agent_interview_2
前文纪要 社招后端转型 Agent 路径（已落地）
书接上文 小厂面经，这篇分享中厂的面经。
进入面经前先介绍一下贴主的两个项目：
- 一个项目是智能排障助手，主要用来排查项目在测试或运行过程中存在什么问题，通过获取日志、配置中心、MySQL 以及项目涉及到的中间件来定位问题根因；
- 另一个是支付侧知识库助手，主要是 RAG 技术栈。
面经
中厂 - 企业软件 - B - 技术一面
业务分类：企业软件
面试轮次：技术一面
面试日期：2026-07-14
请简单做一下自我介绍。
你之前主要做支付本身的业务，还是对接央行及第三方支付渠道？
你投递的是哪个岗位？
你们支付系统中的幂等和分布式锁是怎么设计的？
分布式锁主要是保证状态一致，还是控制并发？
你们使用的是什么分布式锁机制？
为什么没有使用 Redis，而是基于 MySQL 构建分布式锁？
你们使用的是业务库，还是专门隔离出来的锁库？
基于数据库的锁并发能力不高，为什么仍然采用这种方案？
支付渠道灰度双活组件是什么？
灰度发布过程中，流量是如何切换的？
Zookeeper 在灰度双活组件中起什么作用？
你们的 Zookeeper 是集群还是单机？有几套机房？
Zookeeper 的选主机制是什么？
你讲一下智能排障 Agent 的开发过程。
你们的日志来源是哪里？
你们如何通过 Agent 排查配置、版本、环境和中间件问题？
你定制的 Qwen ReAct Output Parser 是做什么的？
为什么使用 ReAct 输出解析，而不是 Function Calling？
你提到排障失败率从 40% 降到 10%，这个指标是怎么定义的？
40% 的错误主要发生在哪里？
你们的 Agent 可观测体系建立起来了吗？
你认为 Agent 开发和传统应用开发有什么区别？
你做过 MCP 开发吗？
你们通过 MCP 提供了哪些工具？一共有多少个？
你们使用 MCP 的哪种传输协议？
为什么使用 Stdio，而不是把 MCP 做成外部 HTTP 服务？
MCP 有没有做鉴权？如何做权限控制？
MCP 工具调用是否有审计和监控？
你的 RAG 知识库助手主要给谁使用？
RAG 在你们项目中的主要作用是什么？
你们如何保证知识检索的准确性？
有没有评估模型幻觉？错误率大概是多少？
做过长期记忆或短期记忆吗？
多轮对话上下文超过模型窗口时，如何处理？
上下文摘要的提示词是如何设计的？
有没有对接外部系统？是否接入了外部 IM？
你们的 QA 评估是自己做的，还是其他团队做的？
你们的 RAG 评估体系是什么样的？从哪些维度评估？
你们使用单一模型，还是多路模型？
是否做过多路模型路由和模型适配？
你认为 Agent 和普通 Chatbot 最大的区别是什么？
Agent 最小的执行单元应该包含哪些东西？
可观测性在 Agent 执行单元中起什么作用？
ReAct 模式和 Plan-and-Execute 模式有什么差异？
如何判断一个 Agent 真正完成了任务？
Agent 的结果、执行过程和线上稳定性分别如何评估？
如果公司已有很多传统微服务，想和 Agent 协作，应该如何设计？
如果要把 ERP、CRM、DC 等系统统一接入 Agent，需要考虑哪些问题？
Skill 和 MCP 分别适合解决什么问题？
是否考虑过使用 A2A 协议？
你如何理解 Harness？
Harness 运行态主要需要关注哪些工程问题？
Harness 上层应用、工具组和可观测组可能分别负责什么？
反问
团队主要是面向 ERP、CRM 等内部系统构建 Agent 吗？
当前业务形态的核心瓶颈是什么？
云侧 Agent 与端侧 Agent 的主要痛点是什么？
如果通过面试，岗位主要负责哪类工作？
该岗位更偏应用开发、工具设计，还是 Harness 运行态？
JD
1、负责 harness 系统面向外部系统 (ERP、DC 等) 的工具开发，包括工具核心模块的开发、接口调优等。
2、参与 harness 系统 skill、mcp、api 工程化建设，保障系统稳定性与安全。
3、参与 skill、mcp、api 规范和标准化建设，技术文档编写，沉淀开发经验与技术方案。
4、持续关注 AI、云原生领域前沿技术，提出优化建议并推动技术迭代。
应聘要求：
1、5 年以上软件开发经验，有 VibeCoding 经验，云原生产品研发经验优先。
2、精通至少一种主流后端开发语言 (Java/Python/Go 等)，熟悉关系型数据库 (如 PG) 和非关系型数据库的使用与优化。
3、具备良好的系统分析与架构设计能力，能根据业务需求提出合理的技术解决方案，能独立应对和解决复杂技术难题。
中厂 - 企业软件 - B - 技术二面
业务分类：企业软件
面试轮次：技术二面
面试日期：2026-07-16
你是哪一年毕业的？毕业之后一直在前司工作吗？
你的主要技术栈是不是 Spring 体系？
AI 侧主要使用什么技术栈？是 Python 体系吗？
请介绍一下你在后端 / 系统开发层面的工作成果。
通过这些工作成果，如何体现你对技术的掌握？
你在这些项目里面具体起到了什么作用？
请介绍一下全链路灰度和双活中台 SDK 这个项目。
这个项目产生的背景是什么？当时要解决什么问题？
灰度 SDK 主要支持哪些功能？
白名单、比例灰度和双活流量切换分别是怎么实现的？
你们使用 Zookeeper、Apollo、Ribbon 分别解决什么问题？
灰度发布时，流量具体是如何从 Live 节点切换到灰度节点的？
为什么要按照 1%、10%、20%、50%、100% 的比例逐步切流？
切流之前如何验证灰度版本没有问题？
灰度流量全部切走以后，Live 节点如何进行发版？
你在项目中提到的 AOP 是在哪一层实现的？
AOP 的代码具体写在哪个服务上？
你这里使用的是 Spring AOP、Interceptor，还是 Spring Filter？
Filter 是 Web 层的 Filter 吗？它和 Spring 的关系是什么？
灰度逻辑是在请求链路的哪一个阶段执行的？
白名单阶段和灰度阶段分别如何判断和处理？
你在支付网络对接项目中做过哪些性能优化？
项目中出现的 MinorGC 问题是如何排查和优化的？
你为什么要优化报文解析方式？
服务发布后首次请求耗时较高的问题是如何解决的？
JVM 类加载、SQL、Zookeeper 连接预热分别解决什么问题？
这次性能优化前后的指标变化是多少？
你们 2025 年的 AI 项目主要做了哪些优化？
从技术上看，智能排障助手具体解决了哪些问题？
你提到的工具调用不稳定，具体是哪一种不稳定？
工具调用不稳定是模型返回值格式问题，还是工具参数问题？
你们如何解决模型返回格式不稳定的问题？
上下文爆炸问题是如何产生的？
你们如何对工具返回结果进行治理？
工具结果压缩时，哪些信息需要保留？
为什么要把单个 Agent 拆成多个 Agent？
主 Agent 和日志子 Agent 分别负责什么？
主 Agent 和子 Agent 之间如何传递结果？
多 Agent 拆分以后，上下文问题改善到什么程度？
采用多 Agent 方案后，模型调用成本是否会上升？如何权衡？
查询日志时间过长的问题是如何解决的？
跨多个团队和多个服务查询时，为什么需要拆分子 Agent？
多个子 Agent 是串行查询还是并行查询？
多个子 Agent 查询完成后，主 Agent 如何汇总结果？
你提到的工具调用、上下文和效率问题，分别对应哪些技术方案？
你的知识库项目是否通过评测来指导迭代？
你们的评测主要是线上评测，还是离线评测？
评测是在研发侧完成，还是已经形成了线上业务闭环？
你们的离线评估数据来源是什么？
线上 badcase 是如何采集的？
线上 badcase 是否来自用户反馈？
你们是否通过线上埋点或 trace 进行评估？
如何区分离线评估 badcase 和线上 badcase？
你们是如何通过评测结果指导检索、模型或 Prompt 优化的？
