重排 面试题
共 4 篇真实面经 · 涵盖 阿里巴巴 / 美团 / 商汤 / 小红书 等 4 家公司
阿里巴巴 AI Agent 应用开发一面:RAG、工具调用与检索融合
阿里巴巴 AI Agent 应用开发工程师一面:从一个售后查资料与整理工单的 Agent 项目切入,逐层追问为什么用 RAG 而不是微调、文档怎么切分、Embedding 与余弦/内积的区别、Function Calling 的完整流程、有了 JSON Schema 为何仍会出错,再回到模型基础(Attention 为什么除以根号 d、训练可并行而生成必须逐 token),最后是混合检索、重排与「正确文档进了上下文仍答错」的定位方法,并现场写一个 RRF 融合函数。
美团大模型应用算法一面复盘:RRF 融合、双塔与 Cross-Encoder、Golden Set 怎么建
一份按美团大模型应用算法一面进行的模拟备考复盘,三道题:RRF 融合与简单加权的区别及适用判断、Embedding 召回与重排模型在原理上的差异、Golden Set 的构建与忠实度评测的稳定性检查。复盘里承认 RRF 那题把分数和排名说串了,下一步重点补评分量表与重复评分的一致性。
商汤 AI 开发一面:RAG 切片、三路召回与 Memory 设计
商汤 AI 开发一面,没有自我介绍,直接讲实习经历后集中拷打 RAG 项目:文字、图像与表格的切片策略与大小,召回精度评估与重排模型,BM25 等三路召回的原理与优劣,以及 Memory 的设计。
小红书 端侧推理 一面:8 秒延迟拆解与 1024/256 父子块
小红书 Agentic 端侧推理优化实习一面,进二面。面试官每句话后面都跟着一个数字:system prompt 多长、单轮要选多少条工具、8 秒延迟用户能不能感知、是真实用户数据还是用线程数模拟的机型差异、父块 1024 子块 256 为什么这么切;后半场是医疗问答 RAG 的口语化改写、HyDE、BGE 重排与「模型说错一句话的代价」。