处理、生成式召回降延迟，以及双塔缺陷、三种训练范式和 InfoNCE 温度系数。
B站推荐算法二面面经：生成式召回落地与稀疏信号建模
B站推荐算法二面 10 题，从 RQ-Kmeans 聚类召回的改进与生成式召回的实验设计问起，延伸到多通路融合、多目标框架、中小 UP 主扶持，并深挖一键三连与弹幕数据的建模方式，最后落到同质化与信息茧房的量化指标和长期生态目标。
B站推荐算法二面：生成式召回与多通路融合 10 问
B站推荐算法二面 10 问，全部围绕线上落地：RQ-Kmeans 聚类召回的改进、生成式召回与传统召回的融合兜底与权重、多目标多场景下的召回框架迭代、中小 UP 主流量扶持的算法方案，以及一键三连、弹幕等信号的建模与多样性、长期生态指标的度量。
B 站推荐算法秋招面经：生成式召回与多任务模型
B 站推荐算法秋招面经，十道题集中在生成式召回与多任务建模：SID 范式的落地兑现、RQ-VAE 的流程与梯度传播、STE 之外的梯度截断解法、MMOE 与 PLE 的专家坍缩、Focal Loss 在多任务中的取舍，以及 DIN 注意力的复杂度。
B 站推荐算法秋招面经：生成式召回与多任务模型
B 站推荐算法秋招面经，十道题集中在生成式召回与多任务建模：SID 范式的落地兑现、RQ-VAE 的流程与梯度传播、STE 之外的梯度截断解法、MMOE 与 PLE 的专家坍缩、Focal Loss 在多任务中的取舍，以及 DIN 注意力的复杂度。
微信小程序
手机上刷面经，随时随地
扫码 / 长按识别，免下载直接打开
或在微信 搜一搜「面灵面经」