你们公司所在部门大概有多少人？
你所在的小组主要负责什么？
你们组大概有多少人？
其中通道组有多少人？
你平时的工作主要是开发吗？
业务开发和 Agent 开发的时间比例大概是多少？
你在公司有没有获得过优秀员工或类似荣誉？
你近几年的绩效情况如何？
你们公司的绩效等级分别代表什么含义？
你在学校参加的比赛更偏算法，还是偏系统 / 应用开发？
反问
您目前所在的组主要负责哪一块应用？
平台部门目前主要做哪些云上 AI 业务？
云上的 Agent 与本地运行的 Claude Code、Codex 等 Agent 形态有什么差异？
端侧 Agent 和云侧 Agent 分别承担哪些能力？
鉴权和计费能力是否主要在云侧完成？
JD
1、负责 harness 系统面向外部系统 (ERP、DC 等) 的工具开发，包括工具核心模块的开发、接口调优等。
2、参与 harness 系统 skill、mcp、api 工程化建设，保障系统稳定性与安全。
3、参与 skill、mcp、api 规范和标准化建设，技术文档编写，沉淀开发经验与技术方案。
4、持续关注 AI、云原生领域前沿技术，提出优化建议并推动技术迭代。
应聘要求：
1、5 年以上软件开发经验，有 VibeCoding 经验，云原生产品研发经验优先。
2、精通至少一种主流后端开发语言 (Java/Python/Go 等)，熟悉关系型数据库 (如 PG) 和非关系型数据库的使用与优化。
3、具备良好的系统分析与架构设计能力，能根据业务需求提出合理的技术解决方案，能独立应对和解决复杂技术难题。
中厂 - 智能硬件 - A - 终面
业务分类：智能硬件
面试轮次：终面
面试日期：2026-08-17
简单介绍一下你自己的情况。
展开讲一下支付领域知识助手，包括当前遇到的最重要的技术挑战、解决方案，以及最后实现了什么效果。
你说的三层评估是 Retriever、Answer 和 RAGAS 对吧？RAGAS 里有 faithfulness、answer relevancy 这一系列指标，还有 recall 和 precision—— 可以具体解释一下 faithfulness、relevancy、precision、recall 这几个指标的定义吗？
你们具体是在什么样的测试集上做的？数据量有多大？领域是否有做划分？这种实验性的测试方法是怎么做的？
整体是怎么去做评估的？可以从系统的机制怎么设计来讲。
既然是 x 个人工高质量生成的 QA—— 那你们在 RAG 入库的时候，chunk 窗口是怎么设计的？
刚才讲 faithfulness 的时候我还有疑问：faithfulness 在这里到底是怎么计算出来的？它的计算公式是什么？
你们这里的 per-point 归因存在理论上的挑战：边界会比较模糊。比如在黄金数据集中检索 top-k 时可能导致语言模型 miss，但它并不存在于 retrieval miss 里，中间地带是存在的 —— 比如排名靠后的、部分匹配的、版本不完全对应的。这类边界 case 是怎么处理的？从机制上怎么识别到底是 retriever 的问题还是模型的问题？ （这一题完全的精华，不深入理解 RAG 原理答不出来思路）
介绍一下非生产环境智能排障助手整体的设计架构和流程。
这里是采用 Planner-Executor 的设计吗？
在 ReAct 的设计中，是完全基于模型的，还是也会嵌入一些规则引擎？
这个可以发散一点：请解释一下 Agent 的设计模式 ——Workflow，以及在 multi-agent 情况下 Supervisor 设计模式和 Swarm 设计模式的区别是什么？
由此衍生一个问题：ReAct 和 Function Calling 的区别是什么？
当 ReAct 循环中某个 tool 或 function 抛出异常，比如 API 连接超时，你们的 workflow 有没有做兜底设计？
- 追问：所以是采用重试加退避的策略？
有对不同的错误类型去做不同的处理策略吗？
ReAct 一个显著的劣势是上下文线性增长，这里做了哪些上下文窗口管理的手段？
- 追问：所以是对 tool 和 observation 做一些截断和摘要，是吗？
对整个工程化来说可观测性比较重要 —— 在 ReAct 的执行中，是怎么去追踪每一步的 thought、action 和 observation 的？
如果发现 Agent 给出错误答案、或者出现 bug 的时候，你们的排查路径是什么？
给你一个需要调用设备 API 的 Agent 设计场景。设备端做两件事：第一是采集各种传感器数据，汇集后提供数据 API；第二是设备本身能够执行特殊任务。Agent 的目的是通过对数据的分析，形成对智能设备调用的策略。你觉得采用哪种设计模式来构建比较好？
- 追问：这一类 Agent 会采用哪种设计模式？它的基本工作流是什么样的？
如果用 Planner 去做 to-do，那这里会包含哪些对记忆、对工具的调用？它是怎么组装起来的？
HR 也问过你离开上家公司的原因，是希望寻求更好的发展对吧？
那你偏向于做哪一类的 Agent 开发？
反问
你们目前是在做什么垂直领域相关的 Agent？
你目前是在哪一条业务线？
在业务场景下，你认为目前比较卡点的地方有哪些？比如智能家居、硬件、面向业务、内部提效这几方面的核心痛点是什么？
假设这个岗位面试通过，岗位的工作内容会是一个怎样的形式？
中厂 - 出行服务 - A - 技术一面
业务分类：出行服务
面试轮次：技术一面
请做一个简单的自我介绍。
介绍一下知识库助手：它面向哪些用户？支持的问题范围是什么？
讲一下这个知识库助手的技术实现。
你们如何监控或评估答案的正确性？
最初的问题集和答案集是如何构造出来的？
Golden Set 构建完成后，后续自动化评估主要做了哪些事情？
前面讲的都是基于已有评估集的离线评估。如果真实用户在线上问了一个评估集之外的问题，而系统给出了错误答案，你们如何实时发现？
如果用户的问题本身不在已有问题集里，系统如何判断模型的回答属于 “预期之外”？
如果系统本应拒答，但模型没有拒答，反而引用了其他渠道的答案，系统能否在不依赖人工的情况下自动发现？
你提到了渠道 Metadata 隔离和 Wrong Channel 指标，但在实时链路中到底如何发现错误回答？
假设 Metadata 和检索结果都正确，向量库原文中的值是 3，但模型最终回答成了 2，系统能否自动发现这种事实错误？（幻觉）
如果让你设计一套机制来发现 “原文是 3、模型回答成 2” 这类线上问题，你会采用什么方案？
介绍一下智能排障助手，它主要解决了什么问题？
讲一下智能排障助手的技术实现。
这类问题排查对上下文的压力大吗？你们是怎么处理上下文压力的？
介绍一下你之前的支付工作经历。
在支付项目中，哪一部分是你独立负责的？其中挑战比较大的部分是什么？
对于你负责的支付业务，在技术上做了哪些资金安全保障？
给定一个 String 类型的数组，它表示一个后缀表达式（逆波兰表达式），其中操作符位于操作数之后，并支持加、减、乘、除四种运算，请计算并返回表达式的结果。
你日常比较常用的 MCP 有哪些？
反问
团队目前在做什么类型的 Agent 业务？主要聚焦哪些垂直场景？
除了当前介绍的场景，团队还有其他方向的 Agent 业务吗？
团队目前开展 Agent 业务时，最核心的痛点是什么？
团队使用 Claude Code、Codex 等 AI Coding 工具时，整体研发流程是怎样的？是否会通过知识库、MCP、OpenSpec 或 Skill 为模型提供研发上下文？
如果加入团队，这个岗位主要负责哪些工作？
团队是否属于支付业务线？具体负责什么金融业务？
JD
Tool 开发：负责 Tool 的核心功能开发，包括认证模块、授权模块、参数校验、限流、审计日志、输出脱敏等
Agent Identity 服务：开发和维护 Agent 注册、身份管理、API Key 管理、权限配置等服务模块
