百度 面试题
共 31 篇真实面经 · 涵盖 百度 等 1 家公司
百度 Agent 开发 一面:代码生成平台的编译隔离与优惠券超卖
百度 Agent 开发一面 45 分钟纯项目拷打:Vue 代码生成后如何编译预览、多用户端口与资源、提示词增强与 Skills、workflow 到 ReAct 多智能体的演进,以及优惠券超卖与幂等。
百度 AI Agent 开发一面:提示词、上下文预算与异步并发十二问
围绕一个「根据笔记出题」的课程项目连环追问:提示词与 few-shot 的取舍、temperature 与 top_p 的区别、上下文超限的裁剪顺序、结构化输出与分层校验、工具参数语义与错误契约、Agent 循环的退出条件,最后落到 async/await 与 asyncio.gather 的并发实现。
百度 AI Agent 开发二面:流式解析、判分口径与事务边界
百度 AI Agent 开发工程师二面全程围绕一个「生成测验」的项目追问:流式输出改善的是什么、首字延迟与总耗时的区别、流式 JSON 怎么判断结束、中断后能否让模型接着写、客观题为何用程序判分、类别不平衡下准确率为何失效、按失败样本改提示词是否过拟合、Mock 与真实模型评估的分工、事务该覆盖哪些步骤、SQLite WAL 能否并发写,最后是一道「生成五题只显示两题」的排查题。
百度全栈开发面经:MySQL 索引与隔离级别、Redis 大 Key 治理与 AI 写码
百度全栈开发面经:MySQL 部分从索引原理问到 B+ 树与红黑树跳表的取舍、百万级数据要不要分库分表、四种隔离级别与幻读(RR 下快照读与当前读的差别);Redis 部分问什么时候该用缓存、排行榜用哪个结构、ZSET 大 Key 怎么定义与治理、集群主节点故障怎么恢复;后半程聊全栈经验与用 AI 写代码时的 code review、技术成长,最后手撕摩尔投票法变体并讲数学原理。
百度全栈开发实习一面:隔离级别、B+ 树对比与 Redis 大 Key
百度全栈开发实习一面(11 月 4 日),开场是自我介绍与项目:怎么做的、用 AI 写代码时遇到哪些问题、怎么排查;八股围绕 MySQL 索引、隔离级别与默认可重复读下是否还有幻读、B+ 树与红黑树/跳表的对比、用 Redis 做排行榜选什么数据结构、大数据量下的 Redis 大 Key 怎么优化;再问 AI 之后前后端分界是否还明显、自己更愿意做哪端;手撕是摩尔投票法的变体。帖主面完一周多没动静,默认挂了。
百度 Java 社招一面:vibe coding 与外排序
五年经验面百度成都社招 Java 一面,一小时全在工程判断力:vibe coding 反复出错时怎么收手、秒杀不准用 Redis 怎么防超卖、200MB 内存怎么排序 2GB 的 int32 数据,每题都被追问到边界、代价与天花板。
百度 Java 后端二面:Redis 热 key、B+ 树高度与 SSE 断点续传
百度 Java 后端二面(面后两小时通知通过):先问项目如何做高并发、Redis 热点 key 与同 key 并发访问怎么处理、工厂与策略模式解决了什么问题;再考 Redis 淘汰策略、MySQL 索引结构与 B+ 树高度、千万级数据量怎么估算、JMM 与垃圾回收、可达性分析;项目侧追问 RAG 的作用与流程、多 Agent 的分工协同、上下文管理、对话数据怎么存、SSE 断开与刷新页面后的断点续传、服务重启与多实例的一致性;算法合并两个有序链表。
百度测试开发一面:测试基础、QPS 口径与 Agent 双层循环
