知识点快速导航

优先把高频知识点放在最前面。可以点击下面卡片进入，也可以直接点左侧目录树。

Agent架构与范式

题目数 28 · 涉及公司 8 · 涉及面经 9

代表题目

• #Agent面试会问什么？# （3 次）
• 如果工具调用超时或返回空值，你如何设计Prompt让Agent反馈用户？ （2 次）
• 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent （1 次）
• Agent 的规划、执行、反思三段式链路怎么设计 （1 次）
• RAG 可以怎么分类，Agentic RAG 和传统 RAG 差别在哪 （1 次）
• workflow和agent区别 （1 次）
• agent怎么保证有用？ （1 次）
• 你们的 Agent 是单 Agent 还是多 Agent？为什么这么设计？有没有考虑过替代方案？ （1 次）

RAG与检索优化

题目数 26 · 涉及公司 8 · 涉及面经 10

代表题目

• Rerank的Top-k数量怎么确定？ （2 次）
• 向量数据库检索出来的历史信息，如果语义相关但时间太久，能直接用吗？ （2 次）
• 对于RAG，既然向量检索已经计算了相似度，为什么还要用引入交叉编码器进行重排？ （2 次）
• RAG 项目里怎么做召回闭环，才能让系统真的越用越准 （1 次）
• HyDE 的原理是什么，什么时候有效，什么时候会害人 （1 次）
• IVF、PQ、IVF-PQ 分别在做什么，为什么它们能把向量检索做快 （1 次）
• 向量索引有哪些典型类别，分别适合什么场景 （1 次）
• RAG 的主要模式和主要工作流程是怎样的？ （1 次）

模型基础与推理机制

题目数 18 · 涉及公司 8 · 涉及面经 9

代表题目

• GRPO 相对 PPO 的优势到底是什么，为什么它在大模型后训练里会被关注 （1 次）
• 本人大二双非本科，我的专业是数据科学与大数据技术，想确定方向是走大数据开发还是ai大模型应用开发。我需不需要考研呢这两个方向，其实我又不太想考研😂 （1 次）
• attention和self-attention （1 次）
• 为什么attention比rnn好 （1 次）
• LLM 的输入到底是什么？模型真正看到的内容包含哪些？ （1 次）
• self-attention 的核心作用是什么？为什么要拆成 Q、K、V？ （1 次）
• 为什么 attention 能建模长距离关系？ （1 次）
• 为什么需要 multi-head？attention 为什么可以看成动态加权？ （1 次）

项目介绍与项目拷打

题目数 15 · 涉及公司 10 · 涉及面经 12

代表题目

• 自我介绍 （8 次）
• 项目拷打 （5 次）
• 介绍你写的这个项目 （1 次）
• 你挑一个最熟悉的项目详细讲一下，重点说业务背景、数据形态和你负责的部分 （1 次）

记忆与上下文管理

题目数 15 · 涉及公司 7 · 涉及面经 9

代表题目

• 讲一下Agent中的短期记忆和长期记忆分别怎样存储？ （2 次）
• Agent 的记忆一般怎么分层，为什么不能只靠聊天历史 （1 次）
• 记忆机制的设计？如果都放在一起怎么办 （1 次）
• 上下文是如何构建的？你们怎么避免上下文过长或信息污染？ （1 次）
• 如果上下文窗口不够，你会优先保留哪些信息？为什么？ （1 次）
• attention 复杂度很高，当上下文特别长时，你会怎么优化？ （1 次）
• Session 和 User ID 是如何绑定的？ （1 次）
• 长期记忆和短期记忆在设计上有什么区别？本质上有什么区别？ （1 次）

框架、MCP与工具调用

题目数 9 · 涉及公司 5 · 涉及面经 6

代表题目

• MCP、Function Calling、Skills、Agent 分别是什么，它们之间是什么关系 （1 次）
• mcp （1 次）
• 为什么选择 Spring AI 框架？ （1 次）
• Spring AI 框架的主要优势是什么？ （1 次）
• MCP的交互流程是怎样的？ （1 次）
• 对其他主流 AI 框架（如 LangChain）有了解吗？ （1 次）
• skills的原理有没有了解过？怎么实现的？ （1 次）
• 谈谈对agent Skills的认识 （1 次）

后端基础与工程化

题目数 9 · 涉及公司 5 · 涉及面经 6

代表题目

• Python 有多线程吗？GIL 是干嘛的？什么时候多线程才是有用的？ （1 次）
• 多租户环境下模型切换是否支持热更新？切换是否相互独立？ （1 次）
• python有没有多线程？为什么要有GIL，有没有了解过？多线程的锁都有什么？lock和Rlock有什么区别？ （1 次）
• 什么是python闭包，你在项目中哪些场景中使用了的 （1 次）
• Java中如何处理内存泄漏风险 （1 次）
• zset是居于rediss的什么结构？sorted set是什么？基于哪种数据结构？如何实现？ （1 次）
• 谈谈你对 JVM 调优的理解，有哪些常见的调优参数或方法？ （1 次）
• 在启动命令中调整 JVM 参数，怎么做？ （1 次）

评测、幻觉与数据集

题目数 8 · 涉及公司 6 · 涉及面经 6

代表题目

• 如何评估Rerank的有效性？有什么指标吗？ （2 次）
• 如果 GRPO 训练效果不好，你会先排查什么 （1 次）
• 你们如何评估生成单测的质量？ 除了覆盖率，还有哪些指标有效？ （1 次）
• 模型产生幻觉的常见原因是什么？工程上有哪些方法可以降低幻觉？ （1 次）
• 对于代码解析有没有前置分析？有效性判断怎么实现的？未来让你来优化这些指标你会怎么设计？ （1 次）
• 除了LLM as a Judge，还有什么方法评测回答的效果？ （1 次）
• 为网易云音乐设计一个AI歌词生成系统，如何提升创意性和押韵效果？ （1 次）