Dify 平台集成：负责 Dify 平台的 Workspace 隔离改造、Tool 配置迁移、与 Tool Gateway 的集成联调
可观测性开发：开发 Dashboard、配置告警规则、构建审计日志查询和分析能力
安全功能实现：实现参数注入检测、PII 数据脱敏、异常行为检测等安全功能模块
运维和 oncall：负责 Agent 基础设施的日常运维、故障排查和性能优化
文档和规范：编写业务方接入手册、SDK 使用文档和操作指南
任职要求
必须项:
3 年以上后端开发经验，精通 Python（FastAPI/Flask）或 JAVA/Go，代码质量高、工程习惯好
熟悉 Web 安全基础，了解 OWASP Top 10、SQL 注入 / XSS/CSRF 防护、输入校验和输出编码
熟悉 RESTful API 设计和开发，有反向代理或 API Gateway 相关开发经验
熟悉关系数据库（PostgreSQL/MySQL）和缓存系统（Redis），有高并发场景的数据存储经验
熟悉 Docker 和 Kubernetes 基本操作，能独立完成服务的容器化部署和运维
有日志系统使用经验（ELK/ClickHouse/Grafana），能编写日志查询和构建 Dashboard
具备良好的编码规范和测试习惯，熟悉单元测试和集成测试
优先项 (满足 2 项以上优先):
有 LLM 应用开发经验，使用过 Dify、LangChain 或类似框架，了解 Agent/Tool Use 的基本原理
有认证 / 授权系统开发经验，了解 JWT、OAuth 2.0、API Key 管理
有数据脱敏或 PII 处理经验，了解正则匹配脱敏或 NER 模型脱敏方案
有 ClickHouse 开发经验，能设计表结构和编写高效查询
有 Dashboard 开发经验，能构建数据可视化面板
中厂 - 出行服务 - A - 技术二面
业务分类：出行服务
面试轮次：技术二面
面试日期：2026-07-30
请简单介绍一下你自己。
你在前司 xx 部门主要负责哪些业务域？
你们 xx 部门从链路节点 A、链路节点 B、链路节点 C 到你们的系统边界是怎样划分的？
请举一个典型交易，详细说明它从用户发起到外部支付渠道的完整信息流链路。
在这条交易链路中，你所在的支付团队具体承担什么职责？
你主要负责的是交易系统，对吗？
交易链路如何保障数据和资金的一致性？
如何处理重复请求、重复回调以及回调乱序问题？
外部渠道调用超时时，如何处理交易未知态？
未知态最终通过哪些手段推进到终态？
你们在交易过程中使用了什么事务框架或事务方案？
为什么没有使用分布式事务？
请介绍一下 Spring 事务的实现原理。
在交易链路内部，你们具体如何通过事务保障多条数据的一致性？
在前司 xx 部门期间，你做过的规模较大、复杂度较高的需求是什么？
请介绍一下你负责的当地即时支付网络接入项目。
在这个项目中，你个人具体负责了哪些模块？
借记业务与贷记业务之间是什么关系？为什么信息流和资金流会分别通过不同模块完成？
面对一个大型支付网络接入需求，你会如何拆解需求并开展系统设计？
你如何从外部支付网络文档中梳理正常流程、异常流程和业务约束？
你在该项目中做了哪些领域设计、数据模型设计、接口设计和状态机设计？
如何设计交易落库、状态流转、报文生成、加签验签和异步回调处理？
如何处理网络超时、服务异常、重复回调、并发请求等异常场景？
什么情况下应该重试、熔断、降级或等待对账？
你如何证明这个大型项目能够安全上线并形成业务闭环？
你在前司 xx 部门负责的是哪个国家或市场？
你只负责某东南亚国家的市场，还是负责多个市场的中台能力？
除这个国家外，你还参与过哪些市场或服务的维护？
你做过对账相关工作吗？
支付渠道侧在对账链路中负责哪些工作？
渠道文件处理、内部交易流水关联和三方对账分别由哪些系统负责？
除了智能排障助手，你还做过哪些 AI 相关开发？
讲一下你们内部基于 OpenSpec、Spec-Driven Development 或 Skill 的研发提效流程。
这套流程是如何从 PRD、技术方案、Spec 一直流转到代码和测试的？
你们为 PRD 到技术方案、技术方案到 Spec、Spec 到代码以及代码到测试分别设计了哪些 Skill？
如何把公司内部的设计规范、开发规范和测试规范注入 AI Coding 流程？
当 AI Coding 生成大量代码后，你如何保障代码质量？
单元测试、分支覆盖率、集成测试、灰度和白名单验证分别承担什么作用？
单元测试也由 AI 生成时，如何避免测试代码与业务代码一起 “自证正确”？
测试阶段使用过哪些 AI 工具或 AI 测试方案？
使用 AI Coding 后，研发吞吐量提高，你个人保障代码质量的方式与不用 AI 时相比发生了什么变化？
面对更多生成代码，你是否增加了架构约束、静态检查、差异审查、风险分级或自动化回归等机制？
你目前是在职还是离职？
你是主动离职的吗？
你当时主动离职的主要原因是什么？
你对下一份工作的预期是什么？
你只考虑纯 AI Agent 开发岗位，还是也接受 AI 与传统后端融合的岗位？
你在前司期间历年的绩效情况怎么样？
你在前司的职级是什么？
你是否参加过晋升答辩？
你如何看待 “以服务端研发为主，在业务研发过程中结合 AI Coding 和 Agent 建设” 的岗位形态？
你为什么认为传统后端能力对 Agent 系统建设仍然重要？
反问
团队目前主要在做哪些 AI Agent 和业务方向？
该岗位中的 Agent 开发与传统业务研发之间是什么关系？
团队目前有哪些垂直 Agent 项目，例如排障助手、RAG、巡检或研发提效 Agent？
团队如何区分简单 Agent 和复杂 Agent？复杂度主要体现在哪些方面？
如果本轮通过，我后续实际负责的核心业务和岗位方向是什么？
深圳岗位所在的团队主要负责哪些金融业务域？
该岗位最终是纯 Agent 交付岗，还是以服务端研发为主、结合 AI Coding 和 Agent 建设的融合岗位？
JD
同一面。
中厂 - 出行物流 - A - 技术一面
业务分类：出行物流
面试轮次：技术一面
面试日期：2026-08-11
请先做一下自我介绍。
你之前的主要工作方向是后端开发吗？
你现在已经离职了吗？具体是什么时候离职的？
从离职到现在，中间休息的几个月主要做了什么？
RPC 和 HTTP 有什么区别？可以展开说明一下。
你们平时使用的是 gRPC 吗？
除了 RPC，你们内部还会使用其他通信协议吗？
你的 Agent 项目做过相应的评测吗？
排障 Agent 和 RAG 助手分别采用了怎样的评测思路？
你们的 Agent 实际上是按照这套思路进行评测的吗？
人工评测或人工抽检时，具体采用什么标准？
如果相关字段可以由脚本判断，是否不需要人工也能知道结果是否准确？
如果离线评测集有标准答案，为什么还需要人工评测？
Agent 是否存在没有唯一标准答案的输出？
你们的 Agent 项目采用了哪些模型？
千问 2.5 和千问 3.5 分别是什么时候发布的？
两代模型间隔较大，为什么项目中会同时提到它们？是否考虑过用新模型替换旧模型？
你知道哪些 Agent 架构或推理范式？
请挑一到两个你熟悉的架构重点介绍。
你平时会刷 LeetCode 吗？
你熟悉回溯算法吗？
请现场实现全排列。
针对没有通过的示例，请不要运行代码，逐行 Debug 并说明为什么会得到错误结果。
以 [1, 2, 3] 为例，代码为什么会产生类似 [1, 3, 3] 的结果？
递归的初始状态是什么？每一轮迭代后的状态是什么？
（讨论客服 Agent 方案时）你认为并行执行为什么会增加成本？如果调用次数相同，成本为什么会上升？
这个岗位以 Agent 开发为主，但后续也可能涉及模型微调和大模型评测；你以前是否有相关经验？是否感兴趣？
反问
目前团队主要是在做智能客服 Agent 吗？
在客服 Agent 场景中，RAG 是不是主要方案？
当前垂直客服 Agent 最核心的业务或技术痛点是什么？
