已解析题目
网易相关面试题
给你一个数组，其中元素是节点值以及父节点值，要求去重并还原树
这道题考察扁平数组转树的实现能力。关键不是只会 parentId 挂 children，而是先用 Map 按唯一 id 去重和建索引，再用第二遍挂载，明确重复 id、父节点后出现、多根、孤儿节点和循环引用的处理策略。
事件循环和渲染的关系是怎么样的？
这题考察浏览器主线程调度：宏任务执行后清空微任务，随后浏览器在合适时机进行渲染；长任务和微任务堆积都会推迟渲染。
为什么 useState 是数组结构的形式返回的，能不能以 Object 的形式返回？
这题考察 Hook API 设计和 React 状态匹配机制。useState 返回数组不是技术限制，而是固定二元返回值更方便调用方自由命名。
React.forwardRef 知道么？
这题考察 React ref 穿透和命令式能力封装。回答要说明 forwardRef 解决什么问题、如何转发、什么时候配合 useImperativeHandle 限制暴露面。
Promise.then 返回的是什么？
这题考察 Promise 链式调用的本质：then 总是返回新的 Promise，新 Promise 的状态由回调返回值、异常或 thenable 解析结果决定。
手撕发布订阅
这题考察发布订阅的核心数据结构和边界处理。高质量实现要包含 on、off、emit、once，并处理执行中增删监听器的问题。
React Hooks 能用在 for 循环中么？为什么？条件语句呢？为什么？
这题考察 React Hooks 的调用顺序规则。Hooks 不能放在循环、条件和嵌套函数里，因为 React 依赖稳定调用顺序匹配内部状态槽位。
netstat 中的 Recv-Q 和 Send-Q 有什么区别？
netstat 的 Recv-Q 和 Send-Q 分别反映 socket 接收队列和发送队列中的未处理数据。回答要区分监听 socket、已建立连接、应用是否及时读写，以及网络或对端是否导致堆积。
XGBoost 如何实现正则化和并行化？
XGBoost 的正则化体现在目标函数和树结构约束中，并行化主要体现在特征分裂候选和直方图统计等计算过程，而不是每棵树完全独立并行。
单进程服务器中某个客户端不调用 recv 时，阻塞和非阻塞模式会怎样？
客户端不调用 recv 时，服务端发送缓冲区会逐渐积压；阻塞模式可能卡住整个单进程服务，非阻塞模式会返回 EAGAIN，需要事件驱动和背压处理。
如何求字符串的最长重复子串长度？
最长重复子串可以从暴力比较、后缀数组、后缀自动机或二分长度加哈希回答，面试中重点讲清重复子串和复杂度取舍。
如何实现洗牌算法？
公平洗牌应使用 Fisher-Yates 算法，从后往前随机选择一个未固定位置交换，保证每种排列出现概率相同。
如何在给定字符串中输出出现频率最高的字母？
字符串最高频字母题的核心是一次遍历统计频次，再按题目规则处理并列、大小写、非字母字符和字符集范围。
分词算法有哪些？
分词算法解决的是把连续文本切成有意义的词或子词单位。中文没有天然空格，因此分词既要处理词典匹配，也要处理歧义、未登录词、新词、专名、领域词和下游任务适配。常见算法包括基于词典的正向/逆向/双向最大匹配、DAG 加动态规划、HMM/CRF 序列标注、统计语言模型、深度学习序列标注，以及 BPE、WordPiece、SentencePiece 等子词切分方法。
同题还出现在 2 个公司岗位
SVD 和 SVD++ 有什么区别？
推荐系统里的 SVD 通常指矩阵分解，将用户和物品映射到隐向量，用内积预测评分或偏好。SVD++ 在此基础上引入用户的隐式反馈物品集合，把用户交互过的物品隐向量聚合进用户表示，因此能利用浏览、点击、收藏等未显式评分行为，缓解评分稀疏问题。
LDA 是什么，Dirichlet 分布和共轭分布在主题模型中有什么作用？