算法与编码题

题目数 8 · 涉及公司 6 · 涉及面经 7

代表题目

• 手撕:一道原创题，忘记题目了，但是不难 （2 次）
• 代码实现LRU （1 次）
• 手撕 :两两交换链表中的节点 （1 次）
• 手撕 （1 次）
• （整个流程总共20分钟，无手撕代码环节。时间短的比拷打1个半小时，宁愿被拷打一个半小时） （1 次）
• 相比容易内卷的纯提示词、AI 绘画，或是门槛极高的算法研究，AI + 工程落地才是普通人最容易走通、成长最清晰的路 （1 次）
• 手撕 八皇后问题 （1 次）

HR与流程信息

题目数 2 · 涉及公司 2 · 涉及面经 2

代表题目

• #数据人offer决赛圈怎么选# （1 次）
• 大概有几面：总共两面，后面一面是HR面 （1 次）

牛客近6个月AI应用开发面经汇总

• 生成时间：2026-06-11 06:14:36
• 统计窗口：2025-10-11 ～ 2026-04-12
• 搜索关键词数：53
• 牛客搜索候选帖数（去重后）：205
• 过滤后实际面经帖数：18
• 最近3个月面经帖数：17

说明：这里的“全量”指基于牛客站内搜索 + 多组岗位关键词扩展后，当前可检索到并落在近6个月窗口内的相关面经帖去重结果。

搜索关键词

• AI应用开发、AI应用开发 面经、AI应用开发 一面、AI应用开发 二面、AI应用开发 实习、AI应用平台开发、AI应用平台开发 面经、AI应用服务端开发、AI应用服务端开发 面经、AI应用后端开发、AI应用后端开发 面经、AI应用前端开发、AI应用工程师、AI应用工程师 面经、AI技能应用开发、AI Agent开发、AI Agent开发 面经、AI Agent 应用开发、AI Agent研发、Agent开发、Agent开发 面经、智能体开发、智能体开发 面经、智能体应用开发、智能体与大模型应用工程、智能体与大模型应用工程 面经、大模型应用开发、大模型应用开发 面经、大模型应用开发 一面、大模型应用开发 二面、大模型应用工程、大模型应用工程师、大模型数据应用开发、大模型数据应用开发 面经、大模型开发、大模型应用、小红书 AI Agent开发 一面、米哈游-AI Agent研发-暑期一面、百度ai agent开发春招一面、字节agent开发实习一面凉经、快手AI Agent开发一面（已过）、4.9-淘天agent-二面、腾讯暑期实习 ai agent开发一面、实习-快手电商-大模型数据应用开发一面、字节暑期后端agent开发一面、快手大模型应用开发算法岗三面面经、拼多多大模型应用开发一面凉经、腾讯 大模型应用开发 二面、腾讯 大模型应用开发 一面、大模型应用开发一面-美团面经、OPPO大模型应用开发一面 攒人品、字节 大模型应用开发 二面 日常实习、字节大模型应用开发 日常实习一面

公司分布

• 小红书: 3
• 字节: 2
• 快手: 2
• 面壁智能: 1
• 大数据开发还是大模型应用开发: 1
• 米哈游: 1
• 百度: 1
• 联想: 1
• 吉利科技: 1
• 腾讯: 1
• 美团: 1
• OPPO: 1
• AI应用开发: 1
• 大模型应用开发校招面经: 1

月份分布

• 2026-04: 10
• 2026-03: 7
• 2025-10: 1

总表

逐条整理

2026-04-12｜小红书 AI Agent开发 一面

• 公司：小红书
• 岗位归类：ai agent开发
• 轮次：一面
• 来源：https://www.nowcoder.com/discuss/872820735335485440
• 命中搜索词：小红书 AI Agent开发 一面、快手AI Agent开发一面（已过）
• 提炼摘要：1. 自我介绍；2. 介绍你写的这个项目；3. 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent；4. MCP、Function Calling、Skills、Agent 分别是什么，它们之间是什么；5. Agent 的规划、执行、反思三段式链路怎么设计；6. Agent 的记忆一般怎么分层，为什么不能只靠聊天历史
• 提取到的面试题/考点：
• 1. 自我介绍
• 2. 介绍你写的这个项目
• 3. 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent
• 4. MCP、Function Calling、Skills、Agent 分别是什么，它们之间是什么关系
• 5. Agent 的规划、执行、反思三段式链路怎么设计
• 6. Agent 的记忆一般怎么分层，为什么不能只靠聊天历史
• 7. RAG 可以怎么分类，Agentic RAG 和传统 RAG 差别在哪
• 8. RAG 项目里怎么做召回闭环，才能让系统真的越用越准
• 9. HyDE 的原理是什么，什么时候有效，什么时候会害人
• 0. IVF、PQ、IVF-PQ 分别在做什么，为什么它们能把向量检索做快
• 1. 向量索引有哪些典型类别，分别适合什么场景

2026-04-10｜面壁智能 大模型应用开发 二面

• 公司：面壁智能
• 岗位归类：大模型应用开发
• 轮次：二面
• 来源：https://www.nowcoder.com/discuss/872208981542854656
• 命中搜索词：大模型应用、大模型数据应用开发、大模型数据应用开发 面经
• 提炼摘要：1. 项目拷打；2. GRPO 里的 reward 一般怎么设计，怎么避免模型学歪；1.5 * correct +；0.5 * format_ok +；0.3 * safe_score；0.2 * length_penalty
• 提取到的面试题/考点：
• 1. 项目拷打
• 2. GRPO 里的 reward 一般怎么设计，怎么避免模型学歪
• 1.5 * correct +
• 0.5 * format_ok +
• 0.3 * safe_score
• 0.2 * length_penalty
• 3. GRPO 相对 PPO 的优势到底是什么，为什么它在大模型后训练里会被关注
• 4. 如果 GRPO 训练效果不好，你会先排查什么
• 5. 多模态里的 ViT 一般是怎么训练的，训练任务都有哪些
• 6. 多模态训练里，视觉编码器为什么经常不完全放开训练
• 7. Projector 常见有哪些形式，分别起什么作用

