美团AI搜索算法面试经历：语义搜索+向量检索+排序模型全考察

背景介绍

先说下我的情况，本科软件工程，硕士方向是信息检索，毕业后在一家搜索引擎公司做了2年搜索算法工程师，主要做相关性排序和语义搜索。美团虽然是生活服务平台，但他们的搜索团队技术实力很强，尤其是本地生活搜索有很多独特的技术挑战，所以我很想试试。

投的是美团AI搜索算法工程师岗位，base北京。整个面试流程大概两周，三轮技术面，节奏比较快。美团的面试偏实战，很多问题都是围绕真实业务场景展开的，不是纯理论。下面详细复盘。

面试流程复盘

一面：信息检索+倒排索引

一面的面试官是个很务实的工程师，上来就问得很直接。

第一个问题：倒排索引的原理和构建过程？这个我太熟了，从文档分词、term字典构建、倒排链表（posting list）的组织，到跳表加速合并，都详细说了。面试官追问了倒排索引的压缩方法，我提到了VByte编码、Roaring Bitmap和SIMD加速。

然后问检索模型：BM25的原理？和TF-IDF的区别？我说BM25在TF-IDF基础上加了文档长度归一化和TF饱和度限制，公式里k1控制TF饱和度，b控制长度归一化强度。面试官追问了BM25的参数怎么调，我说一般k1在1.2-2.0之间，b在0.75左右，可以通过grid search在验证集上优化。

问了一个比较深入的问题：搜索相关性怎么评估？我说了离线评估（DCG/NDCG、MRR、MAP）和在线评估（点击率、满意度、AB测试）。面试官追问了NDCG的计算方式，我详细说了gain、cumulative gain、discounted cumulative gain和归一化的过程。

还问了一个系统设计题：设计一个搜索引擎的索引更新策略，要求近实时。我说了双缓冲策略——主索引（全量）+实时索引（增量），新文档先写入实时索引，定期合并到主索引。面试官追问了合并策略，我提到了段合并（segment merge）和文档删除的标记方式。

一面大概50分钟，面试官说"基础很扎实，对搜索理解很深"，让我准备二面。

二面：语义搜索+向量检索(ANN)

二面的面试官应该是搜索团队的技术骨干，问的问题更偏前沿。

先问语义搜索：稠密检索（Dense Retrieval）和稀疏检索（Sparse Retrieval）的区别？我说稀疏检索（BM25、QL）基于词匹配，长尾查询效果差；稠密检索（DPR、ColBERT）基于语义向量，能处理词汇不匹配问题。面试官追问了DPR的训练方式，我说用in-batch negatives或hard negatives做对比学习，query和document分别过encoder得到向量，用余弦相似度排序。

然后重点聊向量检索：ANN（近似最近邻）检索有哪些方法？我详细说了几类：基于树的（Annoy、KD-Tree）、基于哈希的（LSH）、基于量化的（PQ、OPQ、IVF-PQ）、基于图的（HNSW、NSW）。面试官追问了HNSW的原理，我说它构建多层导航小世界图，搜索时从顶层开始逐层向下，每层做贪心搜索，兼顾效率和精度。面试官还问了HNSW和IVF-PQ的对比，我说HNSW召回率高但内存占用大，IVF-PQ内存友好但需要调nprobe参数。

出了一个系统设计题：设计一个亿级文档的向量检索系统，要求P99延迟<50ms。我说了几个关键设计：量化压缩（OPQ+PQ把向量从768维压缩到几十字节）、分片（按业务分片，减少单分片数据量）、缓存（热点查询缓存）、以及多级检索（先粗筛再精排）。面试官追问了量化对召回率的影响，我说一般PQ压缩后召回率下降3-5%，可以通过重排（rerank）弥补。

还问了一个比较新的方向：大模型对搜索的影响？我说了几个方面：查询理解（意图识别、查询改写）、生成式检索（直接生成文档ID）、RAG（检索增强生成）、以及LLM做重排序。面试官对生成式检索很感兴趣，追问了DSI和GENRE的思路。

