华为技术有限公司校招 AI 技术应用面试经验——求职精灵（finsight.work）

具体题干没有完整留存，只留下「二分 + 贪心」这个考点，按这一套路给出通用解法。
这类题通常是「二分答案 + 贪心判定」：

1. 把「求最优值」转成「判定可行性」：给定一个值 x，能否在限制下完成。
2. 二分搜索答案区间 [lo, hi]，按判定结果收缩边界。
3. check(mid) 用贪心实现，保证 O(n)。
4. 注意单调性前提与上下界取值，区间开闭要和判定条件一致。

def solve(a, k):
    def check(x):
        # 贪心：按容量 x 依次装填，看能否在 k 段内覆盖全部元素
        cnt, cur = 1, 0
        for v in a:
            if cur + v <= x:
                cur += v
            else:
                cnt += 1
                cur = v
        return cnt <= k
    lo, hi = max(a), sum(a)
    while lo < hi:
        mid = (lo + hi) // 2
        if check(mid):
            hi = mid
        else:
            lo = mid + 1
    return lo

现场策略：写不出完整代码时，先把单调性、判定函数与复杂度讲清楚，再主动请面试官给提示。

「字符串排列」即输出字符串的全排列，典型回溯 + 剪枝。

def permutation(s):
    s = sorted(s)              # 排序后同层重复字符相邻
    res, used = [], [False] * len(s)
    def dfs(path):
        if len(path) == len(s):
            res.append("".join(path)); return
        for i, ch in enumerate(s):
            if used[i]:
                continue
            # 同层重复字符跳过，避免产生重复排列
            if i > 0 and s[i] == s[i - 1] and not used[i - 1]:
                continue
            used[i] = True
            path.append(ch)
            dfs(path)
            path.pop()
            used[i] = False
    dfs([])
    return res

要点：复杂度 O(n!)，去重后为 O(n × 结果数)，额外空间 O(n)。
动手前先问清「是否要求去重、是否按字典序输出」，条件不同实现与输出顺序都会变。

Harness 是模型与工具 / 环境之间的编排层，面试官想听你如何把「大模型 + 工具 + 状态」串起来，可以按四块讲：

1. 工具层：工具注册与 schema 定义（参数校验、工具描述质量直接影响模型调对的概率），统一出入参结构。
2. 循环控制：ReAct 式的 think → act → observe 循环，设置最大步数、超时与提前终止条件，避免死循环。
3. 上下文与状态：多轮工具结果的裁剪与压缩（只保留必要字段），长结果落盘、按需回读。
4. 稳定性与可观测：超时重试、幂等、异常兜底；每一步的输入输出都打日志，便于离线复现与评测。

讲的时候最好配一张自己画的调用链，说明每一步谁触发、失败怎么处理。

记忆模块要区分「短期」与「长期」：

• 长期：事实性信息抽成结构化 KV（用户偏好、关键结论），语义类内容写入向量库，按当前 query 召回 top-k 再拼进上下文。

再补三件事才算完整：

1. 写入时机：什么时候写、写什么字段、如何合并同义或冲突信息。
2. 召回策略：阈值过滤、时间衰减、rerank，避免召回噪音污染上下文。
3. 评测：把「该记住的有没有记住、不该记的有没有混进来」做成可回归的用例集。

三个子问题连着答，顺序建议：

1. 产出：一句话说清业务价值 + 你独立负责的部分 + 可量化的结果。
2. 问题：挑一个真实、有排查过程的问题（现象 → 假设 → 验证 → 定位 → 修复），重点讲你的定位路径。
3. 选型：给出对比维度（性能、开发成本、可维护性、团队熟悉度），说明为什么选 A 不选 B，以及现在回看会不会改。

凡是简历与口述里出现的名词都要能往下展开一层。

Agent / 应用类项目里的 Redis 一般围绕四块被问：

1. 数据结构与场景：String 做计数与缓存、Hash 存对象、ZSet 做排行榜与延时队列、List / Stream 做队列。
2. 过期与淘汰：EXPIRE / TTL、惰性删除 + 定期删除、maxmemory-policy 各类淘汰策略的取舍。
3. 缓存一致性：穿透（布隆过滤器 / 空值缓存）、击穿（互斥重建 / 逻辑过期）、雪崩（过期时间打散、多级缓存）。
4. 持久化与高可用：RDB 与 AOF 的差异、主从 + 哨兵 / Cluster 的取舍。

结合自己项目里的键设计与失效策略来讲，比背条目更有说服力。

可以按「输入 → 模型 → 工具 → 输出」四层讲：

1. 输入层：Prompt 注入与越狱防护（系统提示与用户内容隔离、指令优先级、可疑内容过滤）、敏感信息脱敏。
2. 模型层：输出内容审核与兜底话术、幻觉抑制（强制引用来源、结构化输出校验）。
3. 工具层：工具调用做权限最小化与白名单，参数二次校验；涉及写操作时加二次确认或人工审批，防止模型被诱导执行危险动作。
4. 输出层：日志留痕与审计、可回滚。

结合项目举一个你实际做过的防护点，比罗列风险更有说服力。

「落地」的关键词是可用的证据：

• 谁在用：真实用户量 / 调用量 / 使用频次。
• 效果：用指标说话（准确率、节省时长、人工介入率），并说明指标怎么测、基线是什么。
• 稳定性：在线可用性、失败率、平均响应时间。
• 迭代：上线后收到什么反馈、改了哪些。

项目还没上线就说明当前阶段（内测 / 灰度）、已验证的部分与下一步计划，不要夸大。

面试官在判断你是不是真的把 AI 编进了工作流，可以按环节讲：

• 需求与设计：用模型做方案对比、拆任务、写接口草稿。
• 编码：补全与整块生成、重构、单测生成、跨文件改动。
• 评审与排错：先让模型做一轮 review、给出报错的可疑点，再自己验证。
• 规则约束：项目级规则文件（约定技术栈与代码风格），上下文只投喂相关文件而不是整个仓库。

配一个具体例子：某个改动原本要多久、用工具后多久、返工点在哪里。

这题不是考谁买得多，而是看你有没有形成稳定的使用习惯：

• 说出实际在用的 1～3 家，以及各自擅长的场景（长上下文重构 / 代码补全 / Agent 式改动）。
• 说明选择理由：成本、额度、上下文长度、是否支持团队协作与规则文件。
• 说明组合方式：主力工具做日常开发，另一家处理长任务或做交叉验证。

没买过就如实说在用免费额度或自建方案，重点讲清你依赖它完成了什么。

先确认真实条件：是否要求结果去重（LC 349）还是保留出现次数（LC 350），数组是否已排序、规模多大。条件不同解法不同。

# 去重版：哈希集合
# 时间复杂度 O(m+n)
def intersection(nums1, nums2):
    return list(set(nums1) & set(nums2))

# 保留出现次数版：哈希计数
# 时间复杂度 O(m+n)，额外空间 O(min(m,n))
from collections import Counter

def intersect(nums1, nums2):
    cnt = Counter(nums1)
    res = []
    for x in nums2:
        if cnt.get(x, 0) > 0:
            res.append(x)
            cnt[x] -= 1
    return res

如果两数组已排序，可以用双指针做到 O(m+n) 且 O(1) 额外空间。
面试时先问清约束再动手，是最稳的做法。