如果面试通过，这个岗位入职后主要负责什么工作？
团队的工作时间、双休和年假情况如何？
JD
负责多业务客服智能体落地，完成知识挖掘、算法方案设计、开发实施、效果优化全链路工作，推动分流率、问题解决率等核心指标提升。
参与 AI 客服关键能力建设，攻坚意图分发、情绪安抚、模型幻觉防控等核心能力，沉淀可复用方案。
探索 RAG、模型微调、多智能体协作等前沿技术在客服的应用。
岗位要求：
重点院校本科及以上学历，计算机、数学、统计、人工智能等相关专业。
熟悉大模型与智能体相关技术，有 RAG、prompt 工程、模型微调、Harness 等实践经验。
具备机器学习、深度学习理论基础，掌握常用算法，可独立完成模型算法实现。
熟练使用 Python、SQL，有 Hive/Spark 等大数据平台使用经验优先。
有客服 / 对话系统实际项目经验、大模型落地实践经验者优先。
中厂 - 出行物流 - A - 技术二面
业务分类：出行物流
面试轮次：技术二面
面试日期：2026-08-12
请先做一下自我介绍。
请详细介绍一下知识库助手的业务背景、整体方案设计、难点和方案亮点。
你们处理的异构文档中包含图片，最终生成的答案会显示图片吗？
如果需要把图片提供给用户，可以采用什么方案？
你们评估过项目的最终效果吗？处理时间降低了多少？简历中的准确率数据是怎么评估出来的？
请具体讲一下评估脚本的逻辑。
评估是不是按不同环节分别进行？这些脚本是通过 AI 来评估的吗？
对于有明确标准答案的内容，是否只需要直接进行对比？
这个知识问答系统是否还不包含多轮对话，每次提问都会重新开始？
你认为整个项目最大的难点是什么？你是怎么解决的？
项目开发过程中是否会使用 AI Coding 工具？
具体使用过哪些工具？
是否了解 Claude Code 的内部原理，包括它的记忆架构？
请简单介绍一下智能排障助手的特点。
先介绍一下这个项目的业务背景。
Multi-Agent 方案中的子 Agent 是怎么拆分的？
为什么需要多个子 Agent？这些子 Agent 是按照什么依据拆分的？
每次排障时，这些子 Agent 是否都会启动？例如日志和配置是否每次都会查询？
客服场景和知识库 RAG、智能排障助手相比，在业务问题或解决方案上有哪些区别？
反问
目前出行物流 - A 在智能客服垂直领域最核心的业务或技术痛点是什么？
如果通过面试，这个岗位主要负责什么工作内容？
JD
负责多业务客服智能体落地，完成知识挖掘、算法方案设计、开发实施、效果优化全链路工作，推动分流率、问题解决率等核心指标提升。
参与 AI 客服关键能力建设，攻坚意图分发、情绪安抚、模型幻觉防控等核心能力，沉淀可复用方案。
探索 RAG、模型微调、多智能体协作等前沿技术在客服的应用。
岗位要求：
重点院校本科及以上学历，计算机、数学、统计、人工智能等相关专业。
熟悉大模型与智能体相关技术，有 RAG、prompt 工程、模型微调、Harness 等实践经验。
具备机器学习、深度学习理论基础，掌握常用算法，可独立完成模型算法实现。
熟练使用 Python、SQL，有 Hive/Spark 等大数据平台使用经验优先。
有客服 / 对话系统实际项目经验、大模型落地实践经验者优先。
中厂 - 快递物流 - A - 技术二面
业务分类：快递物流
面试轮次：技术二面
面试日期：2026-07-21
你哪年毕业的？工作几年了？
为什么想离开当前岗位？为什么转 Agent 方向？
你现在在哪个城市？能接受换城市（来上海）吗？
讲一个你负责过的项目 —— 就讲简历上的灰度组件：它解决什么问题？整体方案是怎样的？
- 追问：灰度切流过程中新旧版本并存，产生脏数据怎么办？
- 你们怎么评估 RAG 的回答质量？
追问：有没有做在线评估 / 用户反馈闭环？
追问：文档里如果有图片，怎么处理？
向量库用的什么？为什么选它？
你们团队多少人？
你项目里说的 “归因” 是怎么定义的？
主 Agent 和子 Agent 之间的上下文 / 通信是怎么设计的？
工具调用出现异常怎么处理？
用的什么框架？
- 追问：为什么选 LangChain/LangGraph？和 Spring AI、LangChain4j 对比过吗？
LangGraph 的 checkpoint 机制是什么？
模型输出的置信度 / 幻觉问题你们怎么处理？
你们的 Agent 有记忆功能吗？短期记忆和长期记忆怎么设计？
- 追问：短期 / 长期记忆分别怎么存储、什么时机沉淀？
你怎么理解 harness 工程（用工程手段保证 Agent 交付稳定）？
从 prompt 进来到最终输出，你的 Agent 要经过几层节点？
排障的成功率是多少？怎么统计出来的？
- 追问：简历上写的 “70% 自动闭环” 是怎么定义的？和成功率是什么关系？
子 Agent 有哪些？内部怎么设计的？
具体接入了哪些工具？权限怎么设计的？
追问：子 Agent 的输出怎么返回给主 Agent？
追问：结构化输出怎么校验？
你觉得今天自己表现怎么样？
在职期间时间怎么分配的？为什么现在才出来看机会？
你觉得自己在 Agent 方面的优势和不足是什么？
你之前的工作作息是怎样的？
你的 MBTI 是什么？
反问
这边 Agent 的业务场景是什么？（答：跨境物流，用户询价报价场景）
以报价助手为例，目前的核心瓶颈 / 痛点是什么？
公司内部技术栈是什么情况？
这个岗位主要负责什么？（答：报询价 Agent + 知识库）
贵司的作息是怎样的？
JD
岗位职责
1、负责 AI 智能体后端服务开发，基于 FastAPI、LangChain、LangGraph 等实现 Agent 编排、工具调用、状态管理和多轮对话。
2、参与寻报价、文档智能、数据查询等业务 Agent 的设计与落地。
对接外部业务系统和接口，处理 HTTP、WebSocket、Callback、异步任务等通信链路。
3、设计 Agent 异常处理和反馈机制，处理工具调用失败、模型误判、超时、重试、降级、人工确认等问题。
4、建设 Agent 可观测性，记录 prompt、tool call、state、trace 和用户反馈，用于问题定位和持续优化。
5、编写关键链路测试，保障 Agent 输出稳定、结构化结果可消费。
任职要求
1、熟悉 Python，具备后端开发能力，熟悉 FastAPI、Pydantic、asyncio 等。
2、熟悉 LangChain、LangGraph 等 Agent 框架，理解 Agent、Tool、State、Prompt、Memory 的基本设计。
3、熟悉 Dify、Coze、扣子等智能体编排平台，有实际项目经验优先。
4、熟悉 PostgreSQL/MySQL 等数据库，具备基础数据建模和查询能力。
5、熟悉 HTTPAPI、WebSocket、Callback、流式输出等通信方式。
6、理解 Agent 常见问题，包括幻觉、工具误调用、结构化输出失败、上下文污染、状态丢失等。
7、具备良好的代码阅读、问题排查和工程交付能力，能维护已有复杂业务代码。
加分项
1、做过寻报价智能体、客服智能体、销售助手、数据查询 Agent、文档智能等项目。
2、有物流、货代、跨境电商、供应链、ERP、CRM、SaaS 业务经验。
3、做过 RAG、文档解析、表格理解、合同 / 报价单抽取、多文件问答。
4、做过爬虫、网页结构化抽取、价格采集。
5、了解 Langfuse、LangSmith、OpenTelemetry 等 Agent 可观测性工具，有接入经验优先。
6、熟悉 Redis、消息队列、任务调度、限流、重试、日志追踪等后端基础设施。
中厂 - 网络安全 - A - 技术面
业务分类：网络安全 - 某服
面试体验：面试官脸色像吃了臭鱼
面试轮次：技术面
这个项目落地的时候遇到了哪些难点？
第二个项目里，日志上下文过大导致超限，这个具体是怎么解决的？
整个排障时间从 20 分钟降到 5 分钟，关键的优化节点是什么？排障的准确率是怎么量化评估的？
