AI Infra百度实习面经 狠狠拷打

万法AI一面 2026-2-4 1你项目中 ES 的数据是直接写入，还是从数据库同步后再查询？ 2ES 是否做了大宽表，通过 binlog 同步数据库数据？ 3项目中 ES 的索引是如何设计的？ 4数据库索引有哪些数据结构？ 5Redis 主要用在什么场景？ 6JVM 的垃圾回收器有哪些？CMS 的垃圾回收过程分哪些阶段？ 7平时写代码会用 AI 编程吗？ 8你项目中用 Spring AI 做图片识别，提示词写得多吗？用的什么模型？ 9若要实现一个 AI 小助手，需要记忆管理和向量库 RAG，该怎么实现？ 10AI 开发和传统开发有什么区别？各有什么优缺点？ 11如何解决或降低 AI 幻觉问题...

1️⃣切分策略（ chunk size / overlap ）怎么定的？拍脑袋还是实验出来的？2️⃣向量召回和关键词召回冲突时如何融合？3️⃣重排模型为什么这么选？延迟预算是多少？4️⃣你说线上提升2.1%，实验分桶方案是什么？5️⃣显著性怎么验证？样本量怎么算？6️⃣给一个你最失败的 bad case ，最后怎么定位的？7️⃣如果今天线上再次复现，你第一步看哪个监控？8️⃣SFT 数据如何清洗，怎么避免模板味太重？12) DPO 比 SFT 多解决了什么真实问题？9️⃣LoRA rank 为什么这么选？有没有做过 ablation ?1️⃣0️⃣QLoRA 稳定性问题你遇到过吗？如何兜底？1️⃣1️⃣手撕：括号生成，要求讲清楚剪枝逻辑。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

之前团队在做合同审查和研报问答两个 RAG 项目，踩了不少分块（Chunk）相关的坑。今天把这块经验整理一下，希望对正在做类似事情的朋友有点帮助。先搞清楚 Token 这个概念做 Chunk 之前，得先理解 Token。很多人把 Token 简单等同于"字"或"词"，这不太准确。Token 是模型实际处理的最小单元，中文大约 1.5-2 个字对应一个 Token，英文则大约是 0.75 个单词一个 Token。这件事为什么重要？因为不同类型的文档，Token 密度差异很大。我们实测过：一份 20 页的中文合同，大约 8000-12000 个 Token；...