3.25小红书产品工程师一面
《面试题目》
- 一面已通过。
- 介绍实习时的主要工作
- 本科时是否做过服务端相关项目
- Java垃圾回收机制
- 会存在内存碎片化之类的问题吗
- Java Spring的Bean的生命周期是什么样子的
- 介绍Java多线程
- 轻量级锁自旋失败，转换为重量级锁的过程是什么样子的
- 如果要设计一个高并发的订单号生成器，要求全局唯一且可以递增，应该怎么设计
- 能介绍一下上下文工程和Harness工程的区别吗
- 上下文summary的策略是什么样子的
- 怎么去缓解内容被压缩导致结果失真的问题
- RAG文档的分片策略是怎么样子的
- 假设召回的一个片段不足以解决问题，怎么优化
- 对于更深入的场景，比如文档有语义或组织关系，召回的片段可能指向别的文档，怎么优化
- 了解过 Agentic search 吗
- React 和 Plan Execute模式的区别
- 如果是比较复杂的场景，既需要 Plan Execute，又需要 React 及时感知进度或外界信息并做反馈调整，这种场景需要怎么设计
- 项目是否拿到上线后的测试数据
- 假设项目需要升级，需要定位到具体出问题的代码，怎么做
- 假设没有堆栈报错，怎么做
- 现在需要做成通用平台或工具，给所有业务使用，怎么设计这样一套工具
- 怎么把人在排查问题中积累的经验给到系统
- 大模型的工具调用能力是什么
- MCP和Skill的区别是什么
- 介绍CNN和Transformer的区别
- 为什么位置编码能够体现句子中分词的关系
- 为什么说模型有上下文限制
- 像 Cloude 这种模型，上下文窗口可能只有 200K，并不大，为什么不做得更大一些呢
- 模型的参数量是什么时候定的
- 为什么提供这么多不同参数量的模型
- 像模型上层的 SFT、Lora 这些微调，之前有做过吗
《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。
- 模型微调：微调适合在任务边界稳定、数据质量可控、单靠提示词难以稳定提升时使用。回答时要说明训练数据来源、标注口径、验证集设计、准确率指标含义，以及上线后如何监控幻觉和退化。
- 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。
- 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。