工具调用规模扩大以后，比较容易出现选错工具或者参数错误，你觉得有哪些方案能提高工具调用的准确率？
如果后面我们要做一个 Agent 底座，要保证高并发和稳定性，你觉得有什么方案？
JD
岗位描述：
1、负责公司安全相关 AI 产品的功能模块设计、开发、维护和优化，构建高性能、高可用、可扩展的安全检测系统
2、协同算法工程师完成安全效果预研的工程方案落地，包括前置处理、模型对接以及效果调优
3、持续优化系统性能与代码质量，解决工程实践中的技术难题，确保系统稳定高效运行
4、使用 Golang/Python 开发 AI 功能的后端服务，包括业务逻辑实现、对接系统组件（Redis/Pulsar 等）、对接模型等
任职要求：
1、计算机或相关专业本科及以上学历，具备扎实的计算机基础
2、精通 Python 或 Golang，具备良好的编码能力，能够独立完成功能模块开发
3、熟悉常用算法、数据结构及设计模式，具备系统设计与性能优化经验
4、具备强烈的自驱力和学习能力，对技术有热情，能够主动探索和解决挑战性问题
5、具备以下经验者优先：
（1）熟悉 Docker、Kubernetes 等容器化技术、对 Pulsar/Redis 等中间件有应用经验
（2）了解机器学习、大语言模型（LLM）基本原理，具备相关开发或应用实践经验
（3）有 ACM 算法竞赛获奖经历
中厂 - 视频平台 - A - 技术面
业务分类：视频平台
面试轮次：技术面
面试日期：2026-07-15
平时会玩一些游戏吗？主要玩什么类型的游戏？
现在还在前司吗？
前司是一家不错的公司，为什么选择离职、寻找新的机会？
早期经历主要是业务开发和后端架构优化，为什么从传统 Web 后端转向 Agent 研发？
这个职业转型的个人思考和契机是什么？
Agentic RAG 知识库助手这个项目的背景是什么？为什么要做这个项目？
在没有这个系统之前，研发和测试在效率上有哪些卡点？效率是如何度量的？
项目上线前后，查询效率的具体数据和统计口径是什么？
整个应用的架构是怎样的？
你在这个项目中主要负责哪一部分？是全部吗？
知识库技术方案选型时，做过哪些调研和对比？
你刚才说的技术选型，具体是 Agent 框架的选型，还是知识库方案的选型？
知识库这块具体采用了什么解决方案？为什么这样选？
现在大概有 x 份文档，数据量很大吗？
在 x 份文档的情况下，有没有考虑过直接让 Agent 使用 grep 进行搜索？效果会不会更好？
向量库的文档分块是怎么设计的？
从固定分块切换到父子分块后，具体是哪些指标发生了变化？
Source Hit 和 Section Hit 分别是什么含义？
Section Hit 的分子和分母分别是什么？
Section ID 和预期 Section ID 具体是怎么计算出命中率的？
Section Hit 从 63.3% 提升到 75%，可以如何理解？
用户发出一条提示词后，从检索到最终输出的完整流程是什么？
一个提示词进来后，是先去知识库检索，检索完就直接返回结果吗？
项目的三层评估体系具体是怎么做的？为什么要设计成这三层？
Retrieval Miss 这一层主要评估哪些指标？
Answer 这一层主要评估哪些指标？如何区分是检索器丢失，还是模型生成时丢失？
第三方评估具体是怎么做的？
回顾整个 Agentic RAG 项目，遇到的最大挑战是什么？
x 份文档具体包括哪些内容？是否都是第三方支付机构的接入文档？
知识库中的文档如何迭代和更新？
如果第三方支付机构的文档已经升级到 V4，但系统实际接入的是 V3，如何避免知识库返回不匹配的内容？
日志排障助手是如何设计的？
线上日志是如何和 Agent 打通的？
日志平台 API 封装成 MCP 后，Agent 如何调用这个工具？
MCP 工具的查询参数有哪些？
之前是否亲自做过支付机构对接？
你认为支付业务的核心是什么？
前司的支付系统有没有做异地双活？
两地多活时，上游有交易层的情况下，99% 和 1% 的流量是从哪个层面进行分配的？
流量灰度的逻辑和算法是什么？
灰度是基于哪个 ID 进行的？是轮询、随机，还是其他方式？
灰度过程中如何保证同一用户或同一业务请求的流量稳定性？
平时会在 GitHub 上关注哪些开源项目？
最近重点关注哪些项目？为什么关注？
反问
目前团队主要负责什么业务？
团队目前主要负责支付，还是也会涉及其他游戏技术中台业务？
团队目前有没有 Agent 相关的项目？还是主要以传统业务为主？
如果加入团队，岗位的核心职能是什么？
这个岗位的 KPI 和考核指标是什么？
团队目前在 Agent 方向上有哪些具体探索？
自然语言生成游戏活动目前采用什么技术路线？
为什么不直接采用自然语言生成代码，而是采用自然语言到 DSL 的方式？
团队在 AI 友好型架构方面主要解决哪些问题？
游戏业务中目前有哪些 toC 的 Agent 应用场景？
中厂 - 金融保险 - A - 技术一面
业务分类：金融保险 - 某安
面试体验：面试氛围可以看出来内部氛围非常差
面试轮次：技术一面
面试日期：2026-08-12
请简单做一下自我介绍，并重点介绍你的项目。
你真正从事 AI 开发的时间是不是不到一年，主要是在转型后开发 RAG 和 Agent？
你现在还在做 Java，还是已经完全转向 AI？
去年 7 月以前接触过 AI 吗？
从 Java 转向 AI 的学习成本怎么样？
支付领域知识助手的主要使用者是开发人员吗？
每接入一个支付渠道，通常都会新建一个微服务吗？
这个知识助手除了收集资料供查询，还做了哪些特别的优化或设计？
当 RAG 评估指标得分不高时，你在实际开发中做过哪些优化？
你们输入文档的复杂度是不是不高，主要是纯文本、没有多少图片？
如果 PDF 是扫描件并包含跨页表格，你会如何提高解析精度和最终问答准确率？
智能排障助手是单 Agent 还是 Multi-Agent？
你们的 Agent 使用什么技术框架，是 LangChain 还是 LangGraph？
智能排障助手的主要输入是不是报错日志？
日志会直接交给大模型分析吗，还是会先执行其他处理？
排障时是否使用 RAG 或历史经验库，还是完全依靠大模型推断错误原因？
你了解 A2A 协议吗？
通过日志和堆栈，系统能否定位到具体出问题的代码行？
除了两个 Agent 项目，你还做过哪些 AI 研发效能提升工作？
你们负责的应用涉及信创或国产化改造吗？
你原来的工作和待遇都不错，为什么还要离职跳槽？
你现在已经处于离职状态吗？
使用 AI 开发复杂需求时，你会不会先整理核心设计文档、接口规范和项目知识，而不是直接让 AI 扫描整个代码库？
对于交易流程等纯业务逻辑，如何让 AI 快速理解？
在多应用场景下，如何让 AI 分析一个应用的修改会影响哪些关联应用？
一个需求涉及很多模块时，如何让 AI 知道具体需要修改哪些模块和代码？
项目很大时，即使把调用关系写入本地文件，如何读取才能避免上下文溢出？
这两个 Agent 是正式业务需求，还是团队自己提出的内部提效项目？
你离职是不是因为只想做 Agent，而部门更看重 Java？
为什么不在职找好下一份工作再离职？
已经离职四个月，为什么至今还没有入职？
本岗位可能同时做 Java 和 AI；有 AI 需求时做 AI，没有 AI 需求时做 Java，你能接受吗？
你的 Java 工作主要是支付吗，是否涉及 xx 业务？
日均 x 笔交易对应的 QPS 是多少？
高并发支付系统如何保障安全，特别是如何防止重复支付？
面对突发流量冲击，你们做了哪些设计？
你们一天的数据量和最大热表规模大概是多少？
你们使用 MySQL 作为数据库吗？
表数据日积月累后，在数据库设计上做了哪些处理？
支付过程中出现超时等异常时，你们怎么处理？
支付过程中有使用事务吗？
面对多个支付渠道和支付方式，设计上如何避免重复开发？
使用反射和模板流程后，渠道个性化逻辑放在哪里？
请举例说明模板方法中具体放了哪些支付流程。
这个模板是抽象类还是接口？
抽象类里面具体放了什么？