LDA 是 Latent Dirichlet Allocation，用文档-主题分布和主题-词分布解释文本集合。Dirichlet 分布为多项分布参数提供先验，控制主题和词分布的稀疏程度；共轭性质让后验更新和 Gibbs 采样、变分推断更容易处理。
教育自动批改纠错任务如何设计 seq2seq 方案，并在最少人力下构造正负样本？
这道题考察教育批改纠错任务如何从“文本生成”落到可训练、可评估的纠错系统。回答要把 seq2seq 的输入输出、正负样本来源、低人力标注策略、过度纠错控制和机器翻译差异讲成一个闭环。
AI 用例分析工具调用大模型时，如何选择模型并评估识别准确率？
这题考测试开发场景下 LLM 用例分析工具的模型选择和准确率评估，答案要覆盖任务定义、模型取舍、标注基准、识别指标、阈值和错误分析。
AI Coding 落地时，如何给模型提供有效仓库上下文，并限制它触碰事务、权限、资金等高风险链路？
这题考 AI Coding 的上下文工程和风险边界。答案要同时讲清如何给模型足够信息完成任务，以及如何通过范围控制、权限控制、测试和 review 防止它碰坏核心链路。
AI 生成代码进入工程仓库前，如何用沙箱分支、最小改动范围、测试和 review 防止污染主分支？
这题考 AI 生成代码的分支治理和合入门禁。优秀回答要把主分支保护、沙箱隔离、diff 范围、自动化检查、人工 review、回滚审计串成一条工程流程。
生产级 RAG 为什么可以用 Java 承担后端主链路，而不是全链路都用 Python？
这题考 RAG 从实验脚本到生产服务的语言和架构取舍。核心不是贬低 Python，而是说明在线主链路需要服务治理、稳定性、并发、权限和工程生态，Java 可以承担这些职责。
Agent 服务中如何拆分模型调用、检索、审计落库和消息消费线程池，避免局部抖动拖垮全链路？
这题考 Agent 后端稳定性，不是普通线程池参数背诵。高质量回答要按任务类型隔离资源、设置队列和超时预算、做背压降级，并用指标证明局部抖动不会拖垮全链路。
内容安全类 Agent 需求如何从“万能问答”拆成可评测的原子能力、输入输出契约和停止条件？
这题考的是把模糊的内容安全 Agent 需求工程化。不能把它做成什么都能问、什么都回答的聊天助手，而要拆成可独立评测的能力单元，例如分类、证据抽取、规则匹配、风险解释、处置建议和人工复核触发，并为每个能力定义输入、输出、置信度和停止条件。
Agent 调用服务端 API 工具的完整流程是什么？如何完成参数生成、鉴权、执行、错误处理和结果回填？
这题考 Agent 工具调用的工程链路：模型通常不直接访问业务 API，而是由宿主系统基于工具 schema、权限、参数校验、执行器、错误处理和结果回填来完成闭环。
同题还出现在 2 个公司岗位
大模型观点总结产品如何防范幻觉，并定义可上线的准确率与验收标准？
这题考观点总结类大模型产品的质量门禁。题源 evidence 明确问如何防范幻觉、上线标准是什么、准确率达到什么水平才可发布，所以回答要先定义准确率口径，再给出可上线的指标组合和分级阈值。阈值只能作为参考门槛示例，并需按场景风险调整，不能说成题源或公司内部固定标准。
产品经理如何评价 LLM 和 AIGC 的核心能力、主要优势、局限性和落地挑战？
这题考产品经理对 LLM/AIGC 的能力边界判断：既要看到自然语言交互、生成和自动化的机会，也要能讲清幻觉、评估、成本、数据安全、场景适配和商业闭环的限制。
同题还出现在 1 个公司岗位
MCP 在 Agent 工具接入中解决什么问题，适合哪些场景，又有哪些落地边界？
这题考 MCP 在 Agent 工具接入中的协议价值和工程边界。高质量回答要说明它解决的是 Agent 与外部工具、资源、提示模板之间的标准化连接问题，并能覆盖工具发现、resources/tools/prompts、schema、跨进程接入、权限、审计、超时、版本和服务治理。
