美团 AI Agent/大模型岗位 - 真实面经网络实录

整理自牛客、脉脉、CSDN等平台的真实面试分享，2024-2025年

面经一：大模型算法工程师（校招）

面试时间： 2024年10月（秋招）
岗位： 大模型算法工程师 - 基础研发平台
结果： 已offer

AI面试（15分钟，牛客平台）

Q1：简单自我介绍

回答思路：控制在2分钟，重点突出大模型相关经历。

Q2：解释一下Transformer中的Attention机制

回答思路：简洁地讲了Self-Attention的QKV计算过程和Scaling。AI面试不需要太深入，讲清楚核心概念即可。

Q3：简单代码题 - 两数之和

回答思路：哈希表解法，O(n)。AI面试代码题一般比较简单。

AI面试体验： 美团的AI面试是校招流程的第一步，由AI视频面试系统完成。会录制你的回答视频，建议对着镜头回答，表情自然。

一面（技术面，65分钟）

Q1：详细讲讲你的大模型项目，重点说说技术方案和你的贡献

回答思路：讲了一个多Agent协作的智能客服系统。从架构设计、Agent分工、工具注册、记忆管理到评估体系的完整流程。强调了自己负责的核心模块（工具调用优化和多轮对话管理）。

Q2：Transformer的位置编码你了解哪些？RoPE详细讲讲

回答思路：

绝对位置编码：正弦/余弦、可学习embedding

相对位置编码：Relative Position Bias（T5）、RoPE、ALiBi

RoPE：在复数空间旋转Q/K向量编码位置，使attention score只依赖相对位置

公式推导：通过欧拉公式 e^(iθ) 实现旋转

Q3：MHA vs MQA vs GQA区别？为什么现在主流用GQA？

回答思路：

MHA：每个头独立Q/K/V，效果好但KV Cache占用大

MQA：共享一组K/V，极大减少KV Cache但可能损失精度

GQA：分组共享，性能和效率的最佳平衡

LLaMA2-70B就用GQA（8组），Qwen2也用GQA

Q4：Scaling Laws讲一下，涌现能力你怎么理解？

回答思路：

Scaling Laws（Chinchilla）：模型性能随参数量N、数据量D、计算量C幂律增长

最优配比：N和D应该等比例扩大

涌现能力：模型规模超过某个阈值后突然出现的能力（few-shot、CoT推理等）

有争议：BIG-bench论文指出涌现可能是度量方式造成的

Q5：LLM推理的解码策略有哪些？

回答思路：

Greedy Search：每步选概率最高的token，简单但容易重复

Beam Search：保持top-k个候选序列，更全局但计算量大

Top-K Sampling：从概率最高的K个token中采样

Nucleus/Top-P Sampling：从累积概率达到P的最小集合中采样

Temperature：控制分布平缓度

Q6：代码题 - 设计一个高并发排队系统

回答思路：用优先级队列+分布式锁。讲了系统设计思路：接入层（限流）→排队层（Redis有序集合）→处理层（消费者线程池）。

二面（技术面，55分钟）

Q1：AI Agent的核心组件有哪些？ReAct框架讲一下

回答思路：

核心组件：LLM大脑、规划器、记忆、工具、观察器

ReAct = Reasoning + Acting，交替执行思考和行动

流程循环：Thought → Action → Observation → Thought → ...