2026-04-10｜大数据开发还是大模型应用开发

• 公司：大数据开发还是大模型应用开发
• 岗位归类：大模型应用开发
• 轮次：未明确
• 来源：https://www.nowcoder.com/feed/main/detail/8d6f1a5caf2149cf95989c3879debccc
• 命中搜索词：大模型应用、大模型数据应用开发、大模型数据应用开发 面经
• 提炼摘要：本人大二双非本科，我的专业是数据科学与大数据技术，想确定方向是走大数据开发还是ai大模型应用开发。我；#数据人offer决赛圈怎么选#；#你会选择考研还是直接就业#；#牛客AI配图神器#
• 提取到的面试题/考点：
• 本人大二双非本科，我的专业是数据科学与大数据技术，想确定方向是走大数据开发还是ai大模型应用开发。我需不需要考研呢这两个方向，其实我又不太想考研😂

• 数据人offer决赛圈怎么选

• 你会选择考研还是直接就业

• 牛客AI配图神器

2026-04-09｜米哈游-AI Agent研发-暑期一面

• 公司：米哈游
• 岗位归类：ai agent研发
• 轮次：一面
• 来源：https://www.nowcoder.com/feed/main/detail/a1566acc2660477dbf54b58885513d6c
• 命中搜索词：米哈游-AI Agent研发-暑期一面
• 提炼摘要：1.自我介绍；2.项目；3.问SFT；4.attention和self-attention；5.为什么attention比rnn好；6.workflow和agent区别
• 提取到的面试题/考点：
• 1.自我介绍
• 2.项目
• 3.问SFT
• 4.attention和self-attention
• 5.为什么attention比rnn好
• 6.workflow和agent区别
• 7.记忆机制的设计？如果都放在一起怎么办
• 8.mcp
• 9.few-shot有没有用？
• 0.agent怎么保证有用？
• 1.沙箱了解吗？
• 2.你会怎么去测试ai写的代码？
• 3.代码实现LRU
• 4.反问:做什么？有什么建议？面试几轮？

2026-04-09｜百度ai agent开发春招一面

• 公司：百度
• 岗位归类：ai agent开发
• 轮次：一面
• 来源：https://www.nowcoder.com/feed/main/detail/c807140b75bd4cf3bf4166660676db5d
• 命中搜索词：百度ai agent开发春招一面、腾讯暑期实习 ai agent开发一面
• 提炼摘要：简单讲一个你最有代表性的项目，你在其中解决的最关键问题是什么？；提示词模板是怎么设计与迭代的？你如何判断一个模板真的变好了？；你们的 Agent 是单 Agent 还是多 Agent？为什么这么设计？有没有考虑过替代方案？；Agent 的任务是怎么拆分的？拆分粒度是怎么决定的？；上下文是如何构建的？你们怎么避免上下文过长或信息污染？；如果上下文窗口不够，你会优先保留哪些信息？为什么？
• 提取到的面试题/考点：
• 简单讲一个你最有代表性的项目，你在其中解决的最关键问题是什么？
• 提示词模板是怎么设计与迭代的？你如何判断一个模板真的变好了？
• 你们的 Agent 是单 Agent 还是多 Agent？为什么这么设计？有没有考虑过替代方案？
• Agent 的任务是怎么拆分的？拆分粒度是怎么决定的？
• 上下文是如何构建的？你们怎么避免上下文过长或信息污染？
• 如果上下文窗口不够，你会优先保留哪些信息？为什么？
• 做代码理解时，AST、调用关系这些信息是怎么用起来的？
• 单测生成里，哪些代码不适合生成单测？你们是如何识别并过滤的？
• 覆盖率高但测试质量很差，你见过吗？你们是如何解决的？
• mock 在单测里什么时候是必须的？什么时候反而会带来问题？
• 如果一个函数同时依赖数据库和 RPC，你怎么让模型生成的单测稳定运行？
• 你们如何评估生成单测的质量？ 除了覆盖率，还有哪些指标有效？
• LLM 的输入到底是什么？模型真正看到的内容包含哪些？
• self-attention 的核心作用是什么？为什么要拆成 Q、K、V？
• 为什么 attention 能建模长距离关系？
• 为什么需要 multi-head？attention 为什么可以看成动态加权？
• 同一个 token 的 Q、K、V 为什么不相同？
• attention 复杂度很高，当上下文特别长时，你会怎么优化？
• 模型产生幻觉的常见原因是什么？工程上有哪些方法可以降低幻觉？
• Python 有多线程吗？GIL 是干嘛的？什么时候多线程才是有用的？