如何用 Coze 搭建 K12 英语批改 Agent，并通过输入输出规范控制商业化发散风险？
这题考如何把 Coze 里的英语批改 Agent 做成可商业化、可控输出的教育产品。核心不是搭一个能聊天的 Bot，而是用严格输入输出规范、评分口径、内容边界和质检闭环控制发散风险。
选择一款网易产品时，如何定义产品热度指标，并用数据分析找到提升方向？
这题考数据分析师能否把模糊的产品热度转成可度量、可诊断、可增长的指标体系。以网易云音乐为例，热度不能只等同于 DAU，而要同时覆盖活跃、内容消费、互动传播、留存、内容供给和商业健康。
《蛋仔派对》上线“派对小屋”这类新社交玩法后，游戏数据分析师应关注哪些核心指标来评估玩法是否成功？
这道题考察游戏数据分析师能否评估《蛋仔派对》上线“派对小屋”这类新社交玩法后的真实价值：不只是看有多少人点进去，而是看玩法是否被理解、是否促进社交关系、是否提升留存和游戏生态，同时有没有损害主玩法体验。
视频剪辑智能体的全链路架构如何设计，核心模块的职责和交互逻辑是什么？
这道题考察 AI 应用开发候选人能否把“视频剪辑智能体”设计成可落地的工程系统：从用户意图理解、素材解析、剪辑计划、工具执行、预览修正到渲染导出，拆清楚核心模块、数据结构和交互闭环。
对接多家国内大模型官方 API 时，如何设计统一调用网关来屏蔽接口差异？
这题考察的是多大模型供应商接入时的工程抽象能力，不是简单写几个 if else 适配接口。好的统一调用网关要把业务层看到的协议收敛成稳定的内部模型契约，同时把供应商差异隔离在 adapter 层：消息格式、模型名、参数范围、流式协议、错误码、限流、鉴权、计费、上下文长度、工具调用、JSON 输出能力都不能泄漏给上层。架构上通常分为统一 API、路由与策略、provider adapter、可靠性治理、观测与审计、配置和灰度几个部分。回答要强调边界：网关不是只做转发，而是承担能力抽象、故障隔离、降级切换、成本治理和可观测性；但也不能把所有模型能力抹平成最低公约数，否则会损失模型特性。因此设计上要有基础统一契约和可扩展 capability 描述，既屏蔽常见差异，又允许业务显式选择高级能力。
用 LangChain 编排 AI 工作流时，如何和原生调用、自研引擎做选型，并分析各自优缺点和瓶颈？
这题考察的是 AI 工作流编排的技术选型，而不是问 LangChain 好不好。高质量回答要先拆清楚业务复杂度：只是单轮模型调用、少量 prompt 链、RAG 检索增强、工具调用、长流程状态机、多 Agent 协作，还是需要可视化编排、回放、权限、灰度和审计。原生调用的优势是简单、可控、性能和依赖风险低，适合链路短、业务稳定、团队希望自己掌握协议的场景；LangChain 的优势是生态组件多、原型快、抽象现成，适合探索期和标准 RAG/Tool/Agent 流程，但瓶颈是抽象层厚、版本变化、调试复杂、性能和可观测性需要补强；自研引擎适合业务流程复杂、稳定性和治理要求高、需要平台化复用的场景，但成本高、周期长，容易重复造轮子。最终选型不是三选一的宗教问题，而是按阶段演进：原型期可以用框架提速，核心生产链路要收敛成自己的稳定接口和可观测执行模型。
LLM 流式输出如何设计断点续传、停止生成和 Token 计费？
这题考 LLM 流式输出的服务端语义设计，回答重点是断点续传、停止生成、幂等状态、Token 计费边界和前后端一致性。
同题还出现在 1 个公司岗位
工程机器人的仿真平台或系统应该如何设计？
这题考机器人仿真平台的工程拆解能力，重点不是说用哪个仿真器，而是把场景、动力学、传感器、控制接口、验证闭环和数据回放设计成可持续迭代的系统。
机器人固定轨迹跟踪误差时好时坏，如何定位原因？
这题考轨迹跟踪问题的工程诊断思路，回答要按可复现、分段量测、传感器误差、控制闭环、执行机构和环境扰动逐层排查。
机器人状态机设计时如何考虑异常状态？
这题考机器人任务状态机的鲁棒性设计，重点是正常状态、异常检测、降级恢复、安全停机和可测试性。