百度大模型算法岗一二三面：手撕、道路索引设计与微调数据

《面试题目》

1. 手撕：实现最长递增子序列，输出结果并讲优化思路。
2. 深挖实习项目、科研论文的实现细节、难点与个人贡献。
3. 系统设计：千万级道路 ID 连续片段数据集，提前构建索引；给定超长道路查询序列，快速匹配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。
4. 手撕：最大子数组和，写完整实现与优化思路。
5. 大模型微调场景下，如何搭建高质量微调数据集？
6. 微调数据的标准格式、清洗规则、构造策略怎么设计？
7. 日常开发常用哪些 AI 编码工具？
8. 具体说明你用 AI 工具辅助算法开发、代码落地的流程。
9. 长期使用 AI Coding 的心得、优势与现存问题。
10. 对 AI Agent 自动生成的工程代码，你是否人工 Review？Review 的维度和校验流程是什么？
11. 如何规避 AI 生成代码的隐藏 Bug 和逻辑漏洞？
12. 个人职业规划、技术深耕方向与长期发展。

《参考解析》

最长递增子序列：O(n²) 的 DP 是 dp[i] = max(dp[j]+1)，j<i 且 nums[j]<nums[i]；O(n log n) 用贪心 + 二分维护 tails 数组，tails[i] 表示长度为 i+1 的递增子序列的最小结尾，遍历时二分找到第一个大于等于当前数的位置替换，长度即为答案。要输出具体序列，需要额外记录前驱索引和每个长度对应的末尾位置，最后回溯。注意严格递增与非严格递增的二分边界不同。

道路片段索引设计：把每条道路表示成 (road_id, start_offset, end_offset)，查询序列是一串道路 ID 的连续拼接。核心是把“连续重合”转成“序列匹配”。一种方案：对每个道路 ID 建偏移索引，查询时以序列第一个道路为锚点，取出所有包含该道路的片段候选，再逐段验证后续道路是否按顺序连续；为了降低候选量，用“稀有道路”做锚点（倒排表按出现频率排序），或对长度为 k 的查询先匹配 k-gram 的哈希。索引构建成本要低，可以只建道路到片段的倒排 + 片段内道路序列的滚动哈希；查询时先用倒排取候选，再用哈希/双指针验证。要讲清复杂度、内存、更新（新增片段）和误匹配处理。

最大子数组和：Kadane 算法，cur = max(nums[i], cur + nums[i])，ans = max(ans, cur)，O(n) 时间 O(1) 空间；要输出区间就记录起点。全负数时答案是最小负数，初始化不能设 0。追问可以讲分治解法（跨中点最大和）和前缀和解法。

微调数据集：先定义任务和评测标准，再收集数据：真实业务日志（脱敏）、人工标注、专家构造、开源数据、模型合成。每条样本包含 instruction/input/output，必要时加 system、工具调用轨迹、拒答样本。清洗规则：去重（精确 + 语义近邻）、去隐私、去低质（长度、语言、格式）、去污染（与评测集重叠）、平衡分布（任务类型、难度、长度）、统一格式。构造策略：难例挖掘、错误纠正样本、多轮对话、负样本、边界样本；训练集/验证集/测试集按时间或业务切分，避免泄漏。数据量不是越多越好，质量和小规模高质量 SFT 往往更有效。

AI Coding 与 Review：流程可以是“拆任务 → 给上下文和约束 → 生成 → 静态检查/单测 → 人工 Review → 小流量验证”。Review 维度：正确性（边界、异常、并发）、安全性（注入、越权、密钥）、性能（复杂度、N+1、内存）、可维护性（命名、重复、耦合）、测试覆盖。隐藏 Bug 常见于空值、类型转换、时区、浮点、并发竞态、错误吞掉、资源泄漏；用 lint/typecheck、单测、fuzz、代码扫描和人工走查兜底。Agent 生成的代码要特别看它是否“看起来合理但调用了不存在的 API”。

职业规划：短期做深大模型应用链路（RAG、Agent、评测），中期在某个业务域形成端到端落地能力，长期往算法架构或技术负责人走。要结合百度/岗位业务说，不要泛泛而谈。