接口和抽象类的使用场景有什么区别？
为什么通常先定义接口再写实现类，而不是直接写实现类？
你使用过多线程吗？
具体在什么业务场景下使用多线程？
使用过消息队列吗？
对账处理为什么要使用消息队列？
你们的对账具体是和哪些系统或机构对账？
你之前说不负责 xx 业务，为什么又参与 xx 对账？
什么情况下分表，什么情况下分库？
反问
这个岗位具体负责哪些财富业务？
目前部门在做哪些垂直 Agent 或 AI 应用？
运营提效和研发提效项目落地后，目前最主要的业务或技术痛点是什么？
如果通过面试，这个岗位会主要负责什么工作内容？
中厂 - 金融保险 - A - 技术二面
业务分类：金融保险
面试轮次：技术二面
面试日期：2026-08-17
请详细介绍一下你近期做的 AI 相关工作。
这个知识库助手现在面向的用户是谁？
是你们团队自己内部使用的吗？
现在有多少人在用？是从什么时候开始用的？
你们公司整体的人员规模大概是多少？
这个工具是面向公司这几千人，还是只有你们部门在用？
你们部门一共多少人？主要做什么业务？
这些相关业务是你们公司自己在做，还是你们只做相关的技术服务？
你们在海外市场的业务规模大概是多少？
你们公司做 AI 的整体架构是什么样的？有没有专门的 AI 研发团队、组织架构和产品规划？
除了刚刚说的知识库助手，你还做了哪一块 AI 应用？
排障助手也是面向你们自己内部、用于工作提效的吗？
有没有面向业务的 AI 实践？业务部门是否也需要用 AI 解决实际问题？
你之前主要的研发精力是在做支付相关的后端吗？
做支付后端时你大概是什么角色？团队总共多少人在做这件事？
你们做这块的团队结构是什么样的？你在里面承担什么角色？
请介绍一下你负责的那部分支付平台的技术架构。
你们怎么保障支付的安全性？架构上有做什么专门的设计吗？
xx 跑批那一块你做过吗？是你负责的吗？
你现在是什么状态？是已经离职了吗？
离职多久了？
这四个月里你在做些什么？
你现在有什么个人的作品吗？
中厂 - 旅游酒店 - AI 应用开发工程师
业务分类：旅游
面试轮次：技术二面
面试日期：2026-08-15
自我介绍。
讲解一下项目。
讲讲你的项目通常出现问题的时候的排查经验。
项目中的线程池是怎么配置的？
各个节点分别使用了哪些大模型？
Coze 和 Dify 有什么区别？
如何理解 Java 21 的虚拟线程？它和普通线程有什么区别？
项目有没有上线？单次跑一次排查需要多久？
可观测性是怎么实现的？
你怎么理解可观测性？用过哪些可观测性平台？
展开讲讲 AgentCore 的可观测性设计思路是什么？你认为有什么亮点？
项目里的评估这块你是怎么做的？
展开讲讲评估的方案是怎么落地的？遇到的痛点是什么？
对 CI/CD 了解多少？
CI/CD 你怎么集成评估？手段是什么？
Git 分支怎么定义？遇到合并冲突怎么解决？
合入的时候有没有设置 CI/CD 评估门禁，比如没通过某项指标则不予合入？
项目中用到了哪些设计模式？
怎么理解设计模式在 Agent 中的使用？
你认为后端和 Agent 之间的边界是什么？二者之间的关系又是什么？
反问
岗位对应的业务是什么？
部门的组成情况如何？
用到的技术栈和语言有哪些？
中厂 - 中型 AI 设备公司 - AI Agent 开发
业务分类：AI 设备
面试轮次：技术一面、技术二面
面试日期：2026-08-18
一面
自我介绍，介绍最近做过的项目。
项目整体架构是什么？做了哪些 AI 提效工作？
选型为什么用 LangChain？有没有做过方案横评？
团队规模、人员构成与分工是怎样的？
模型选型是怎么考虑的？有什么考虑的点？
模型选型时考虑过成本吗？怎么控制成本？
之前软件的安全策略、本地安全排查是怎么设计的？
项目中 RAG 是怎么实现的？基础链路有哪些？
AI Agent 项目中 LangGraph 是怎么搭建的？
说说你对 Agent 的理解？系统是怎么跑起来的？模型和其他模块之间的关系是什么？
AI 在 xx 业务中可以怎么应用？
常用哪些 AI Vibe Coding 工具？工具和工具之间的差异是什么？有什么最佳实践？
对 xx 业务做 AI 化有什么想法？
项目中遇到过最难的问题是什么？怎么解决的？
之前系统的数据规模和并发场景是怎样的？
基于简历上的指标追问。
二面
项目部分深挖，架构是如何设计的。
大模型选型时看重哪些角度和指标？
场景题：给定一批数据，怎么根据数据特性选择向量索引？
- 追问：数据量级升级百万级别，优化思路是什么？
系统设计题：设计一个类似某系统的产品，AI 改造思路是什么？如何分步实现？
RAG 项目指标细节。
追问：section hit 和 source hit 的区别？
追问：exact token 覆盖率的具体数字，代表含义是什么，如何提升？
对 Hermes 怎么看，如果要引入公司内部进行提效，你会作何建议？
项目中采用的 Qwen 模型具体参数量级是多少，有没有经过微调？
你对 Context Engineering 的理解，上下文压缩有哪些技巧，原理是什么？
灰度项目具体实现方案是什么？团队分工、开发与部署方式是怎样的？
支付系统如果对接 Agent 项目，你的思路会是什么？
你怎么看待目前前沿的概念演进？Prompt Engineering → Context Engineering → Loop Engineering → Graph Engineering？分别代表什么演进思路？
中厂 - 企业软件 - Java 开发 / AI 开发
业务分类：企业软件
面试轮次：技术一面、技术二面
面试日期：2026-08-13
一面
自我介绍、项目介绍。
你的项目里写了单 Agent 拆分多 Agent 怎么做的？多个子 Agent 如何并发执行？
各子 Agent 的结果怎么聚合？
如果其中一个 Agent 失败，并行模式是部分成功还是整体失败？
那么工具方面是怎么设计的？
工具的参数是怎么封装的？自己写的还是框架包办的？
工具执行失败了怎么办？有做对应的处理吗？
假设你的工具在重试和自纠正之后仍然出现错误，你的处理方式是什么？
项目的多轮对话支持吗？
多轮对话的原理是什么？
目前用户的会话是按什么维度进行归并的？
多轮会话会存在一个问题是线性的上下文膨胀问题，你是怎么解决的？
了解过 Claude Code 的上下文设计吗？讲讲？
上下文和记忆的关系你是怎么理解的？
记忆有哪些分类？具体应用场景是什么？
记忆的存储形式是什么？
何时读取记忆？你认为怎么设计记忆的更新、留存、去除规避污染？
二面
MCP 和 A2A 有什么区别？
MCP 主要解决什么问题？
你的 MCP 是怎么实现的？是哪种协议？
有鉴权和认证吗？
容器化沙箱和普通容器有什么不同？
你这边的沙箱的管理思路是？
有没有对比过方案选型，为什么选择现在这个方案？
Langgraph 的图编排是怎么做的？
checkpoint 了解吗？讲讲你的理解。
checkpoint 的原理是什么？有哪些内部数据结构？
你的项目里 checkpoint 是怎么配置的？
平时用 AI 做开发吗？用什么 AI 工具比较多？
用 Claude Code 吗？
项目遇到的最难问题是什么？怎么优化的？
Agent 的 trace 和轨迹回放是怎么做的？如果 Agent 项目出现问题，你会怎么考虑去定位和复现？
反问
这个岗位 Java 开发和 AI 开发的比例大概是多少？
团队的 Agent 目前主要服务哪些内部系统？
沙箱和 MCP 这些基础设施是团队自己建的，还是用的平台能力？
中厂 - AI 设备制造 - AI 应用开发工程师
业务分类：AI 设备
面试轮次：技术一面、技术二面
面试日期：2026-08-15、2026-08-18
一面
自我介绍，并介绍一个自己认为做得好的项目。
多 Agent 这块是怎么设计的？
为什么采用这种方式？和其他多 Agent 模式有什么不同？
这种设计有什么问题？
多 Agent 死循环了有遇到过吗？具体怎么解？
多 Agent 绑定的是同一套工具还是多套工具？