百度测试开发一面,面试官按清单逐项问:自我介绍与岗位相关经验、软件工程/软件测试/项目管理课程、软件测试基础与完整生命周期、接口自动化框架与 pytest、测试用例的组成、Linux 常用命令与排查命令;项目部分追问「3000 QPS 这个性能指标怎么判定、完整含义是什么、在多少并发下得出」;Agent 部分问 Agent 与 Harness 的理解及区别关联、面向复杂终端自主执行的 Agent 怎么实现、ReAct Agent 为什么要双层循环、单循环能否实现全流程、从哪些维度评估 Agent(端到端评测集之外的细粒度手段);手撕最长不重复子串并要求输出子串,过程中引导排查编译报错、作用域、命名问题;最后问岗位匹配、Hadoop、岗位工作内容(功能测试、性能测试、白盒代码测试、Agent 辅助开发、Agent 效果评估)与反馈。
百度 Agent 算法岗一二面面经:Agent 架构、上下文管理与 Skill 设计
百度 Agent 算法岗一面二面面经:一面从 Agent 核心模块与主流框架问起,覆盖 ReAct 与 Plan-and-Execute 的差异、海量工具下的 Token 爆炸与工具乱选治理、Agentic RL 的动机、全方位评测维度、单 Agent 与多 Agent 取舍以及上下文溢出方案,手撕翻转整数;二面转入源码阅读(OpenClaw、Claude Code)、记忆与上下文管理实现对比、工具错选根因、自定义 Skill 结构,并要求设计「预订明日上海机票」的完整链路与任务停滞的异常处理,手撕单词拆分。
百度 Agent 算法岗一二面面经:Agent 架构、上下文管理与 Skill 设计
百度 Agent 算法岗一面二面面经:一面从 Agent 核心模块与主流框架问起,覆盖 ReAct 与 Plan-and-Execute 的差异、海量工具下的 Token 爆炸与工具乱选治理、Agentic RL 的动机、全方位评测维度、单 Agent 与多 Agent 取舍以及上下文溢出方案,手撕翻转整数;二面转入源码阅读(OpenClaw、Claude Code)、记忆与上下文管理实现对比、工具错选根因、自定义 Skill 结构,并要求设计「预订明日上海机票」的完整链路与任务停滞的异常处理,手撕单词拆分。
9.22 百度 AI 智能体算法一面、二面、三面:从 JVM 与 MySQL 到 Agent 执行闭环
百度 AI 智能体算法三轮面:一面考 JVM、联合索引、间隙锁与 Redis 锁等后端基础,二面围绕 Agent 工具调用、任务闭环与多模态评测,三面深入容错状态机、模型路由与置信度校准。
百度架构一面:全链路可观测、断点续传与「让 MySQL 无上限集群化」
百度架构一面,二十道题几乎全部围绕实习项目做体系化追问:全链路可观测怎么落地、异常怎么用 Agent 快速定位、智能告警系统怎么设计、K8s 建 Pod 的时间花在哪、分片上传与断点续传细节、并发与串行传输的取舍、零拷贝,以及高并发评论服务与 MySQL 集群化的设计题。
百度日常实习二面:备份与导出的分块、死锁排查与合并 K 个有序数组
百度日常实习二面面经,含做题约 25 分钟:先问为什么实习结束后又找新实习、准备实习多久,以及此前做数据库与团队做文件存储的差异;实习部分深挖备份是单机还是集群、备份的作用与逻辑/物理备份的区别、表导出的自适应步长分块怎么做、为什么不用 LIMIT OFFSET、无主键与复合主键/稀疏主键/字符类型主键分别怎么处理、生产 bug 的现象与定位、死锁问题怎么排查;八股问 B+ 树与 LSM 树的读写特点与适用场景、Redis 的 AOF 与 RDB;手撕合并 k 个有序数组要求 O(k log n)。
百度后端一面(70 分钟):分片上传、布隆过滤器与 Agent harness 连环追问
