推荐系统 面试题
共 15 篇真实面经 · 涵盖 得物 / 快手 / 58同城 / 昆仑万维 / 美团 等 9 家公司
得物 Java(推荐系统)一面:Agent 信息准确性、Spring AI 与 TCP/IP
得物 Java(推荐系统)一面(约 30 分钟,无手撕):自我介绍后围绕简历项目提问,重点追问 Agent 工作中如何保证信息准确性、Spring AI 的关键组件、TCP/IP 整个体系、TCP 与 UDP 的区别,以及「能不能用 TCP 客户端向 HTTP 服务器建立请求并接收响应」。
快手 OneRec 算法岗一二面:生成式召回、单层 SID 与 DPO
快手 OneRec 算法岗一二级面:一面问生成式召回在推荐链路怎么落地(新增通路还是替换)、层级 SID 改成单层表征后输入输出变化与舍弃层级的原因、线上模型的迭代与全量/增量更新、特征与结果是离线预计算还是实时生成、长序列召回架构与损失设计、线性注意力与标准多头注意力的差异,手撕三数之和;二面问用大模型优化 OneRec 的完整落地思路、方案被全盘否决后怎么推进、单层 SID 的核心痛点与创新价值、DPO 与 PPO/GRPO 的适配差异、曝光消耗 ADVV 同涨怎么判断效果、LoRA 初始化与 RMSNorm/LayerNorm、AUC 与 GAUC 的选用边界。
快手 OneRec 算法岗一二面:生成式召回、单层 SID 与 DPO(同题重发)
快手 OneRec 算法岗一二级面:一面问生成式召回在推荐链路怎么落地(新增通路还是替换)、层级 SID 改成单层表征后输入输出变化与舍弃层级的原因、线上模型的迭代与全量/增量更新、特征与结果是离线预计算还是实时生成、长序列召回架构与损失设计、线性注意力与标准多头注意力的差异,手撕三数之和;二面问用大模型优化 OneRec 的完整落地思路、方案被全盘否决后怎么推进、单层 SID 的核心痛点与创新价值、DPO 与 PPO/GRPO 的适配差异、曝光消耗 ADVV 同涨怎么判断效果、LoRA 初始化与 RMSNorm/LayerNorm、AUC 与 GAUC 的选用边界。
58 同城 C++ 一面:突增流量、短链、大文件与推送系统设计
58 同城 C++ 一面面经,8 道系统设计题:突增流量的应对、反爬虫、高并发计数器、短链服务、图片视频存取、搜索排序与相关性、推荐召回路里 C++ 的职责,以及消息推送系统。
昆仑万维 27 届校招 AI Agent 开发二面:行程规划 + 推荐系统 + RAG
昆仑万维 27 届校招 AI Agent 开发二面,以「如果让你设计一个功能」为开头连续追问:行程规划 Agent 的工具编排与多轮澄清、RAG 切分与混合检索、生成式推荐的样本与评估、双塔召回与语义 ID、记忆压缩与十万级 QPS 调度,最后手撕双塔前向传播。
美团 Agent 开发一面:Markdown 没标题怎么切分?