• Agent面试会问什么？

2026-04-09｜字节agent开发实习一面凉经

• 公司：字节
• 岗位归类：agent开发
• 轮次：一面
• 来源：https://www.nowcoder.com/feed/main/detail/69b9cd21f1244d3cb19499f249228b50
• 命中搜索词：字节agent开发实习一面凉经、字节暑期后端agent开发一面
• 提炼摘要：1. 为什么选择 Spring AI 框架？；2. Spring AI 框架的主要优势是什么？；3. 如何设计多模型支持架构？；4. 多租户环境下模型切换是否支持热更新？切换是否相互独立？；5. Agent 的记忆、工具调用、知识库检索等关键组件是如何实现的？；6. 系统中的 Agent 包含哪些具体状态？
• 提取到的面试题/考点：
• 1. 为什么选择 Spring AI 框架？
• 2. Spring AI 框架的主要优势是什么？
• 3. 如何设计多模型支持架构？
• 4. 多租户环境下模型切换是否支持热更新？切换是否相互独立？
• 5. Agent 的记忆、工具调用、知识库检索等关键组件是如何实现的？
• 6. 系统中的 Agent 包含哪些具体状态？
• 7. 后端 Agent 是否支持多租户同时调用？
• 8. Session 和 User ID 是如何绑定的？
• 9. Agent 工具调用的完整业务流程是怎样的？
• 0. 长期记忆和短期记忆在设计上有什么区别？本质上有什么区别？
• 1. SSE 在前后端是如何交互的？
• 2. 后端以什么数据格式推送流式信息？
• 3. Agent 发生“工具调用”时，SSE 推送的事件结构中通常包含哪些字段？
• 4. MCP的交互流程是怎样的？
• 5. Agent 如何与 MCP Server 连接通信？
• 6. RAG 的主要模式和主要工作流程是怎样的？
• 7. Agent 一般在什么阶段去查询向量知识库？通过什么方式去查询？
• 8. 查询知识库的工具函数，其标准输入和输出是什么？
• 9. Go 语言的 GMP 调度模型是怎样的？
• 0. GMP 模型中的 Machine (M) 代表什么？
• 1. Processor (P) 上的本地队列长度通常是多少？
• 2. 系统如何实现图像识别等多模态功能？
• 3. 为什么不直接使用多模态大模型？
• 4. 在没有前端界面的情况下，本地图片是如何传到后端并进行识别的？
• 5. 对其他主流 AI 框架（如 LangChain）有了解吗？
• 6. 你最熟悉的主力编程语言是什么？
• 7. 手撕 :两两交换链表中的节点

• Agent面试会问什么？

2026-04-09｜字节Agent开发一面90min凉经

• 公司：字节
• 岗位归类：agent开发
• 轮次：一面
• 来源：https://www.nowcoder.com/feed/main/detail/91c5394e57c14927841d7a86bfe427c2
• 命中搜索词：字节agent开发实习一面凉经、字节暑期后端agent开发一面
• 提炼摘要：1.自我介绍；2.提示词模板是怎么构建的？；3.单Agent还是多Agent的？子Agent任务是什么？；4.分支覆盖率是怎么统计的？原理有没有了解过？代码插桩具体是怎么实现的？；5.对于代码解析有没有前置分析？有效性判断怎么实现的？未来让你来优化这些指标你会怎么设计？；6.有没有思考过哪些代码会让模型生成的代码准确度和覆盖率降低？这些用AST和LSP都生成不了单测的代
• 提取到的面试题/考点：
• 1.自我介绍
• 2.提示词模板是怎么构建的？
• 3.单Agent还是多Agent的？子Agent任务是什么？
• 4.分支覆盖率是怎么统计的？原理有没有了解过？代码插桩具体是怎么实现的？
• 5.对于代码解析有没有前置分析？有效性判断怎么实现的？未来让你来优化这些指标你会怎么设计？
• 6.有没有思考过哪些代码会让模型生成的代码准确度和覆盖率降低？这些用AST和LSP都生成不了单测的代码如何过滤？
• 7.mock是怎么实现的？
• 8.多维度的查询改写是什么？改写的时候遇到需要用户参与补充信息时怎么设计？技术上怎么实现？
• 9.并行化意图识别是什么？为什么要并行化？如何实现的？
• 0.讲一下项目里召回的流程
• 1.对于上下文工程有什么经验吗？有没有做过to do list？为什么这样会让模型更聚焦，怎么实现的？
• 2.skills的原理有没有了解过？怎么实现的？
• 3.LLM的底层原理有没有了解？输入给模型的是什么？
• 4.self attention怎么实现的有了解吗？为什么要分成QKV，怎么计算的？同一个token向量是一样的吗？
• 5.python有没有多线程？为什么要有GIL，有没有了解过？多线程的锁都有什么？lock和Rlock有什么区别？
• 6.信号量的底层是怎么实现的？
• 7.cpp编译链接流程有没有了解？编译分哪些步骤？
• 手撕:
• 8.岛屿最大面积
• 9.反问

• Agent面试会问什么？

2026-04-02｜快手大模型应用开发算法岗三面面经

• 公司：快手
• 岗位归类：大模型应用开发
• 轮次：三面
• 来源：https://www.nowcoder.com/feed/main/detail/0f6b7fa7aa1c4e62a232e6db79a747aa
• 命中搜索词：字节 大模型应用开发 二面 日常实习、快手大模型应用开发算法岗三面面经、腾讯 大模型应用开发 一面、腾讯 大模型应用开发 二面
• 提炼摘要：1.自我介绍；2.Rerank的Top-k数量怎么确定？；3.平时vibe coding吗？做过什么项目？；4.讲一下你项目里的Prompt一般怎么写？；5.了解ToT或者GoT吗？讲一下；6.如果工具调用超时或返回空值，你如何设计Prompt让Agent反馈用户？
• 提取到的面试题/考点：
• 1.自我介绍
• 2.Rerank的Top-k数量怎么确定？
• 3.平时vibe coding吗？做过什么项目？
• 4.讲一下你项目里的Prompt一般怎么写？
• 5.了解ToT或者GoT吗？讲一下
• 6.如果工具调用超时或返回空值，你如何设计Prompt让Agent反馈用户？
• 7.讲一下Agent中的短期记忆和长期记忆分别怎样存储？
• 8.向量数据库检索出来的历史信息，如果语义相关但时间太久，能直接用吗？
• 9.对于RAG，既然向量检索已经计算了相似度，为什么还要用引入交叉编码器进行重排？
• 0.平时vibe coding吗？做过什么项目？
• 1.长文档切片的粒度你一般怎么选择？
• 2.如何评估Rerank的有效性？有什么指标吗？
• 3.手撕:一道原创题，忘记题目了，但是不难
• 4.反问