百度后端一面持续 70 分钟,手撕三数之和,主体是项目深挖:分片上传的并行与合并、如何保证分片不重传、布隆过滤器误判原因、Redis 锁粒度与释放方式、CI/CD 搭建、线程池参数来源;随后转到 AI 工程——Agent harness 怎么理解、高风险审批怎么做、Claude Code 的记忆体系与 memory 评测回放、RAG 与 GraphRAG 的差别;八股覆盖 MySQL 回表与 B+ 树、Redis 数据结构、协程进程线程、CAS、用户态内核态、限流角度、排序稳定性。
百度后端一面(回忆版):集合源码、MVCC 与幻读、回表、手写二分查找
百度后端一面回忆版,八股密度高:ArrayList 与 LinkedList、HashMap 与 ConcurrentHashMap、volatile 与内存屏障、事务隔离级别与 MySQL 默认级别、幻读与 MVCC、InnoDB、回表、哈希冲突解决,以及实习难点;手写二分查找要求先在记事本写、再放进 IDE 运行。
百度二面:从兴趣爱好聊到 HTTPS 握手、URI 与 HTTP/2 多路复用
百度后端二面更像聊天:先聊兴趣、专业选择、实验室项目、求职进展与自我评价,再集中问计算机网络——TCP 与 UDP、打开网页走什么协议、怎么确认是 HTTP/2、URI、HTTP 与 HTTPS 的区别、证书与 TLS 握手、443 与 80 能否互换、URL 里为什么是两个斜杠;最后聊平时用什么模型和 AI 编程工具、Claude Code 与 Codex 的区别。
百度前端面试:JSX 与 Babel、SSE 流式输出与 RAG 多路召回
百度前端面试面经,题量大且偏工程与 Agent 方向:从 JSX 与 Babel 编译原理、浏览器渲染流程,到 React Hooks 缓存与虚拟 DOM、JSBridge 与 WebView 跨端;再到短轮询与 SSE 与 WebSocket 的选型、Webpack 构建流程与 Loader 和 Plugin 的区别;最后落到 Skills 与 MCP 与 A2A 的层次、Harness 工作流、Agent 上下文管理、RAG 多路召回与索引的必要性,并以二叉树层序遍历收尾。
百度前端日常实习一面二面:CSS、事件循环、HTTP 缓存与三层缓存优化
百度前端日常实习一面 70 分钟按 CSS、JS 基础、HTTP 缓存、Vue3 与项目、事件循环、AI 开发场景题分块推进,几乎每个知识点都要求结合自己的班课项目回答;二面 40 分钟只聊实习经历、工作强度与离职原因,两天后 HR 答复已凉。
百度后端一面面经:GMP 调度、切片机制与容器隔离
百度后端一面:操作系统内存管理与 CPU 访存、Go 的 GMP 与切片、MySQL 隔离级别、Redis 主从、k8s 与容器隔离,最后手撕链表节点交换。
百度成都 Java 社招一面
百度成都 Java 社招一面约一小时:vibe coding 的使用心得与失败兜底、百万级数据展示与 LRU、单表千万级查询优化、不用 Redis 的秒杀防超卖、乐观锁与 CAS、Netty 高效 IO,另有实现拉模式无锁消息队列与 200MB 内存排序 2GB 数据两道手撕。
百度大模型算法岗面经:多模态架构到 PagedAttention 的二面追问
百度大模型算法岗一面与二面题目:一面围绕多模态大模型架构、视觉语言 Adapter 与 Q-Former、ViT 原理、自注意力除以根号 d 的推导和多头注意力优势;二面转入后训练与 Agent 专项,考 MHA/MQA/GQA 的 KV Cache 占用、PagedAttention、图像生成模型技术路线与 Qwen3 代码补全 Agent 的工程问题。
百度大模型算法岗面经:多模态架构到 PagedAttention 的二面追问
百度大模型算法岗一面与二面题目:一面围绕多模态大模型架构、视觉语言 Adapter 与 Q-Former、ViT 原理、自注意力除以根号 d 的推导和多头注意力优势;二面转入后训练与 Agent 专项,考 MHA/MQA/GQA 的 KV Cache 占用、PagedAttention、图像生成模型技术路线与 Qwen3 代码补全 Agent 的工程问题。
