京东 算法工程师 笔试+一面 商品问答 RAG 深挖

《面试题目》

1. 笔试（90 分钟）：订单金额按城市汇总，边界怎么处理？
2. AICoding 笔试：题干给了一堆需求，你第一步做什么？
3. 一面（40 分钟）：讲一下你做的商品问答 RAG，整体链路怎么搭？
4. 召回不准怎么办？
5. 商品知识频繁更新，索引和缓存怎么保持一致？
6. 召回率怎么提升？
7. 向量库选型为什么用 HNSW？它在在线更新上的代价是什么？
8. 反问环节问了什么？

《参考解析》

汇总类笔试题的边界比算法本身值钱：按城市汇总金额用哈希聚合就是 O(n)，真正扣分的是边界：城市字段为空/串号（要不要归到「未知」桶）、退款导致的负金额（不能简单丢，也不能直接混进 GMV）、金额精度（用「分」存整数或 Decimal，别用 float）、城市名不归一（「北京市」和「北京」会被拆成两个桶）、数据量大到内存放不下（流式读 + 分批聚合）。先画处理流程再写代码，把这几条写进注释，比直接堆代码稳。

AICoding 题第一步是拆解，不是生成：先把题干拆成对象（实体和字段）、流程（先做什么后做什么）、接口（输入输出与约束）三块，写清最小可运行骨架，再补边界和异常分支。直接让模型整段生成，一旦需求有隐含约束就会整体跑偏，返工比手写还慢。

RAG 召回不准的常规解法：单路向量召回必然漏，工程上是三件事叠加。一是双路召回，关键词/BM25 管精确词（型号、规格、错误码），向量管语义泛化，两路结果融合。二是加重排，用 cross-encoder 类重排模型对粗排的 top-50100 精排，取 top-35 进 prompt，顺序必须是「召回→重排→生成」。三是切块策略，长文档拆父子块，用小子块（200~400 token）做检索、返回父块（或兄弟块）给模型，命中和上下文完整性都保住。

知识增量更新要管住索引和缓存两头：索引侧走增量 upsert 而不是全量重建，每条文档带 doc_id + 版本号 + 生效时间，删除用软删或 tombstone，后台定期合并重建图结构。缓存侧按 doc_id 精确失效，别用全量 flush，同时给旧版本设 TTL 过期，防止旧文档在 reindex 完成前被错误召回。热点商品单独做一层短 TTL 缓存，命中直接返回。

召回率怎么提升：查询侧做改写和扩展（同义词词典、把口语问法改写成商品术语、HyDE 先生成假设答案再检索）；数据侧做负样本挖掘去微调 embedding 或重排模型；切块侧调 chunk 大小与重叠度、做多路召回取并集；评估侧先建一套带标注的评测集，算 recall@k 和 MRR，任何改动都对着这套集子看涨跌，不然全是拍脑袋。

HNSW 的选型与代价：HNSW 是分层可导航小世界图，查询从上层稀疏图快速下钻，M 控制每个节点的邻居数、efConstruction 控制建图质量、efSearch 控制查询时的候选宽度，三者一起决定召回率和延迟。它的代价主要在写：插入要为节点连边，高并发写入下建图会拖慢并推高内存；删除一般只能标记删除，图会逐渐膨胀并留下垃圾边，需要周期性重建；内存占用是原始向量加整张图，比 IVF 系更吃内存。所以「读多写少、要低延迟高召回」选 HNSW，「频繁增删」要么换方案，要么接受重建成本。