2026-04-02｜快手大模型应用开发算法岗三面面经

• 公司：快手
• 岗位归类：大模型应用开发
• 轮次：三面
• 来源：https://www.nowcoder.com/feed/main/detail/4ff132d0d0fb450398341f4ec9828def
• 命中搜索词：字节 大模型应用开发 二面 日常实习、快手大模型应用开发算法岗三面面经、腾讯 大模型应用开发 一面、腾讯 大模型应用开发 二面
• 提炼摘要：1.自我介绍；2.Rerank的Top-k数量怎么确定？；3.平时vibe coding吗？做过什么项目？；4.讲一下你项目里的Prompt一般怎么写？；5.了解ToT或者GoT吗？讲一下；6.如果工具调用超时或返回空值，你如何设计Prompt让Agent反馈用户？
• 提取到的面试题/考点：
• 1.自我介绍
• 2.Rerank的Top-k数量怎么确定？
• 3.平时vibe coding吗？做过什么项目？
• 4.讲一下你项目里的Prompt一般怎么写？
• 5.了解ToT或者GoT吗？讲一下
• 6.如果工具调用超时或返回空值，你如何设计Prompt让Agent反馈用户？
• 7.讲一下Agent中的短期记忆和长期记忆分别怎样存储？
• 8.向量数据库检索出来的历史信息，如果语义相关但时间太久，能直接用吗？
• 9.对于RAG，既然向量检索已经计算了相似度，为什么还要用引入交叉编码器进行重排？
• 0.平时vibe coding吗？做过什么项目？
• 1.长文档切片的粒度你一般怎么选择？
• 2.如何评估Rerank的有效性？有什么指标吗？
• 3.手撕:一道原创题，忘记题目了，但是不难
• 4.反问

2026-04-02｜联想-AI应用开发-面经

• 公司：联想
• 岗位归类：ai应用开发
• 轮次：一面
• 来源：https://www.nowcoder.com/discuss/869169098146537472
• 命中搜索词：大模型应用、大模型数据应用开发、大模型数据应用开发 面经
• 提炼摘要：rag中的幻觉问题是这么处理的？；你知道哪些向量数据库？；联想一面；自我介绍；rag文本分块策略；你对AI agent的了解
• 提取到的面试题/考点：
• rag中的幻觉问题是这么处理的？
• 你知道哪些向量数据库？
• 联想一面
• 自我介绍
• rag文本分块策略
• 你对AI agent的了解
• 了解哪些框架
• 在rag中如何构建上下文对话的能力
• 关于大模型提示词的经验
• 你知道哪些agent工具
• 在rag中，有哪些相似度的计算方法
• 你知道最近两年有哪些agent框架吗
• 谈谈你对openClaw的人生
• 谈谈对agent Skills的认识
• 什么是python闭包，你在项目中哪些场景中使用了的
• Java中如何处理内存泄漏风险
• 大概有几面：总共两面，后面一面是HR面
• 多久能知道本次面试的结果：应该很快吧
• 大概多久能入职：得HR才能知道
• （整个流程总共20分钟，无手撕代码环节。时间短的比拷打1个半小时，宁愿被拷打一个半小时）
• 第二天收到感谢信，疑似刷KPI，还是因为实力不足[牛泪]

2026-03-31｜吉利科技 大模型应用开发 二面

• 公司：吉利科技
• 岗位归类：大模型应用开发
• 轮次：二面
• 来源：https://www.nowcoder.com/discuss/868614816611454976
• 命中搜索词：大模型应用、大模型数据应用开发、大模型数据应用开发 面经
• 提炼摘要：1. 你挑一个最熟悉的项目详细讲一下，重点说业务背景、数据形态和你负责的部分；2. 如果大模型输出格式和你预期不一致，你一般怎么处理；3.围绕简历上的项目继续深挖；4. 车照片多标签分类里，可能有哪些干扰因素；5. 多标签分类和普通多分类相比，训练目标上最大的区别是什么；6. 多标签场景里，阈值为什么很关键，怎么调才更像工程解法
• 提取到的面试题/考点：
• 1. 你挑一个最熟悉的项目详细讲一下，重点说业务背景、数据形态和你负责的部分
• 2. 如果大模型输出格式和你预期不一致，你一般怎么处理
• 3.围绕简历上的项目继续深挖
• 4. 车照片多标签分类里，可能有哪些干扰因素
• 5. 多标签分类和普通多分类相比，训练目标上最大的区别是什么
• 6. 多标签场景里，阈值为什么很关键，怎么调才更像工程解法
• 0.5 当阈值，这在真实项目里通常不太行。因为不同标签的先验分布、可分性、业务风险都不一样。比如“严重结构损伤”这种标签，一旦漏掉代价很高，就不应该跟“轻微表面污损”用同一套阈值。工程上我一般会按类调阈值，甚至按业务阶段调阈值，比如初筛阶段追求高召回，复核阶段再提高精度。

2026-03-28｜腾讯 大模型应用开发 二面

• 公司：腾讯
• 岗位归类：大模型应用开发
• 轮次：二面
• 来源：https://www.nowcoder.com/discuss/867406541740175360
• 命中搜索词：大模型应用、大模型数据应用开发、大模型数据应用开发 面经
• 提炼摘要：1. 如果让你设计一个 Agent 的规划器，怎么避免它每一步都重新规划，导致路径震荡？；2. 如果一个 Agent 需要同时读知识库、调外部 API、再结合用户历史偏好回答，你怎么处理这三；3. 你怎么理解 Agent 里的“状态”而不是“上下文”？；4. 如果 RAG 召回了很多相互矛盾的文档，Agent 应该怎么处理，而不是直接让模型自己总结？；5. 如果工具调用是成功的，但返回结果语义不完整，模型很容易误判，你怎么设计中间层？；6. 一个 Agent 系统里，什么时候应该追问用户，什么时候应该自己继续推理？
• 提取到的面试题/考点：
• 1. 如果让你设计一个 Agent 的规划器，怎么避免它每一步都重新规划，导致路径震荡？
• 2. 如果一个 Agent 需要同时读知识库、调外部 API、再结合用户历史偏好回答，你怎么处理这三类上下文的优先级？
• 3. 你怎么理解 Agent 里的“状态”而不是“上下文”？
• 4. 如果 RAG 召回了很多相互矛盾的文档，Agent 应该怎么处理，而不是直接让模型自己总结？
• 5. 如果工具调用是成功的，但返回结果语义不完整，模型很容易误判，你怎么设计中间层？
• 6. 一个 Agent 系统里，什么时候应该追问用户，什么时候应该自己继续推理？