百度大模型算法岗一二三面:手撕 LIS、道路片段索引设计与微调数据构建
百度大模型算法岗一二三面记录:一面手撕最长递增子序列,深挖实习与论文,再给一道千万级道路片段数据集的索引与匹配设计题;二面继续追技术细节并手撕最大子数组和;三面转向微调数据集的搭建、清洗与构造,以及日常怎么用 AI 编码工具、怎么 Review Agent 生成的代码。
百度大模型算法岗一二三面:手撕、道路索引设计与微调数据
百度大模型算法岗三面复盘:一面手撕最长递增子序列并设计千万级道路片段的连续匹配索引,二面深挖实习论文并手撕最大子数组和,三面聚焦微调数据集构建、清洗、AI 编码工具与代码 Review。
百度大模型算法岗一面面经:从 GRPO 训练细节到 CoT 数据集
百度大模型算法岗一面真题:面试官按简历逐项深挖 Agentic-GRPO 的业务场景、训练数据规模与配置、红蓝对抗主体设计、奖励函数维度,再问 Qwen 微调的数据筛选与配比、CoT 数据的自动化构建与降噪,收尾是交叉熵、SQL 与两道手撕。
百度大模型算法岗一面:Agentic-GRPO、奖励函数与 CoT 数据构建
百度大模型算法岗一面:全程围绕简历里的 Agentic-GRPO 项目深挖——适用场景、训练规模与配置、红蓝对抗的主体设计、奖励函数维度与调优;接着问 Qwen 微调的数据量级与配比、CoT 推理数据集的构建与质量校验,最后是交叉熵、SQL、数组最大值与最长公共前缀这些基础题。
百度 大模型算法 实习一面:SFT、OPD 与 GRPO
百度大模型算法实习一面:项目业务场景与基座模型规模、SFT 并行参数与训练问题、packing 的作用、MODP 与 SFT 的差异及融合实现、OPD 里 forward KL 与 reverse KL 的区别、OPD 生效的数学原理、OPD 与 GRPO 的差异、on-policy 与 off-policy、长多轮对话难点、SFT 与 RL 的分工、reward hacking,最后手撕多头注意力。
百度 大模型算法 实习一面:SFT、OPD 与 GRPO
百度大模型算法实习一面:项目业务场景与基座模型规模、SFT 并行参数与训练问题、packing 的作用、MODP 与 SFT 的差异及融合实现、OPD 里 forward KL 与 reverse KL 的区别、OPD 生效的数学原理、OPD 与 GRPO 的差异、on-policy 与 off-policy、长多轮对话难点、SFT 与 RL 的分工、reward hacking,最后手撕多头注意力。
百度多模态大模型一面(9.10):PPO 与 GRPO、DPO、持续学习、8 卡 A100 跑 7B VL 的 GRPO
百度 2026 年 9 月 10 日多模态大模型一面:项目深挖后进入训练目标与持续学习(PPO 与 GRPO 的差异、为什么做 DPO、持续学习的方法分类),再到 8 张 A100 训练 7B 视觉语言模型的 GRPO 场景题(Rollout / 推理加速、训练加速、验收指标)、通用训练加速手段、DeepSpeed ZeRO 三阶段、多头注意力变体(MQA/GQA/MLA/滑窗/稀疏)与 verl 类框架的加速机制,最后手撕 MHA。
百度 AI 大模型产品经理实习面经
百度 AI 大模型产品面经,重点考察开源模型选型、模型效果评估、C 端与 B 端差异、产品设计、竞品体验和职业规划。
百度 AI 产品经理日常实习一面面经
百度 AI 产品日常实习一面,重点考察求职方向、AI 项目、竞品与用户调研、Agent 选型、Query 分类、搜索链路和作品集。