小红书AI产品工程师一面4月16号（已挂）
《面试题目》
- 请做一下自我介绍
- 你提到“问题导向”，具体是怎么体现的？
- PE（产品工程师）和传统后端开发有什么区别？
- 作为实习生经验不足，如何快速参与业务并给出建设性意见？
- 你在项目中是如何体现“问题导向”的？
- 多轮对话效果变差的本质原因是什么？
- ReAct 能解决上下文问题吗？
- 为什么？
- 你是怎么做上下文压缩的？
- 如何保证压缩过程中不丢关键内容？
- 如何判断哪些是关键内容？
- 长对话（20~30轮）怎么处理？
- 压缩本身会丢信息，你怎么控制？
- 为什么要用 topK + 元数据过滤？
- topK 是怎么实现的？
- （embedding 吗？
- 为什么不能只用 embedding？
- 为什么要结合关键词检索？
- embedding 相似 ≠ 语义相似，为什么？
- embedding 为什么会不准确？
- 如何提高 embedding 检索的准确率？
- 文本切分（chunk）策略怎么设计？
- 如果文本特别长（超过 token 限制）怎么办？
- 有没有了解业界的上下文压缩或检索方案？
- 你的系统一致性是怎么做的？
- Redis + MQ 是最终一致性还是强一致性？
- 秒杀场景可以用最终一致性吗？
- 这种方案会不会超卖？
- 你到底实现的是强一致还是最终一致？
- 如果要实现强一致性，应该怎么做？
- 多级缓存体系是怎么设计的？
- 如果没有缓存会有什么问题？
《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。
- 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。