2026-03-28｜大模型应用开发一面-美团面经

• 公司：美团
• 岗位归类：大模型应用开发
• 轮次：一面
• 来源：https://www.nowcoder.com/feed/main/detail/7a8b2cdbb8664dd8a9949fd0721b74c3
• 命中搜索词：大模型应用开发一面-美团面经
• 提炼摘要：1.项目拷打；2.ai项目里面的embedding向量检索的原理是什么，如果保证检索的准确性；3.function calling 如何解析用户的意图？；4.你是怎么实现模型的对话记忆功能的？；5.如何将文本导入向量数据库？切割的依据是什么？；6.对话记忆功能是所有的数据都保存吗？超出最大限度怎么办？prompt会改变吗？
• 提取到的面试题/考点：
• 1.项目拷打
• 2.ai项目里面的embedding向量检索的原理是什么，如果保证检索的准确性
• 3.function calling 如何解析用户的意图？
• 4.你是怎么实现模型的对话记忆功能的？
• 5.如何将文本导入向量数据库？切割的依据是什么？
• 6.对话记忆功能是所有的数据都保存吗？超出最大限度怎么办？prompt会改变吗？
• 7.非阻塞式响应是怎么实现的，需要引入什么依赖？
• 8.整个项目是基于什么协议？和https有什么区别？
• 9.你负责什么部分？前端内容是你自己实现的吗？
• 0.zset是居于rediss的什么结构？sorted set是什么？基于哪种数据结构？如何实现？
• 1.lua脚本是怎么使用的？使用的场景是什么？

2026-03-25｜OPPO大模型应用开发一面 攒人品

• 公司：OPPO
• 岗位归类：大模型应用开发
• 轮次：一面
• 来源：https://www.nowcoder.com/feed/main/detail/06aa48522cef44dfa62cbdda528cde6f
• 命中搜索词：OPPO大模型应用开发一面 攒人品、大模型应用、大模型数据应用开发、大模型数据应用开发 面经
• 提炼摘要：1. 项目拷打；2.实习拷打；3. 数据收集和处理，使用Grpah-Rag的优势，本项目中Grpah的作用。；4. 训练数据的构建细节；5. 遇到数据内容冲突时应该如何处理？；6. Rec、MRR、Acc等常见检索指标。
• 提取到的面试题/考点：
• 1. 项目拷打
• 2.实习拷打
• 3. 数据收集和处理，使用Grpah-Rag的优势，本项目中Grpah的作用。
• 4. 训练数据的构建细节
• 5. 遇到数据内容冲突时应该如何处理？
• 6. Rec、MRR、Acc等常见检索指标。
• 7. 除了LLM as a Judge，还有什么方法评测回答的效果？
• 8. 当不同的专家对同一回答评分方差很大时应该怎么解决？
• 9. 在校内的科研/实践经历。
• 0. 常见的Agent和Memory管理的范式。
• 1. 遇到的印象最深/工作量最多的实际工程编码问题。

2026-03-21｜AI应用开发

• 公司：AI应用开发
• 岗位归类：ai应用开发
• 轮次：未明确
• 来源：https://www.nowcoder.com/feed/main/detail/395fc4d67f3c4ff4b4f17ccf81e84ded
• 命中搜索词：AI应用平台开发、AI应用平台开发 面经、AI应用开发、AI应用开发 一面、AI应用开发 二面、AI应用开发 实习、AI应用开发 面经、AI应用服务端开发、AI应用服务端开发 面经
• 提炼摘要：#现在入门AI应该走哪些方向？#；如果让我选当下最适合入门、性价比最高、就业最稳的 AI 方向，我一定会投 AI 应用开发 一票。；相比容易内卷的纯提示词、AI 绘画，或是门槛极高的算法研究，AI + 工程落地才是普通人最容易走通、
• 提取到的面试题/考点：

• 现在入门AI应该走哪些方向？

• 如果让我选当下最适合入门、性价比最高、就业最稳的 AI 方向，我一定会投 AI 应用开发 一票。
• 相比容易内卷的纯提示词、AI 绘画，或是门槛极高的算法研究，AI + 工程落地才是普通人最容易走通、成长最清晰的路。

2026-03-19｜小红书 大模型开发 一面

• 公司：小红书
• 岗位归类：大模型开发
• 轮次：一面
• 来源：https://www.nowcoder.com/discuss/864159676710080512
• 命中搜索词：小红书 AI Agent开发 一面、快手AI Agent开发一面（已过）
• 提炼摘要：1、自我介绍；2、项目拷打；3、讲一下 OpenClaw 的记忆本地存储怎么设计；3.connect(db_path)；VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?)；WHERE user_id=? AND session_id=?
• 提取到的面试题/考点：
• 1、自我介绍
• 2、项目拷打
• 3、讲一下 OpenClaw 的记忆本地存储怎么设计
• 3.connect(db_path)
• VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?)
• WHERE user_id=? AND session_id=?
• LIMIT ?
• WHERE user_id=? AND memory_type='long_term'
• 4、SDD 是什么