多 Agent 之间是怎么交互的，详细展开下？传递的数据结构是什么？
A2A 了解吗？主要用于什么场景下的通信？有什么缺点？
MCP 工具调用这一层的整体流程是怎样的？
工具调用的原理了解吗？Function Call 和 MCP 协议之间有什么区别？什么场景用什么？
假设目前存在很多套工具，工具与工具之间存在联系，你怎么保证工具调用的正确性，同时在这种前提下保证上下文占用低？
Skills 了解吗？原理是什么？
编写 Skills 的最佳实践是什么？
Skills 太多的情况下你会怎么处理？
Skills 适合什么场景下的内容？
项目的可观测是怎么做的？
评估这块你的落地思路是什么？
你刚说你设计了三层的评估思路？具体是哪三层？为什么是这三层？
trace 怎么设计的？出现问题怎么复现？
你觉得这个项目还有什么可以优化的地方？
幻觉怎么发现和抑制？你在项目里有做什么手段防止？
transformer 的原理是什么？
KV Cache 了解吗？展开说说？
Attention 过程是什么？有什么瓶颈？
如何看待加班？
二面
自我介绍。
RAG 检索的整体流程是什么？
检索结果的打分过程是怎样的？
ReAct 的原理是什么？
Plan 和 ReAct 有什么区别？
Agent 的完整工作过程是什么？
上下文组装的过程是怎样的？
上下文管理这块你是怎么做的？说说你的理解。
Claude Code 的上下文管理有看过吗？了解吗？
这里的阈值为什么是这个阈值？是否支持手动改？
你在项目里的阈值设置的多少？为什么设置这个值？
多轮对话支持吗？讲讲实现原理？
你怎么理解多轮对话和上下文的关系？
会话之间要隔离吗？同一个用户同时开了两个会话，上下文和记忆怎么处理？
讲讲你的智能排障助手的整体架构？从用户输入一个问题到最终输出根因，完整链路是怎样的？
排障过程中你对接了哪些工具？工具的 Schema 是怎么定义的？举个具体的例子？
排障助手怎么决定先查日志还是先查配置中心？这个调用顺序是写死的还是让模型自己决定的？
如果日志量特别大，比如几十万行，你怎么处理？不可能全塞给模型吧？
第一次工具调用的结果不足以定位问题的时候，Agent 怎么决定下一步做什么？能举一个实际的多步推理案例吗？
工具调用超时了怎么办？返回了异常格式怎么办？模型输出了一个不存在的工具名怎么办？
排障助手的工具调用有没有做权限控制？比如 SQL 能执行写操作吗？SQL 注入怎么防的？
如果 Agent 陷入了死循环，反复调用同一个工具但一直得不到有效信息，你怎么处理？
假设用户跟排障助手说 “系统挂了”，就这么一句话，这种模糊描述你怎么处理？有没有遇到过这种情况？
Agent 给出了错误的根因分析，在排障场景下可能造成什么后果？你怎么降低这个风险？
支付侧知识库的文档类型有哪些？不同类型的文档分块策略一样吗？
分块的大小你是怎么定的？chunk size 和 overlap 分别设的多少？为什么？
用户问 “退款流程是什么” 和 “refund process” 能检索到同一批文档吗？你怎么处理这种语义等价但表述不同的情况？
你用的什么 Embedding 模型？为什么选这个？有做过不同模型的效果对比吗？
你用的什么向量数据库？选型的时候考虑了哪些因素？
支付业务的知识更新频率高吗？知识库的增量更新是怎么做的？
如果检索结果和用户问题不相关，模型会不会 “硬编” 一个答案？你怎么做兜底？
如果用户在支付知识库里问了个完全无关的问题，比如问今天天气怎么样，你怎么处理？
你怎么评估 Agent 的效果？有量化指标吗？
RAG 项目的效果你怎么评估？用了什么指标？了解 RAGAS 吗？
追问：RAGAS 四大指标是哪四大指标？
追问：四大指标代表含义是什么？计算方式怎么算的？
- Agent 上线以后，你会监控哪些指标？告警怎么设？
反问
团队的 Agent 目前主要用在设备侧，还是内部提效？
模型是自己部署的，还是调用外部 API？
下一轮面试主要考察哪些方面？
团队现在的 RAG 和 Agent 项目处在什么阶段？
团队规模和分工是怎样的？
入职后第一个项目大概会做什么？
中厂 - 通信硬件 - AI 应用开发岗
业务分类：通信硬件
面试轮次：技术一面、技术二面
面试日期：2026-08-03、2026-08-05
一面
自我介绍。
你有两个 AI 项目，挑一个你觉得最有挑战的讲一下，讲清楚背景、架构和你负责的部分。
排障助手一开始就是多 Agent 吗？什么时候决定拆成多 Agent 的？拆之前是什么架构？
主 Agent 和子 Agent 之间传的是什么？完整的对话历史还是结构化的结论？为什么这么设计？
子 Agent 是并行跑还是串行跑？并行的话结果怎么汇总？
- 追问：有一个子 Agent 超时了，主 Agent 是继续等，还是先用已有信息给结论？超时阈值设的多少？
工具是通过 MCP 接进来的吗？每个子 Agent 能看到全部工具吗？还是做了工具隔离？
MCP 的 Client 和 Server 是怎么通信的？传输方式有哪些？你用的是哪种？
了解 Skills 吗？它和 MCP 是什么关系？
模型选错工具、填错参数的情况多吗？你们是怎么减少的？能举个实际发生过的 bad case 吗？
为什么自己写 ReAct 的 Output Parser，而不直接用 Function Calling？
- 追问：Parser 解析失败的时候怎么兜底？失败率大概是多少？
讲一下 ReAct 的原理，Thought、Action、Observation 各自的作用是什么？
ReAct 和 Plan-and-Execute 有什么区别？你的排障助手用的是哪种？为什么？
ReAct 循环的最大步数是怎么定的？到了上限还没找到根因怎么办？
- 追问：有没有出现过 Agent 在循环里兜圈子、反复调同一个工具的情况？怎么检测和处理的？
- 上下文为什么会爆？你们做了哪些压缩策略？
- 追问：压缩以后关键信息丢了，怎么发现的？有没有因为压缩导致排障失败的案例？
日志里有大量重复的堆栈，你们有没有做去重或者聚类？
Agent 查配置中心的时候，怎么保证不会执行危险的操作？具体的安全措施有哪些？
排障失败率从 40% 降到 10%，“失败” 是怎么定义的？这个指标是怎么统计和追踪的？
这个项目现在有多少人在用？用户反馈怎么样？有没有数据支撑？
算法题：无重复字符的最长子串。讲思路，写代码，分析时间和空间复杂度。
二面
自我介绍。
知识库助手上线以后，用户问得最多的是哪几类问题？有没有按问题类型拆开看效果？
文档有没有权限控制？不同团队能看的文档不一样的话，检索时怎么过滤？
用户在多轮对话里追问 “那退款呢”，检索用的 query 是怎么构造的？直接拿这句话去检索吗？
- 追问：有没有做 Query 改写？改写错了怎么发现？
- 答案里的引用是怎么做的？用户怎么知道答案出自哪份文档的哪一段？
- 追问：引用的段落和答案对不上的时候，怎么排查？
Chunk 里除了正文，还存了哪些 Metadata？这些字段分别在检索的哪一步用到？
不同支付渠道的文档内容长得很像，怎么避免答串渠道？
- 追问：用户的问题里没提渠道怎么办？你怎么判断用户问的是哪个渠道的？
如果给知识库助手做一个线上效果看板，你会放哪些指标？
你之前做支付系统，讲一下一笔支付从用户发起到渠道返回结果的完整链路。
渠道返回超时，这笔交易的状态怎么处理？
- 追问：查单也查不到结果，怎么办？最终兜底方案是什么？
怎么防止重复支付？幂等键怎么选的？
分布式锁是怎么实现的？用的 Redis 还是 ZooKeeper？
- 追问：锁过期了业务还没执行完怎么办？你们遇到过这种情况吗？
支付流水表数据量很大以后怎么办？分库分表的分片键怎么选？
MySQL 的 MVCC 是怎么实现的？ReadView 的生成时机在 RR 和 RC 下有什么区别？
你两个项目分别用的什么模型？为什么选这个模型？有做过模型之间的效果对比吗？
token 消耗大概是什么量级？有算过成本吗？做了什么优化？
