小红书暑期一面（已挂）
《面试题目》
- 岗位：【27届实习】Product Engineer-产品工程师（AI与全栈方向）-社区工程
- 自我介绍，然后可以重点说你觉得你比较有代表性的一段项目经历。
- 我说的实习经历里的tab补全提示词那块的链路设计与重构。
- 【实习】我看这里还讲到用 workers KV 去做了一下 JWT 的鉴权这块我们是怎么迁移的？
- 【实习】那 workers KV 它的一致性模型是什么呀？
- 比如说会不会出现一些边界的一些badcase？
- 幸好准备了，是最终一致性。
- 【实习】那有什么解决方式方案吗？
- 我说这里的业务场景能接受最终一致性。但我感觉应该不对
- 【实习】你们做了一个状态机来管理这个评论的生命周期，一个是这个状态机的状态和转移是什么样子的？
- 然后另外我看我们这里有提到用了虚拟线程，就是采用虚拟线程的这个技术方案选型的原因是什么？
- 【实习】看我们这里还就是做了一些游标分页加乐观锁的一个优化。就是一个是在做游标分页和乐观锁之前，我们是怎么做的分页？
- 然后跟之前的比如说一些普通的 offset 分页，游标分页它的优势是什么？
- 【项目】RAG混合检索策略怎么做的？
- 召回的效果是如何评估的？
- 【项目】我们刚刚有提到做了一些 Chunk 切片的一些优化，那 Chunk 切片粒度它太大和太小，刚刚讲过，有可能有一些问题，就是如果它 chunk 切片粒度太大的话，它可能会造成什么样的问题？
- 太小的话还可能造成什么样的问题？
- 【项目】看我们的 agent 这里我们同时用了 react 和 plan-execute-replan 的两种模式，然后是两种应用场景，我们简单介绍一下为什么做这样子的技术选型，以及这两种为什么要这样选，以及为什么要分别用在这两个对应的场景上。
- 【项目】比如说你的 RAG 系统里面是有很多相应的一些知识库文档，然后在实际的生产环境里面，我们可能 RAG 系统里的文档可能会有一些频繁的更新，或者说增删减，那如果出现这种情况，就是出现向量索引与原文不一致的这种情况，我们该怎么保证这种问题导致的一些错误呢？
- 【项目】展开讲我们的记忆系统是什么样子？
- 【项目】那如果我们有一个长期运行的一个agent，用户的对话可能长年累月，比如说需要数月或者一年多的一个累计的一个历史对话，就是对话的轮数很多很多很多，那我们在记忆系统上能做哪些优化？
- 我们的经历里面其实大部分是 AI 相关的加后端的一些经历，那你觉得你对于你自己没有前端经验这一个 gap 是怎么看待的？
- 刚也提到 vibe coding，就是我们平常就是日常使用的一些 coding 工具是哪些？
- 共享屏幕，vibe coding 一个极简版的小红书网页版，用户可以做图文笔记的发布，然后就是不管你的信息展示页面是什么样子，就瀑布流或者怎样，可以在首页的那个信息流里面展示出你发布出来的内容。
- 【八股】哈希碰撞会在什么情况下发生呢？
- 【八股】哈希碰撞出现之后，我们有什么样的处理方式呢？
- 【八股】讲一下 LRU CACHE 它是一种什么样的缓存策略？
- 【八股】如果 Redis 它经排查我们发现它的内存碎片率比较高，那可能的原因是什么？
- 以及我们怎么排查和优化？
- 唯一一个没答出来的，，，
- 我们要在工程环境里面落地一套基于大模型的一个企业知识的一个agent。就是按正常的做法，我们可能需要选择一些合适的方案，比如说选择合适的向量数据库去存储embedding，并且支持刚刚讲到一些相似度检索的一些功能。就是我们现在有一些主流的一些向量数据库，那我们在这种场景下一个是该怎么做向量数据库的一个选型？
- 一个是如果需要优化一些检索召回的速度该怎么去优化？
《参考解析》
- AI产品与 Agent 项目：回答这类问题要先讲清目标用户和业务场景，再说明模型、数据、工作流、评测指标和上线后的真实使用效果。面试官通常更看重你能否把 AI 能力转成可落地的产品闭环，而不是只罗列模型名。
- RAG 系统：RAG 的核心是召回质量、切分策略、排序和答案可追溯。BM25 擅长关键词精确匹配，向量检索更适合语义相近的问题，工程上常用混合检索加重排来提升稳定性。
- 进程与线程：进程是资源分配单位，线程是 CPU 调度单位。同一进程内线程共享地址空间和文件句柄，但各自拥有栈和执行上下文；回答时可结合通信方式、上下文切换成本和故障隔离展开。
- 用户研究：用研回答要覆盖样本选择、访谈或问卷方法、洞察提炼和需求转化。面试官会追问研究结论是否真正影响产品决策，因此最好用指标或后续迭代结果闭环。
- 项目深挖：项目深挖的核心是讲清背景、目标、你的职责、关键决策、难点和结果。遇到追问时优先用数据、取舍理由和复盘说明自己的判断，而不是只描述流程。