2026-03-07｜大模型应用开发校招面经-网易

• 公司：大模型应用开发校招面经
• 岗位归类：大模型应用开发
• 轮次：未明确
• 来源：https://www.nowcoder.com/feed/main/detail/0e62019e5eb840c4b86faf10ad33fc96
• 命中搜索词：大模型应用、大模型数据应用开发、大模型数据应用开发 面经
• 提炼摘要：1.项目拷打；2.Transformer自注意力机制、位置编码、梯度消失/爆炸的解决方案。；3.微调方法对比（Full Fine-tuning vs. LoRA/Adapter/P-Tunin；4.推理加速技术（量化、动态批处理、FlashAttention）。；5.如何优化大模型在长文本生成中的显存占用？；6.RLHF中奖励模型（RM）的训练数据如何构建？
• 提取到的面试题/考点：
• 1.项目拷打
• 2.Transformer自注意力机制、位置编码、梯度消失/爆炸的解决方案。
• 3.微调方法对比（Full Fine-tuning vs. LoRA/Adapter/P-Tuning）。
• 4.推理加速技术（量化、动态批处理、FlashAttention）。
• 5.如何优化大模型在长文本生成中的显存占用？
• 6.RLHF中奖励模型（RM）的训练数据如何构建？
• 7.为网易云音乐设计一个AI歌词生成系统，如何提升创意性和押韵效果？
• 8.模型剪枝/量化（GPTQ、AWQ）、服务化框架（FastAPI+vLLM）。
• 9.如何解决大模型API服务的响应延迟问题？

2025-10-16｜小红书 AI Agent开发 一面凉经

• 公司：小红书
• 岗位归类：ai agent开发
• 轮次：一面
• 来源：https://www.nowcoder.com/feed/main/detail/cdb7bfdee3a248b09350459b52276a47
• 命中搜索词：小红书 AI Agent开发 一面、快手AI Agent开发一面（已过）
• 提炼摘要：1、自我介绍；2、 Spring 框架常用的注解有哪些？；3、@Autowired 注解的底层原理是什么；4、在实现 @Autowired 的依赖注入时，是怎么通过反射来获取成员变量的？；5、具体是用什么反射方法来获取这些字段（Field）？；6、获取到字段后，又用什么方法来检查它是否被 @Autowired 注解标记？
• 提取到的面试题/考点：
• 1、自我介绍
• 2、 Spring 框架常用的注解有哪些？
• 3、@Autowired 注解的底层原理是什么
• 4、在实现 @Autowired 的依赖注入时，是怎么通过反射来获取成员变量的？
• 5、具体是用什么反射方法来获取这些字段（Field）？
• 6、获取到字段后，又用什么方法来检查它是否被 @Autowired 注解标记？
• 7、请讲一下 Spring 中一个 Bean 的生命周期
• 8、谈谈你对 JVM 调优的理解，有哪些常见的调优参数或方法？
• 9、在启动命令中调整 JVM 参数，怎么做？
• 0、解释一下 ThreadLocal 是什么，以及它的底层原理。
• 1、ThreadLocal 可能会导致什么问题
• 2、比较一下 MySQL 和 Elasticsearch 的区别，以及各自的应用场景
• 3、为什么 ES 要使用倒排索引，它相比顺序扫描的好处是什么？
• 4、项目为什么选择用 PGVector 而不是 ES 来做向量数据库？ES 可以吗？
• 5、谈谈对 RAG的理解，你认为它主要解决了哪些问题？
• 6、手撕 八皇后问题

