百度大模型算法岗一二三面：手撕 LIS、道路片段索引设计与微调数据构建

《面试题目》

一面

1. 手撕：实现最长递增子序列，输出对应结果并说明优化思路。
2. 深挖实习项目与科研论文：实现细节、难点、你个人的核心贡献分别是什么？
3. 系统设计：现有千万级道路 ID 连续片段数据集，需要提前构建索引；给定超长道路查询序列，要快速匹配出所有完全连续重合的片段，要求索引构建成本最低、查询效率最优，说说整体设计方案。

二面

4. 继续追问实习与论文中的技术方案、实验细节、参数设计，以及踩过的坑怎么复盘？
5. 手撕：最大子数组和，写出完整实现并说明优化思路。

三面

6. 大模型微调场景下，如何完整搭建一份高质量的微调数据集？
7. 微调数据的标准格式、清洗规则、构造策略分别怎么设计？
8. 日常开发中常用哪些 AI 编码工具？
9. 具体说说你用 AI 工具辅助算法开发、代码落地的流程。
10. 长期使用 AI Coding 的实战心得、优势和现存问题有哪些？
11. 对 AI Agent 自动生成的工程代码，你会不会人工 Review？Review 的维度和校验流程是什么？
12. 结合自身经历，怎么规避 AI 生成代码的隐藏 Bug 和逻辑漏洞？
13. 聊聊个人职业规划、技术深耕方向和长期发展选择。

《参考解析》

最长递增子序列（输出具体序列）：只求长度是经典的 O(n log n)——维护 tails[i] 表示长度为 i+1 的递增子序列里最小的结尾值，每来一个数二分找第一个不小于它的位置替换。要求输出序列本身，就要额外记 prev 和每个元素在 tails 里的入位下标：替换位置 pos 的前驱是 pos-1 位置的元素，最后从 tails 末位回溯。常见的坑有两个：二分要用 lower_bound（严格递增），以及回溯必须用「入位时的下标」而不是当前 tails 数组的下标。

最大子数组和：Kadane 一遍扫，dp = max(a[i], dp + a[i])，同时维护 start/end 就能输出区间；全负数时要返回最大的那个单元素而不是 0。追问常往三个方向走：不允许取空子数组、允许删除一个元素（正反两遍 Kadane 拼起来）、返回和最大的区间（分治维护「区间和 / 最大前缀 / 最大后缀 / 最大子段」四元组）。

道路片段索引这道设计题：本质是「在一篇长文本里找出所有出现过的词典词」，把道路 ID 当成字符即可。几个可讲的方案：

• AC 自动机：把所有片段建成 Trie 加失配指针，查询序列扫一遍就能报出所有命中位置，查询 O(n + 命中数)，构建 O(片段总长度)。这是最贴合「超长查询序列 + 要全部命中」的解法，代价是内存——千万级片段的全量 Trie 很大，需要按首 ID 分片、或者用双数组 Trie / 持久化结构落到磁盘。
• 首尾指纹 + 倒排：索引只存每段的「起点 ID → 段列表」和段长、终点 ID，查询时对序列里每个位置按首 ID 查倒排，再用哈希或逐位比较校验整段。构建成本极低（一条片段一条记录），代价是查询要看候选数，重复首 ID 多时会退化。
• 滚动哈希滑窗：对每条片段算 (长度, 哈希) 存哈希表，查询序列上按每个不同长度做滑窗哈希，O(n × 不同长度数)。适合长度种类少的场景，代价是可能有哈希碰撞，需要二次校验。

答的时候把「索引构建成本 / 查询复杂度 / 增量更新 / 内存」四件事分开说，再点明「连续重合」是子串完全匹配、不能只比首尾，基本就是面试官想听的结构。

微调数据集怎么搭：先定任务形态再定格式——单轮指令用 prompt/completion，多轮对话用 messages（system、user、assistant 分开），偏好训练则要成对的 chosen/rejected。数据来源通常是业务日志、人工标注和模型合成三条线，关键是留一份独立的评测集，别让训练集和评测集同源。清洗至少做四件事：完全去重 + 近重复（MinHash / SimHash）、脱敏、去掉模板化废话和截断样本、检查标签与参考答案的一致性。构造上做难度分层和配比（难例、长尾、多语言各占多少），并用小模型或规则先做一遍质量过滤。最后一定要有「训练前 baseline → 微调后同一评测集」的对比，否则没法证明数据集真的有用。

AI Coding 的实战口径：提效主要落在样板代码、单测、重构和读陌生代码库；问题集中在三类——编造不存在的 API、隐式假设业务约束、上下文给不全导致改错地方。比较稳的用法是先让它读代码、复述方案，人确认后再让它出小 diff，每步都跑测试和类型检查；大块生成一次几百行，Review 成本比手写还高。

Review Agent 生成代码的维度：正确性（边界、空值、并发与幂等）、安全（注入、越权、密钥硬编码、日志泄露）、性能（N+1 查询、无界循环、复杂度）、可维护性（命名、重复逻辑、抽象是否过度）、依赖与许可证、测试是否真的覆盖了改动。校验流程一般是：静态检查 + 单测先行 → 人读关键路径 diff → 灰度或影子流量 → 监控告警兜底。

职业规划这类开放题：讲清楚「现在的能力盘子 → 想深耕的方向 → 为什么这个方向对业务有价值」三段即可，避免空喊「想成为专家」；能给出一个近一年的具体动作（比如把某个方向的论文复现到线上、把某类数据 pipeline 做稳定）比宏大叙事更可信。