PDD春招前端面试面经&建议

#牛客AI配图神器##发面经攒人品#
 面试流程速览
- 形式:视频面试
- 时长:60分钟左右
- 轮次:春招前端(业务+算法+手写实战)
- 特点:重项目深挖+高频手写+现场手撕算法,节奏非常快

---

一、面试真题(完整回忆版)
 1. 开场必问
- 自我介绍(1分钟以内,突出项目与技术栈)
- 实习期间做过的核心业务、遇到的**重难点**
- 项目卡顿问题排查:你是怎么定位、怎么优化的?(面试官重点追问)

 2. 项目深挖(AI相关)
- AI项目具体做了什么功能?
- 用了哪些AI SDK?整体架构怎么设计?
- 有没有用到LangChain?为什么没用?
- 理论掌握程度 vs 工程落地能力(面试官明确看重**实战落地**)

 3. 手撕代码环节(高频原题!)
1)**算法题**
LeetCode 寻找峰值(二分查找)
- 要求:不能本地测试,直接写思路+代码
- 注意:边界条件、mid计算、左右判断
- 踩坑:面试官会逐行挑错,哪怕逻辑对也会抠细节

2)**前端手写组件**
**倒计时组件(大厂超高频)**
- 用 requestAnimationFrame 实现
- 追问:**60帧下raf间隔多少ms?**
  - 标准:16ms 左右
  - 面试官提示:可按 30ms 理解作答

4. 反问环节(超有用干货)
我问了两个问题,面试官直接给了学习路线:
1)前端+AI 学习建议
- 看 Claude Code 源码,学习 Agent 设计
- TS 是 AI 前端开发主流语言,必须吃透
- 动手做:构建 Agent,集成 Skills、MCP、Tools
- 练手:用 VibeCoding 写一个浏览器插件

2)业务方向
PDD 前端业务覆盖广泛,侧重**性能优化、复杂交互、稳定性、高并发场景**

---

 二、二面核心考点总结
1. **项目真实度**:必须讲清楚难点、卡点、解决方案,不要虚
2. **性能优化**:卡顿、渲染、长任务是必考点
3. **算法**:二分查找是高频简单题,一定要熟练
4. **前端实战**:倒计时、懒加载、防抖节流、SSE 这类组件必考
5. **技术视野**:前端+AI 是现在 PDD 重点关注方向

---

 三、给后续同学的避坑建议
1. 算法题哪怕写对,也要**讲清思路**,不然容易被判定背题
2. raf、定时器、渲染机制这类基础要牢,别临场卡壳
3. AI 项目不要只说概念,**一定要有落地代码/架构**
4. 实习经历重点突出:**问题→方案→效果**,逻辑清晰
5. 反问环节多问学习&业务,能大幅加分

---
全部评论
请问拼多多oc了吗
点赞 回复 分享
发布于 04-16 18:49 北京

相关推荐

05-04 08:24
东南大学 C++
一、基本情况与项目背景1.请做一个简单自我介绍。2.你简历里的两段 AI 项目和字节实习经历,整体技术背景是什么?二、计算机基础3.顺序存储和链式存储有什么区别?在随机访问、遍历、插入删除上的效率分别如何?4.HTTPS 的加密原理是什么?对称加密和非对称加密有什么区别?为什么 HTTPS 要结合两者使用?5.高并发场景下,数据库性能可以从哪些方向优化?比如索引、分库分表、缓存分别适合解决什么问题?6.Redis 缓存穿透、缓存击穿分别是什么?一般怎么解决?三、RAG 与检索系统7.RAG 的完整流程是什么?从文档处理、分块、向量化、索引、检索、重排到生成答案,每一步分别做什么?8.混合检索一般包含哪些方式?向量检索和关键词检索分别适合什么场景?9.向量检索在哪些情况下表现不好?比如专业名词、日期、编号、精确字段为什么更适合关键词检索?10.如果 RAG 检索质量比较低,可能是什么原因?你会从 Query 改写、Embedding 模型、Top-k 召回、重排、关键词匹配等方面怎么优化?四、大模型生成参数与输出控制11.如果希望大模型输出更稳定、更确定,可以调整哪些参数?Temperature、Top-k、Top-p 分别有什么作用?12.除了调参数,提示词层面如何提高输出的准确性、确定性和可追溯性?五、LangChain / LangGraph 技术选型13.你的项目为什么选择 LangChain?14.LangChain 和 LangGraph 的区别是什么?什么场景下 LangGraph 更适合?六、Multi-Agent 架构设计15.你的多 Agent 系统是怎么设计的?主控 Agent、子 Agent、分析 Agent 分别负责什么?16.多 Agent 之间是如何协作的?任务编排、工具调用、状态管理和结果汇总是怎么做的?17.相比单 Agent,多 Agent 在上下文隔离、职责拆分、问题排查方面有什么优势?又会带来哪些复杂度?七、金融 Agent 的幻觉控制与冲突处理18.金融场景对准确性要求高,你做了哪些减少幻觉的设计?比如降低 Temperature、引用来源、无依据不输出等。19.如果实时新闻和知识库结论冲突,你会如何处理?如何根据用户意图判断该更信实时数据还是长期经验?20.系统里有行情数据、新闻数据、知识库数据等异构数据,你是如何分别处理的?如果要统一检索,会如何设计 metadata、过滤和重排策略?八、AI 交互系统与上下文管理21.你项目里的滑动窗口 / 类滑动窗口上下文管理是怎么做的?超过 token 限制时如何丢弃或保留历史?22.如果不想直接丢弃历史对话,如何通过摘要机制、长期记忆、短期记忆来优化上下文管理?23.子进程调用 AI 接口、主进程通过 JSON 通信这一套机制是怎么设计的?为什么不让主进程直接调用?24.如果子进程调用 AI 接口超时、崩溃或失败,主进程如何感知、重试、记录日志和停止重试?九、Agent 评估体系与后续优化25.你的 Agent 系统现在是怎么评估效果的?如果要做完整评估体系,会从人工评测、测试集、系统指标、RAG 指标、用户反馈哪些方面建设?26.如何评估工具调用成功率、接口超时率、运行成功率、检索召回率和回答质量?27.你的 Agent 后续有哪些优化方向?比如长短期记忆、用户画像、反馈闭环、动态调整子 Agent 权重等。28.为什么 Agent 的“自动自进化”比较难,仍然需要人工干预和质量评估?
查看28道真题和解析
点赞 评论 收藏
分享
评论
4
15
分享

创作者周榜

更多
牛客网
牛客网在线编程
牛客网题解
牛客企业服务