面灵AI→

科大讯飞后端四面面经:RAG 检索、MCP 协议与大模型网关设计

科大讯飞 后端开发 多轮面试合集

科大讯飞后端面经:9 月一周一面,一面二面各半小时技术面,深挖浏览器插件翻译与智能翻译项目中的 RAG 实现、混合检索与重排、专家校对数据、向量索引类型、MCP 协议原理与大模型网关的产品化设计;三面 HR 面问项目难题、需求评估、跨团队分歧与求职动机;四面 VP 面因排期长期卡住。

2026-11

转转 AI 应用落地实习一面:RAG、单多 Agent 与 FDE 角色

转转 AI 应用落地实习生 一面

转转 AI 应用落地实习生一面(11 月 10 日),岗位偏 FDE、侧重业务 AI 提效。前半段是动机与稳定性:当前状态、上份实习离职原因、项目职责、团队协作、怎么看 AI 背景下岗位边界模糊、能不能稳定实习三到四个月、怎么和秋招平衡;后半段围绕 RAG 与 Agent:做的是不是传统语义召回、了不了解知识图谱与 GraphRAG、单 Agent 和多 Agent 各适合什么场景、简单任务与复杂任务怎么区分、是否了解 FDE 这个角色。

2026-11

字节即梦后端实习一面面经

字节跳动 后端开发 一面

字节即梦后端实习一面:岗位 JD 偏 Agent 开发与后训练,面试大部分时间在问项目,其中一道题问为什么代码检索从 RAG 转向了图检索(GraphRAG),另一道是场景设计题——股票交易推荐 Agent 有 8000 token 预算,突然来了 20000 token、分三类 JSON 的数据,要求给出处理方案并写代码。

2026-10

滴滴大模型算法岗面经:多头注意力、GRPO 与 RAG 全链路九问

滴滴 大模型算法

滴滴大模型算法岗一面九问,一条线从模型原理拉到 RAG 工程:多头注意力的动机与单头局限、GRPO 与 PPO 在 RLHF 里的核心区别、vLLM 的吞吐来源、推荐系统为什么引入 RAG 及知识库的构建流程、嵌入模型为什么选 BGE 与 FAISS 索引怎么建、chunk 划分策略、什么场景需要 GraphRAG、超长输入的几种主流解法,最后手撕乘积最大子数组。

2026-10

滴滴大模型算法岗面经(同场第二份记录):从注意力机制到 GraphRAG

滴滴 大模型算法

同一场滴滴大模型算法岗面试的另一份作答记录,九问原样一致:多头注意力与单头局限、GRPO/PPO 的差异、vLLM 为什么快、推荐业务里 RAG 的来源与构建、BGE 与 FAISS 的选型、chunk 策略、GraphRAG 的适用场景、超长上下文解法,以及乘积最大子数组。这份记录把同一组题按「原理—工程—业务—手撕」重排了一遍,更适合当作复习提纲。

2026-10