面灵AI→

华为 AI 应用 11 月 20 日面经:一面到主管面,Agent 架构、RAG 与两道编辑距离手撕

轮次
多轮
时间
2026-11
来源
牛客网

《面试题目》

一面

  1. 自我介绍。
  2. 机考时的题目是怎么做的?当时是怎么考虑的?
  3. 你做的 Agent,整体架构是怎么设计的?
  4. 任务流是如何编排的?
  5. LangChain 与 LangGraph 有什么区别?为什么选它?
  6. 记忆是怎么做的?
  7. RAG 是怎么实现的?
  8. 手撕:与单词相关的题目,计算编辑距离。

二面

  1. 自我介绍。
  2. 最有成就感的项目是哪个?你在里面做了什么?
  3. RAG 的原理是什么?
  4. 大模型的幻觉是怎么产生的?如何缓解?
  5. 结合八股深挖实习项目:Transformer、KNN 等底层算法的原理。
  6. 实习项目整体的研发过程是怎样的?
  7. 手撕:同样与单词相关的题目。

主管面

  1. 自我介绍。
  2. 介绍一下你项目的背景,包括技术选型以及是怎么设计的。
  3. 项目里最难的技术问题是什么?解决过程是怎样的?
  4. 你在实习项目里负责哪一部分?如何与其他团队配合?
  5. 在校期间参加过哪些比赛?
  6. 最近在学哪些 AI 相关的知识?
  7. 为什么选择华为?了解华为吗?

《参考解析》

Agent 的整体架构要能分层说清:接入层(会话、鉴权、限流)、编排层(任务规划、状态机或图、工具路由)、能力层(工具集、检索、记忆)、模型层(模型选择、Prompt 模板、结构化输出)、可观测层(每步的工具、参数、结果、耗时、token 留痕)。面试官追问「任务流怎么编排」时,要落到具体的图结构:哪些节点是模型决策、哪些是确定性代码、条件边怎么判定、失败怎么回到上一步、循环上限是多少。把「模型只负责理解与决策、排序与校验交给程序」讲出来,比罗列框架名更有说服力。

LangChain 与 LangGraph 的区别:LangChain 提供的是链式组合与工具、检索、模型的统一封装,适合线性或简单分支的流程;LangGraph 把流程表达成带状态的图,节点是函数或模型调用,边可以是条件边,天然支持循环、人工介入(中断后恢复)、状态持久化与回放,适合需要多轮修正、长时间运行、或多 Agent 协作的场景。选择依据是流程里有没有环、需不需要在中断后恢复状态、需不需要可视化与逐步调试;简单问答用 LangChain 更轻,复杂任务用图更容易控制。

记忆的分层:短期记忆是当前会话的消息窗口(按 token 预算裁剪或摘要压缩);长期记忆是持久化的用户画像与历史结论,需要写入策略(什么值得记)、检索策略(按什么召回)与遗忘策略(过期与冲突如何处理);此外还有偏好记忆(输出风格、禁用词)与任务记忆(进行中的计划与中间结果)。工程上最容易出问题的是「全量塞进上下文」导致成本与干扰,正确做法是按需检索、把结构化事实与原文分开存。

RAG 的完整链路:文档解析(PDF 的版面、表格、扫描件 OCR)→ 切分(按标题层级或语义边界)→ 向量化与索引(向量库 + 关键词索引)→ 查询处理(改写、多路召回、过滤)→ 重排(cross-encoder 或模型打分)→ 组装上下文(控制长度、标注来源)→ 生成(要求引用、无依据时明说)。每个环节都能被追问:切分粒度怎么定、召回多少条、如何评估召回率、上下文冲突时听谁的。

幻觉的来源与缓解:预训练语料的统计拟合并不能保证事实正确,模型在知识缺失时会用流畅的语言补全;指令微调会强化「必须给出答案」的行为;上下文过长或检索到的内容自相矛盾时也会放大幻觉。缓解手段分三层:检索侧提高召回质量并给出处、生成侧要求「只依据给定材料、找不到就说不知道」并允许拒答、验证侧做事后校验(与来源比对、数值与实体核对、必要时用第二个模型或规则审查)。评测上要用「有答案 / 无答案」两类样本分别看,只测前者会把「敢于编造」误判成能力强。

编辑距离:dp[i][j] 表示把 word1 前 i 个字符变成 word2 前 j 个字符的最少操作数,转移是 dp[i][j] = min(dp[i-1][j]+1, dp[i][j-1]+1, dp[i-1][j-1] + (word1[i-1] != word2[j-1])),边界是 dp[i][0]=i、dp[0][j]=j。时间与空间都是 O(mn),空间可以用两行滚动数组压到 O(n)。面试里常接着问变体:只允许插入删除(最长公共子序列)、带权编辑距离、或是拼写纠错里的候选排序。

Transformer 与 KNN 的对比:Transformer 靠自注意力在序列内建模任意两个位置的关系,参数在训练时学得、推理时对每个输入做前向计算;KNN 是非参数方法,把样本存起来、推理时按距离找最近邻投票,无需训练但推理成本随样本量线性增长、对高维稀疏数据效果差。两者的连接点在于检索:RAG 的向量召回本质就是 KNN 的近似(HNSW、IVF),区别是距离度量与索引结构。被问到「底层算法」时要能给复杂度:暴力 KNN 是 O(Nd),近似索引把查询降到亚线性但牺牲召回。

研发过程的讲述框架:需求与指标(要解决什么问题、怎么衡量)→ 方案选型(对比了哪些、为什么选这个)→ 实现与踩坑(数据、训练、服务化的具体问题)→ 上线与观测(灰度、指标、告警)→ 复盘(哪里做得不好、后来怎么改)。主管面尤其看重「你个人的判断」而不是团队做了什么,每一段都要能指出「这是我的决定,依据是什么」。

主管面的常见题怎么答:最难的技术问题要选一个「有明确卡点、你定位到根因、方案有取舍」的案例,讲清排查路径与验证方式,不要选「需求太急」这类非技术问题。跨团队配合要给出具体机制:接口对齐的方式、联调与排期的做法、出现分歧时的决策依据。为什么选华为要落到具体业务与个人规划,避免空泛地夸公司;「最近在学什么」要说清学了什么、为什么学、做出了什么。