与CoT的区别：CoT只思考不行动，ReAct能调用工具获取外部信息

Q2：Function Calling怎么实现的？怎么提高工具调用的准确率？

回答思路：

实现：在prompt中提供工具schema，LLM输出结构化调用请求

训练时在SFT数据中加入工具调用样本

提高准确率：

优化工具description（清晰、有示例）

Few-shot examples

添加工具选择验证步骤

限制可选工具集（根据query先过滤）

Q3：美团的到店餐饮场景，你觉得Agent能怎么用？

回答思路：

智能推荐Agent：根据用户偏好、位置、预算推荐餐厅

客服Agent：处理订单问题、退款、投诉

商家助手Agent：帮商家优化菜品描述、分析经营数据

点餐Agent：多轮对话帮用户做个性化点餐决策

面试官很感兴趣，追问了推荐Agent怎么和现有推荐系统结合

Q4：多智能体系统怎么设计？如何协调？

回答思路：

架构：Orchestrator模式（中心调度）vs Peer-to-Peer（对等协作）

通信：共享记忆黑板、消息传递、事件驱动

冲突解决：优先级、投票、仲裁Agent

美团场景：客服中心可以用多Agent - 意图分类Agent + 信息检索Agent + 问题解决Agent + 质量审核Agent

Q5：计算机网络 - TCP三次握手和四次挥手，为什么挥手要四次？

回答思路：标准回答。四次挥手因为TCP是全双工，每个方向需要独立关闭，ACK和FIN分开发送。

Q6：代码题 - 最长无重复字符子串（LeetCode 3）

回答思路：滑动窗口+哈希集合，O(n)。

三面（主管面，40分钟）

Q1：你对美团的AI战略怎么看？

回答思路：美团是生活服务平台，AI的价值在于提升用户体验和商家效率。讲了对美团"零售+科技"定位的理解。

Q2：如果让你负责一个大模型应用项目，你怎么推进？

回答思路：需求分析→技术选型→MVP开发→内部测试→小流量验证→全量上线→持续优化。强调了数据驱动和用户反馈闭环。

Q3：你最近三年的职业规划？

回答思路：第一年深入业务理解技术落地，第二年在Agent方向做技术突破，第三年带领小团队。

面试体验： 美团面试整体节奏比较紧凑，每轮都有代码题或系统设计题。面试官很关注你对业务的理解，强烈建议提前了解美团的产品和业务场景（外卖、到店、酒旅等），想想大模型在这些场景中能解决什么问题。

面经二：大模型应用开发（社招）

面试时间： 2025年1月
岗位： AI应用开发 - 核心本地商业
结果： 已offer

一面（60分钟）

Q1：你们的大模型应用是怎么架构的？

回答思路：讲了一个企业知识问答系统的完整架构。用户输入→Query理解→多路检索（BM25+向量+知识图谱）→Reranker→Prompt构建→LLM生成→后处理→输出。

Q2：RAG系统你怎么评估效果？

回答思路：

检索端：Hit Rate@K, MRR, Recall@K

生成端：Faithfulness（是否忠于检索内容）、Relevance（是否回答了问题）、Completeness（是否完整）

端到端：RAGAS框架（Context Precision, Context Recall, Answer Relevance, Faithfulness）

用户维度：用户满意度评分、二次提问率

Q3：LLM"复读机"问题怎么解决？

回答思路：

生成时：Repetition Penalty、Frequency Penalty、Presence Penalty

训练时：数据去重、避免相似样本过多

后处理：检测重复内容并截断

采样策略：提高temperature、使用Top-P采样增加多样性

Q4：Context Engineering讲讲你的理解

回答思路：

核心理念：在正确的时机把正确的信息喂给模型

实践：动态构建System Prompt、检索相关上下文、管理对话历史长度

与Prompt Engineering的区别：PE关注怎么写prompt，CE关注如何管理信息流

技术手段：摘要压缩、重要信息前置、工具描述动态选择

Q5：Redis分布式锁怎么实现？有什么问题？

回答思路：SETNX+过期时间。问题：锁过期但业务未完成（watchdog续期）、Redis主从切换丢锁（RedLock）、不可重入（计数器）。

Q6：代码题 - 排行榜设计（Top-K问题）

回答思路：用Redis的Sorted Set实现，ZADD更新分数、ZREVRANGE获取排行。讨论了数据量大时的分片策略。

二面（50分钟）

Q1：你觉得大模型在美团最有价值的应用是什么？

回答思路：

搜索：用LLM做query理解和结果摘要

客服：自动化处理80%的常见问题，节省人力成本

内容生成：商家描述、菜品介绍、营销文案自动生成

选了客服场景详细展开

Q2：如何确保Agent在客服场景中的安全性？

回答思路：

输入防护：Prompt注入检测、敏感词过滤

输出审核：涉及金额/退款等操作需人工确认

权限控制：Agent只能执行预定义的操作集合

兜底机制：识别到无法处理的问题自动转人工

监控告警：异常对话实时告警

Q3：JVM垃圾回收了解吗？G1和ZGC的区别？

回答思路：

G1：分Region管理堆内存，Mixed GC，停顿时间可预测

ZGC：着色指针+读屏障，几乎无停顿（<10ms），支持TB级堆

G1适合中小堆（几GB），ZGC适合大堆和低延迟场景

Q4：Spring Boot中常用的注解有哪些？

回答思路：@SpringBootApplication、@RestController、@Service、@Autowired、@Bean、@Configuration、@Value等。简单讲了IoC和AOP的概念。

