百度 · 面经

先交代背景：普通本科，Java后端，4年经验，上一家是某二线互联网公司，负责过智能客服系统的开发和优化。

百度智能客服业务是AI落地的重点方向，面试三轮技术面全过了，结果HR面薪资没谈拢，又重新投了另一个部门才OC。

📌 第一阶段：一面差点挂（6月）

一面（60分钟）——差点挂

1️⃣ 项目深挖：你负责的智能客服系统，日请求量多少？QPS多少？怎么保证回答的准确率？

💡 思路参考：4年经验的面试，面试官默认你负责过核心系统。日均请求100万，峰值QPS约300。智能客服涉及意图识别、知识库检索、大模型生成、答案校验四个核心链路。准确率靠三层保障——意图识别模型（准确率92%）、RAG检索（召回率85%）、答案校验（规则过滤+人工审核兜底）。重点说你作为负责人是怎么设计的，不是只参与了。

2️⃣ 追问：“如果用户问了知识库没有的问题，系统怎么处理？”

💡 思路参考：知识库未覆盖的问题走大模型生成（但需要做幻觉检测和事实校验）。同时记录未覆盖的问题到待补充知识库，运营人员定期审核补充。兜底方案是转人工客服。核心是用户体验优先+持续迭代。4年经验要能说出未覆盖问题的分类策略——按问题类型分优先级，高频问题优先补充。

3️⃣ 追问：“如果大模型回答出现了幻觉，怎么发现和处理？”

💡 思路参考：幻觉检测用三套方案——事实一致性校验（回答中的事实与检索到的文档对比）、忠实度检测（回答是否凭空捏造）、可验证性检测（关键信息能否溯源到源文档）。发现幻觉后走降级——返回“正在为您转接人工客服”的兜底话术，同时记录幻觉案例用于模型迭代。

4️⃣ JVM调优：CMS GC的调优参数和适用场景

💡 思路参考：CMS适合堆内存4-8GB、对停顿时间敏感的场景。核心参数：-XX:+UseConcMarkSweepGC、-XX:CMSInitiatingOccupancyFraction=75（触发CMS的堆占用阈值）、-XX:+UseCMSInitiatingOccupancyOnly（固定使用设定的阈值）。说一个真实调优案例：智能客服系统大促期间接口RT抖动，调低CMS触发阈值从75%到65%，提前触发GC减少停顿。

5️⃣ 手撕：实现一个支持分布式限流的方案（令牌桶）

💡 思路参考：用Redis + Lua脚本实现令牌桶——每个请求扣一个令牌，桶容量和速率通过参数配置，Lua脚本保证原子性。核心难点：为什么用Redis不用本地限流（多节点要共享限流状态、避免单节点流量不均导致限流失效）、令牌的补充策略（定时补充或每次请求时计算应补充的令牌数）。

一面面完感觉一般，项目答得还行，等了三天，过了。

📌 第二阶段：二面三面全过了（7月）

二面（60分钟）——过了

1️⃣ 系统设计：设计一个支持百万级日活的智能客服系统

💡 思路参考：分层架构——接入层（网关+鉴权+限流）、业务层（意图识别+知识库检索+大模型生成+答案校验）、数据层（向量数据库存知识库、Redis存会话状态、MySQL存日志和反馈）。核心难点：检索的实时性（向量检索要在100ms内完成，用HNSW索引）、大模型调用的成本控制（缓存高频问题答案、简单问题走规则引擎）。4年经验要能说出缓存策略的设计——高频问题缓存到Redis，TTL设置1天，定时刷新。

2️⃣ 追问：“向量检索的召回率不高，怎么优化？”

💡 思路参考：从三个维度优化——索引侧（分块策略优化，按语义完整性分块，重叠窗口）、检索侧（混合检索：稠密向量+稀疏关键词+重排序模型）、查询侧（Query改写+HyDE）。重点说出优化前后的数据对比——召回率从78%提升到85%。

3️⃣ 线上大规模故障排查

💡 思路参考：说一个真实的P0级事故。某次大模型API调用超时，导致智能客服大量返回超时错误。排查过程：看监控大盘确认故障范围→查大模型API调用日志（发现超时率从1%飙升到30%）→联系大模型服务方（发现对方在做模型升级）→紧急降级到规则引擎（返回预设答案）→恢复。事后复盘：没有做API调用的熔断和降级、没有备用的模型服务商。

三面（交叉面，70分钟）——过了

1️⃣ 系统设计：设计一个AIGC内容审核系统

💡 思路参考：用户生成内容→敏感词过滤（布隆过滤器+正则）→大模型安全检测（违规内容识别）→人工抽审核验。核心难点：实时性（审核要在1秒内完成，否则影响用户体验）、准确性（误杀率<1%、漏杀率<0.1%）、可解释性（审核结果要有明确的违规原因）。4年经验要能说出分层审核的策略——简单内容走规则引擎（毫秒级）、复杂内容走大模型检测（百毫秒级）、高风险内容走人工审核（秒级）。

2️⃣ 追问：“如果审核系统挂了，怎么保证内容安全？”

💡 思路参考：审核系统挂了走降级——先放行但标记为待审核（牺牲部分安全性保可用性），同时触发告警通知运维介入。事后对降级期间的内容进行补审。核心是可用性优先+事后补偿。

HR面（30分钟）——挂了

期望薪资报了30%涨幅，HR说“这个岗位预算有限，只能给到15%涨幅”。没谈拢，挂了。

📌 第三阶段：重新投递，四面终于OC（8月）

挂了之后重新投了另一个部门（AI平台方向），这次HR面先问薪资范围再报期望。最终OC。

📌 声明

以上思路参考来自 "面题鸭🦆" 各岗位专属考题的考点方向

📝 复盘

百度智能客服社招4年经验的面试，考的是三件事：

1. 能不能独立设计AI系统（智能客服、AIGC审核、向量检索）
2. 线上出事了能不能扛住（大模型API故障、降级方案）
3. 能不能讲清楚为什么（每个技术选型都有明确的理由和取舍）

🎯 后来怎么调整的？

HR面挂了之后复盘发现，技术准备没问题，但HR面完全没策略，薪资谈判一上来就报期望涨幅，没给自己留余地。

后来在 "面题鸭🦆" 上刷了一遍智能客服方向的JD专属出题，系统设计、向量检索、大模型降级这些方向覆盖得很全。每面一家之前针对性刷一遍，面试时心里有底很多。