如果让你把排障助手从现在的架构扩展成一个通用的智能运维平台，你会怎么设计？
场景题：设计一个支付结果通知服务，要求保证商户一定能收到通知。说说整体方案、存储设计、重试策略和兜底机制。
支付项目展开（约 20 分钟）。
你的 AI 项目在团队里是怎么立项的？有没有遇到阻力？业务方一开始认可吗？
你觉得 Agent 项目最难的是技术，还是落地？能举个具体的例子吗？
业务方觉得 Agent 不好用，你一般怎么处理？有没有实际经历过这种情况？
你理解的 Harness 是什么？在你的项目里有体现吗？
怎么看最近 Claude Code、Codex 这类 Coding Agent 的发展？你觉得对应用层的 Agent 开发者意味着什么？
下一份工作你最看重什么？
中厂 - 金融科技 - AI 应用开发岗
业务分类：金融科技
面试轮次：技术二面
面试日期：2026-08-08
自我介绍。
讲一下你的知识库助手，解决什么问题？谁在用？日均调用量大概多少？
从文档入库到生成答案，完整链路讲一遍。每一步用的什么技术组件？
文档是什么格式？PDF 里面的表格、流程图是怎么处理的？
追问：有没有遇到过解析质量特别差的文档类型？怎么解决的？
追问：有没有做过清洗？
追问：你怎么理解文档质量对后续流程的影响？具体影响哪些流程？
- 分块是怎么做的？为什么用父子分块而不是固定大小分块？
追问：父块和子块的大小分别是多少？怎么定的？调过吗？调了之后效果变化大吗？
追问：你提到 section hit 和 source hit 具体指标是多少？
追问：对指标优化的思路是什么？
- Embedding 用的什么模型？为什么选这个？有没有跟其他模型做过对比？
追问：除了考虑语料和数据敏感性，还考虑过其他吗？
追问：成本方面有没有做过什么考量？
- 为什么一定要做混合检索？只用向量检索不行吗？具体差在哪？
- 追问：讲讲 BM25 原理？为什么用 BM25 不是其他的？
多路召回的结果怎么融合？用的 RRF 还是加权？权重怎么调的？
为什么要 Rerank？不做 Rerank 的差异在哪？
- 追问：指标有确认过吗？怎么做的对比？
LLM 用的什么模型？有没有微调过？
答案里出现了文档里根本没有的内容，你怎么发现的？上线以后怎么持续监控这个问题？
同一份文档有新旧两个版本，怎么保证答案引用的是最新版？旧版本直接删还是保留？
评测集是怎么构造的？谁来标注？标注一致性怎么保证？
Retrieval Miss 和 LLM Miss 有什么区别？两个指标的具体含义和作用是什么？
RAGAS 里你用了哪些指标？你觉得这些指标靠谱吗？
- 追问：用大模型当裁判，裁判本身的误差怎么控制？有没有做过人工评估和 RAGAS 自动评估的一致性对比？
如果文档量涨到百万份，你现在的方案哪里会先出问题？你会怎么改？
向量库选型考虑了哪些因素？用的什么向量数据库？HNSW 和 IVF 有什么区别？你选了哪个索引类型？
Agentic RAG 和传统 RAG 有什么区别？你的项目算哪一种？
如果给你的项目打分，你会打多少分？你觉得哪里还有改进的空间？
排障助手的指标展开说说。
挑一个你在开发排障助手的时候遇到的难点，讲讲你是怎么解决的。
你怎么保证上下文压缩的时候信息不丢？
你说在工具层面也有做对应的优化，具体的优化措施是什么？
日志预格式化会丢失一部分的信息吗？是有损格式化还是无损格式化？怎么保证一定能完全放入到上下文中？
有没有遇到过上下文盆地效应？有什么防治手段？
项目整体是什么架构的？为什么选 Workflow + ReAct 而不是其他？
既然说到 ReAct，对比一下它和 Plan & Execute、Workflow 的区别？什么场景下适用？
有没有遇到 ReAct 做太久迷失的情况？怎么解决？
有没有遇到过任务失败的场景？挑一个典型的失败场景说一下你是怎么优化的？
这个 Agent 的评估是怎么做的？有哪些手段？
排障助手的 Prompt 改了以后，怎么确认没有把之前能解决的 case 改坏？
反问
团队的知识库主要服务哪些业务场景？
金融场景对答案准确性要求很高，目前有没有人工审核环节？
这个岗位更偏 RAG 还是 Agent？
中厂 - 电商 - AI 应用开发岗
业务分类：电商
面试轮次：技术一面、技术二面
面试日期：2026-08-02、2026-08-03
一面
自我介绍。
简单讲一下你的两个项目，你觉得哪一个和客服场景更接近？为什么？
如果让你从零做一个电商客服 Agent，整体架构怎么设计？画一下。
意图识别你会怎么做？用分类模型，还是用 LLM 直接做？
追问：意图很多、而且经常新增的时候怎么扩展？每次新增意图都要重新训练吗？
追问：用户一句话里有两个意图怎么办？比如 “我要退款，顺便问一下我的另一个订单发货了吗”？
多轮对话中用户突然换了话题，上下文怎么处理？之前的上下文还保留吗？
客服的多轮对话里，订单号、用户身份这些信息要一直保留，你会怎么存？
- 追问：用户中途换了一个订单来问，之前的订单信息怎么处理？
用户情绪很激动的时候，Agent 怎么识别和应对？什么条件下该转人工？
客服 Agent 要查订单、查物流、查库存，工具调用很慢的时候，用户体验怎么保证？
客服场景里，多个工具调用是并行还是串行？怎么决定的？
- 追问：如果两个工具之间有依赖关系呢？比如要先查订单号，再拿订单号去查物流？
知识库里的答案和业务规则冲突了，以谁为准？怎么在架构上保证优先级？
怎么防止用户通过对话诱导 Agent 说出不该说的话？比如套取内部策略、话术？
- 追问：你了解 Prompt Injection 吗？在客服场景下怎么防？
- 怎么衡量客服 Agent 的效果？你会定哪些指标？
- 追问：分流率和解决率分别怎么定义、怎么算？解决率是用户主动反馈的，还是系统自动判断的？
你觉得这个场景需要微调模型吗？为什么？微调和 Prompt Engineering 的边界在哪里？
讲讲你对 checkpoint 的理解。在客服这种长对话场景下，checkpoint 有什么用？
- 追问：checkpoint 越存越多，存储和恢复的性能怎么控制？什么时候清理？
你觉得客服场景下，记忆应该怎么注入？
说说你觉得在客服场景下，记忆应该怎么管控？
假设要开发一个 RAG 应用给商家使用，你觉得从哪些方面入手会好一些？
你之前没做过客服方向，进来以后打算怎么快速上手？
二面
上一轮你说可以用 RAG 来支撑客服的知识问答，那你在知识库项目里，混合检索具体是怎么做的？效果怎么样？
你的知识库项目里，文档更新了怎么办？增量更新还是全量重建？
- 追问：旧版本的知识还留着吗？会不会检索到过期的答案？
如果客服场景的知识库有几万篇文档，检索延迟怎么控制？你预估你现在的方案能扛住吗？
在排障助手项目里，你是怎么做 Agent 的效果评估的？有量化指标吗？
- 追问：评估是上线前做一次，还是持续在做？
有没有做过 Agent 的 trace？从用户输入到最终输出，中间每一步的 Thought、Action、Observation 都能追溯吗？
你之前做支付系统，灰度双活 SDK 是你设计的吗？讲一下整体方案。
- 追问：灰度过程中发现新版本有问题，回滚要多久？有没有实际回滚过？
服务刚发布时第一批请求很慢，原因是什么？你们是怎么预热的？
对账任务要处理很大的对账文件，内存怎么控制？用的流式读取还是分批加载？
消息队列消费失败怎么处理？会不会导致数据不一致？
线上用的是哪个垃圾回收器？为什么选它？GC 停顿时间大概多少？
你们支付项目中用了哪些设计模式？
- 追问：模板方法和策略模式有什么区别？
系统设计：设计一个客服会话管理系统，要求支持多轮对话、会话持久化、超时自动结束、转人工无缝衔接。说说你的整体方案。
了解 GraphRAG 吗？和普通 RAG 比有什么优势？你的支付知识库有没有适合用图结构的场景？
反问
客服 Agent 现在的分流率大概在什么水平？最想突破的是哪个指标？
团队里算法和工程是怎么分工的？
转人工目前是规则判断，还是模型判断？