Q5：代码题 - 合并区间（LeetCode 56）

回答思路：排序后遍历合并，O(nlogn)。

三面（HR面，30分钟）

标准HR面试，问了职业规划、团队协作经历、对美团的理解、薪资期望等。

面试体验： 美团社招面试Java基础问得比较多（如果你是Java栈），因为美团后端主要用Java。大模型部分更看重你的应用能力和对业务场景的理解。面试效率高，从一面到offer大约2周。

面经三：AI Agent评测工程师（校招）

面试时间： 2025年2月
岗位： AI Agent评测 - 基础研发平台
结果： 进入终面

一面（50分钟）

Q1：你对AI Agent评测的理解？应该评测哪些方面？

回答思路：

功能性评测：任务完成率、工具调用准确率、多轮对话连贯性

安全性评测：Prompt注入防御、幻觉率、敏感内容过滤

性能评测：响应延迟、吞吐量、资源消耗

用户体验评测：自然度、有用性、满意度

回归评测：版本迭代不引入新问题

Q2：如何设计评测方案？给我一个具体的例子

回答思路：以美团客服Agent为例：

构建评测数据集：从真实对话日志中挑选+人工构造边界case

自动评测：意图识别准确率、回答相关性（LLM-as-Judge）

人工评测：专家标注满意度（1-5分制）

压力测试：并发用户数、响应时间分位数

A/B测试：新版本vs旧版本的用户留存和解决率对比

Q3：如何评测Agent的多场景适应能力？

回答思路：

设计多场景测试集（外卖投诉、酒店预订、餐厅推荐等）

每个场景设置不同难度级别

跨场景切换测试（同一对话中切换话题）

长尾场景覆盖（罕见问题、方言、错别字等）

Q4：数据分析能力 - 如果Agent上线后用户满意度下降了5%，你怎么排查？

回答思路：

分维度分析：哪类问题满意度下降最多？

查看对话日志：找到差评对话分析具体原因

检查是否有数据/模型变更

AB测试确认是否是版本问题

用户画像分析：是否特定用户群体受影响

Q5：代码题 - 有效的括号字符串（LeetCode 20）

回答思路：栈匹配。

二面（45分钟）

Q1：Linux命令 - 如何查看进程信息？如何查看GPU使用情况？

回答思路：ps aux、top/htop、nvidia-smi。讲了如何用nvidia-smi监控GPU显存和利用率。

Q2：你有使用过哪些测试框架？

回答思路：pytest（Python）、JUnit（Java）、Selenium（Web自动化）。讲了pytest的fixture和parametrize。

Q3：如何处理评测中的主观性问题？

回答思路：

制定详细的评测标准和打分rubric

多人独立评测，计算inter-annotator agreement（Cohen's Kappa）

当分歧大时组织讨论达成共识

对评测员定期校准培训

Q4：你的一个失败经历，学到了什么？

回答思路：讲了一次评测方案设计不完善导致上线后发现问题的经历，学到了要在评测设计阶段就引入边界case和对抗测试。

面试体验： 美团评测岗不只是写测试用例，更需要对AI系统有全面的理解。面试会考察你的分析能力、测试方案设计能力和一定的编码能力。适合对QA有经验、又对大模型感兴趣的人。

面经四：AI Agent / 大模型应用开发（2026 新增公开来源）

来源：小红书、知乎公开页面；以下为摘要索引，完整内容请查看来源链接。

来源	标题	核心考点
小红书	美团 AI Agent开发一面面经（小红书站内搜索原标题）	PDF RAG、RAGAS、LangGraph、MCP、ReAct、Rerank、JSON 工具调用、流式输出
小红书	美团AI-Agent工程师面经，看看难度（小红书站内搜索原标题）	AI-Agent 工程师面经、项目深挖
知乎	Meituan Large Model Algorithm Intern questions	RAG 项目、指标、Qwen、LoRA、PDF/表格解析
牛客	美团二面面经	智能体平台、Agent vs LLM、RAG 知识库、设计模式、高并发