美团 Agent 开发一面面经:以“周末去南京玩两天”的行程规划 Agent 为主线考工具编排与异常处理,深挖 RAG 的 Markdown 切分、短 Query 与长 Chunk 的向量化对比、混合检索与 RRF,另含电商搜索排序 Agent 与推荐理由评估。
淘天 Agent 开发二面:30 多道场景题与系统设计追问
淘天 Agent 开发二面:面试官不开摄像头、开场直接抛场景题,全程围绕智能客服 Agent 的职责拆分与记忆设计、高并发下的容灾降级、大模型在推荐链路各环节的作用、双塔与生成式召回的取舍、信息茧房与 AB 实验,以及 Skill 治理、部门知识沉淀、动态 workflow、幻觉与事实锚定、多 Agent 协作和模型调用链路优化,最后手撕双塔召回的前向传播。
腾讯混元 AI Infra 一面:张量并行/数据并行/流水线并行的连续追问
腾讯混元 AI Infra 一面题单:从张量并行的权重切分切入,连续追问 Linear/Attention/FFN 的行列并行与通信阶段、QKV 与多头注意力的切分方式、为什么 FFN 用列并行加行并行的组合、并行规模与加速比的瓶颈、All-Gather/Reduce-Scatter/All-Reduce 的通信量计算、如何判断训练进入通信瓶颈,再对比数据并行与张量并行的本质差异与扩容选择、流水线并行的 Stage 切分与 Bubble 优化、流水线对推理延迟的影响、上下文并行如何处理超长序列的跨卡 Attention,最后一道是 QQ 空间好友动态推荐的设计题。
腾讯混元 AI Infra 一面(同场重复投稿):张量并行/数据并行/流水线并行的连续追问
腾讯混元 AI Infra 一面题单(与同批另一帖内容相同,属同场重复投稿):从张量并行的权重切分切入,连续追问 Linear/Attention/FFN 的行列并行与通信阶段、QKV 与多头注意力的切分方式、为什么 FFN 用列并行加行并行的组合、并行规模与加速比的瓶颈、All-Gather/Reduce-Scatter/All-Reduce 的通信量计算、如何判断训练进入通信瓶颈,再对比数据并行与张量并行的本质差异与扩容选择、流水线并行的 Stage 切分与 Bubble 优化、流水线对推理延迟的影响、上下文并行如何处理超长序列的跨卡 Attention,最后一道是 QQ 空间好友动态推荐的设计题。
企业微信测开一面:两道 Hard 加 Agent 系统连环追问
企业微信日常测开一面:无自我介绍直接 ACM 模式写合并 K 个升序链表和戳气球,随后全追 Agent 框架、推荐冷启动、Go Context、离线评测集设计与性能瓶颈。
西安初创小厂后端一面(30 分钟):推荐算法、Spring AI 重排与秒杀库存一致性
西安一家初创公司 30 分钟一面,全程围绕简历项目:个性化推荐流程、用 Spring AI 做语义重排序与 Prompt 设计、MySQL 索引为什么用 B+ 树、慢 SQL 排查、秒杀架构与 MySQL/Redis 双写一致性、HashMap 扩容与 JDK 版本变化、智能客服的幻觉与降 token 手段、JWT + ThreadLocal 鉴权及防伪造、桌面计算器设计、Agent 工作流与 AI 工具使用习惯。
小红书算法岗面经合集:传统机器学习、大模型架构与推荐检索
小红书算法岗七场面试合集:传统机器学习考分词与 NER、分类与回归、XGBoost 与 LightGBM 的差别、监督与无监督与强化学习、K-Means,以及项目选型、踩坑与北极星指标;大模型架构覆盖自注意力、RoPE、MoE、MHA 与 MQA 与 GQA、LayerNorm 与 RMSNorm、预训练与后训练、Decoder-only 的由来;另有模型规模化的算力账(参数量与 FLOPs、PS 存储、训练速度与机器数)、RAG 流程与切片粒度、召回与粗排精排的经典模型、NDCG 与 AUC 与二分类 loss、负采样与高热打压,以及生成式推荐的码本坍塌、sid 质量与幻觉治理;手撕考螺旋矩阵、O(N) 求第 K 大、立方根与岛屿数量。
9.22 小红书 大模型算法三轮:图文匹配、生成式排序与推荐链路排障
小红书大模型算法三轮(含机考):机考考加权热度 TopN、评论归属匹配与带时间衰减的生成式排序;一面压多模态内容理解、LoRA 与显存、评测与数据漂移;二面压推荐链路排障、特征穿越、AB 实验与多目标融合,收尾手撕链表两两交换。
小红书大模型算法面经:笔试到 HR 面全流程
小红书大模型算法岗全流程面经,覆盖机考三题(加权热度排序、图文匹配、时间衰减排序)、一面多模态与训练细节、二面推荐系统与 AB 实验、HR 面反问,以及手撕链表两两交换节点。
快手26届Java后端春招三面面经(2026)
快手26届Java后端春招三面+HR面经,技术考点覆盖并发工具(CountDownLatch/Semaphore/Future)、ConcurrentHashMap原理、JVM垃圾回收与FullGC排查、MySQL聚簇索引,三面侧重系统设计:实验平台分流、短链接生成、推荐系统多路召回设计。