二面大概60分钟，聊得很有收获。

三面：排序模型+项目深挖

三面是搜索团队的负责人，这轮主要聊排序模型和项目。

先问排序模型：搜索排序一般分哪些阶段？我说了召回（多路召回）、粗排（轻量模型快速打分）、精排（复杂模型精确排序）、重排（业务规则+多样性）。面试官追问了粗排和精排的模型选择，我说粗排一般用双塔模型（快但交互浅），精排用交叉模型（慢但交互深）。

然后聊精排模型：DeepFM、DCN、DIN这些模型的区别？我说DeepFM是FM+DNN的并行结构，自动学习特征交叉；DCN用Cross Network显式建模有界阶特征交叉；DIN用注意力机制对用户行为序列做自适应聚合。面试官追问了特征交叉为什么重要，我说手动构造交叉特征成本高且容易遗漏，自动交叉能发现隐式组合。

深挖项目：你做的搜索排序项目，怎么处理冷启动和长尾查询？我说冷启动方面，新物品用内容特征（标题、类别、属性）做embedding，新用户用人口统计学特征和短期行为；长尾查询方面，用查询改写（同义词扩展、拼写纠错）、语义匹配（稠密检索兜底）、以及多任务学习（共享底层表征）。面试官追问了查询改写怎么做，我说可以用seq2seq模型或LLM生成改写候选，然后用点击日志做过滤。

还问了一个业务题：美团搜索和通用搜索（如百度）有什么不同？我说了几个差异：本地生活搜索有地理位置约束（POI距离很重要）、有即时性需求（营业状态、库存）、有个性化需求（口味偏好），而且美团搜索的query更短更模糊，意图识别更难。面试官对这个分析很认可。

三面大概55分钟，面试官最后说"分析得很好"，让我等HR面。

真题汇总

1. 倒排索引的原理和构建过程？

2. BM25的原理？和TF-IDF的区别？

3. 搜索相关性怎么评估？NDCG的计算方式？

4. 设计近实时的索引更新策略？

5. 稠密检索和稀疏检索的区别？

6. DPR的训练方式？

7. ANN检索有哪些方法？HNSW的原理？

8. 设计亿级文档的向量检索系统？

9. 大模型对搜索的影响？

10. 搜索排序分哪些阶段？

11. DeepFM、DCN、DIN的区别？

12. 怎么处理冷启动和长尾查询？

13. 美团搜索和通用搜索有什么不同？

心得建议

1. 搜索基础是核心：倒排索引、BM25、NDCG这些是搜索算法的基石，面试必考，必须滚瓜烂熟。

2. 向量检索是重点：语义搜索和向量检索是搜索方向的热点，HNSW、PQ这些方法的原理和工程实现都要掌握。

3. 系统设计要落地：美团的面试偏实战，系统设计题要考虑延迟、内存、召回率等工程指标，不能只说算法。

4. 排序模型要深入：DeepFM、DCN、DIN这些模型不只是知道名字，还要理解它们的特征交叉机制和适用场景。

5. 了解业务差异：不同公司的搜索有不同的技术挑战，面试前一定要了解目标公司的业务特点。

FAQ

Q：搜索算法岗位需要什么背景？
A：信息检索基础+机器学习+工程能力。搜索是算法和工程的结合体，纯算法或纯工程都不够。

Q：没有搜索经验怎么转？
A：可以先学信息检索经典教材（Manning的IR书），然后做几个搜索相关的项目练手。

Q：美团搜索的技术栈？
A：Java/Scala后端，Python算法，Elasticsearch做基础检索，自研向量检索引擎，TensorFlow/PyTorch训练模型。

Q：面试难度如何？
A：中等偏上，一面偏基础，二面偏前沿和系统设计，三面偏业务理解和项目深挖。

Q：搜索算法的发展前景？
A：很好。大模型时代搜索正在经历范式变革，RAG、生成式检索都是新方向，机会很多。