排除项

• 2026-06-10｜中国交易与广告 agent 开发二面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/83a59ec58ea547f49501db39367d56d4
• 2026-06-10｜ai应用开发实习｜更像讨论/求助帖，非稳定面经｜https://www.nowcoder.com/feed/main/detail/9a4161af408242c5b4a62ad8ebb3593d
• 2026-06-10｜AI Infra 和 Agent怎么选❓｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/894294856619573248
• 2026-06-09｜Agent应用开发找不到实习呀｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/fdf39f522853443aa6fbe23be7eda4c3
• 2026-06-09｜山东灵宇智能科技【 sentipulse】golang一面 技术面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/893900497847865344
• 2026-06-09｜27届秋招提前批开始了？！一年比一年早｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/893882959038541824
• 2026-06-09｜嵌入式面经111题答案汇总(含技术答疑)_3大嵌入式项目源码分享—嵌入式Linux项目｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/893800438460391424
• 2026-06-08｜字节中国交易与广告-生活服务-agent开发一面｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/b75d87aac5a74076b3a28c692f2f6d3c
• 2026-06-08｜百度AI Agent前端二面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/350d8666f74a4d5cb35c4f6abd07dfda
• 2026-06-08｜后端转型大模型心路历程-个人真实经验分享｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/893463232562642944
• 2026-06-07｜建信融通-后端开发二面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/893188475493568512
• 2026-06-07｜字节财经AI应用开发日常一面凉经｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/fb73d21e0a8c400380e579bc7e4fa65f
• 2026-06-07｜兄弟们 web 转 agent了｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/2622fbf02bf24f8e87a8c7e139728eb9
• 2026-06-05｜Agent 框架核心设计｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/892524727154036736
• 2026-06-05｜ai agent｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/b61f2d5987bb48f0b5b82a1c212aa828
• 2026-06-05｜百度-AI Agent前端研发实习生面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/0ee219e39f254208bef730ca1e928fcc
• 2026-06-04｜4个值得深入学习的AI Agent开源项目｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/892177169294606336
• 2026-06-04｜百度Agent前端一面 超级轻松面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/96cc5b7e2cb84f148eb48be23952f647
• 2026-06-04｜字节跳动-Agent开发实习生 一面（45分钟）：｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/931a8a935a5e4b4f8d0b71cd4e818604
• 2026-06-04｜分享一套自己开发的企业级多agent知识库系统｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/602236dedc8a4d148ea393f4bf540272
• 2026-06-03｜慧疗互联网医院 -agent开发面经｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/2407460c93054c9195fc167c37f63542
• 2026-06-03｜小米 AI Agent 一面(暑期)｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/891698510574153728
• 2026-06-03｜小红书PE后端二面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/0c111933c16a4b9e8a09ca79c26fef93
• 2026-06-03｜想找agent开发实习岗。｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/8e59528c20a14f358eb2a23c5a522302
• 2026-06-03｜大疆｜嵌入式软件开发｜一面面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/891627030649815040
• 2026-06-02｜字节一面凉经（精简版，时间4月）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/abc736612a744daba3a849b3d8b132a1
• 2026-06-02｜27届，agent开发简历！！求锐评｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/c5f8fdda9451426bb130d2847a76a6bf
• 2026-06-02｜Agent面经汇总（含答题思路｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/891332286421929984
• 2026-06-02｜《2026最新大数据开发面试笔记 V8.0》正式发布：新增 AI 大模型、RAG、Agent｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/891275238615306240
• 2026-06-02｜在🦢实习，我总结了下ai应用开发学习路线｜明显是求助/讨论帖｜https://www.nowcoder.com/feed/main/detail/55b73cd0a7884020baea9123178e09f2
• 2026-06-01｜Agent应用开发面试相关问题｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/5b04f206b2634cbeb30ae6e5b19dd52f
• 2026-06-01｜Rocky Ding：深耕AI行业五年，我们要拥抱并推动AI Agent浪潮｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/891048551503962112
• 2026-05-31｜agent 开发一面凉经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/1fefb18ad51b488187b7d052ba8f2c5e
• 2026-05-31｜Agent面试题汇总：LLM与Agent评测片｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/890740237649858560
• 2026-05-29｜AI应用开发offer抉择，你会怎么选｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/d41ce0a25f584e7d84d0f347c1662d03
• 2026-05-29｜AI应用开发｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/a52d164f22cf4ac38fab814e368004ce
• 2026-05-27｜和顺慧康-AI应用开发｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/a1fe3eef3aad4891a3b8f03fa390ec15
• 2026-05-26｜成都agent 面试｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/da4f544e4bdd4d4ca0827b411550f487
• 2026-05-25｜AI agent应用开发投递面试比例是多少啊？｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/c9628d539b7842d4953ee6810a4acdd7
• 2026-05-22｜腾讯 AI应用开发｜缺少面试特征词｜https://www.nowcoder.com/discuss/887422043593928704
• 2026-05-21｜兴业数金上海base AI应用开发待遇如何？｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/c7477eb7190d4faaadd442f91afa60ec
• 2026-05-20｜ai应用/agent开发简历求锐评｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/790d55b09d4c4132bea58f6db2c4e002
• 2026-05-18｜字节AI应用开发一面｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/e7d5bf0ee46d444d8e91036a1a20074c
• 2026-05-18｜27届暑期实习告一段落｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/7d676745669446689c6a304a0c988182
• 2026-05-16｜暑期实习帮选 agent 开发｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/a172c6c44a1c4a64a3f59e7d6d16a1f9
• 2026-05-15｜27届无暑期实习未来在哪里，求救｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/8f12a9430ab24aba905d841bbe3a8e4f
• 2026-05-11｜美团 AI应用开发 一面｜超出时间窗口｜https://www.nowcoder.com/discuss/883431602263490560
• 2026-05-09｜零基础前端中大厂暑期实习还是华为ai应用开发实习｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/e4f89a16c7a2405b806a5f3c0a6decf0
• 2026-05-08｜阿里淘天27实习 智能体开发面经分享｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/f7e83c1dfcfe4ff5acca368ee258609b
• 2026-05-08｜27实习字节后端ai开发二面分享-攒人品｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/56c2d1946d174b6ea83a31109c670f71
• 2026-05-08｜4.29 CVTE 视源股份 后端 应用开发｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/6732ee70a8d1449884c3a39717ad3fde
• 2026-05-08｜快手面经-复活一面-后端工程（北京）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/1c0308ee21a24780943e1cdbd3bf1777
• 2026-05-07｜首选大模型应用开发岗｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/584b9e4f0f6943a1a0087778cb17679c
• 2026-05-07｜评论赏金任务来啦🎉0507｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/881841258023481344
• 2026-05-06｜AI应用开发实习一面分享-京东｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/a22dbef69287445d8881e93b00e45d21
• 2026-05-05｜小红书AI应用开发面经分享｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/2063264434f54d2a866b25907245e86d
• 2026-05-04｜26.4.22 小红书直播cpp音视频一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/f0b38bb8fc5d40eea9ec1eb99d9a9aab
• 2026-05-03｜字节暑期实习AI应用开发一面 1h左右｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/acac7511340840a98a74f478d6b38f87
• 2026-04-29｜蚂蚁智能体与大模型应用开发一面凉经｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/5f5eb268afe94e1095529891aa7ba7c7
• 2026-04-27｜字节暑期agent开发一面凉经分享｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/688deb12b60646a7b1b3519c29cd2b3f
• 2026-04-27｜字节AI应用开发一面凉经分享｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/dd6c6e55ddf1470eb0e6ec10fe2008ad
• 2026-04-27｜ai应用开发是风口吗｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/dcdd77d4641c4387ac4c99eaf090aca4
• 2026-04-27｜字节27实习后端ai开发二面分享｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/c1448c65b644471e9db872852b4978ce
• 2026-04-27｜评论赏金任务来啦🎉0429｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/878217085749424128
• 2026-04-26｜27实习面经分享-字节AI开发二面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/14420c058d4d4dafb095b2518511ab14
• 2026-04-26｜27日常实习面经分享-美团后端ai开发｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/3f6622142a6640e6a6e84d1f8166ab5e
• 2026-04-24｜得物后端AI面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/7434b32a04ad4f04a45b55cf3c6d9d9b
• 2026-04-23｜友友们 来一场关于阿里、多益、字节 的 Agent开发 的模拟考试吧(点赞过10发答案)｜缺少面试特征词｜https://www.nowcoder.com/discuss/876775577963851776
• 2026-04-22｜腾讯实习 ai应用开发后端面经分享｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/144c6ae334b24c0aa643ed43ccfebaac
• 2026-04-22｜蚂蚁金服ai开发暑期一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/20e33a740a0a4302a7e8a20ceaea0375
• 2026-04-22｜JAVA后端找了个车载ai的实习，要跑路么｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/dc3e70d6c5234da28a59c7db64de2420
• 2026-04-21｜暑期总结timeline和一些感受｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/85ef6aaa126b4863b02f63368a770d99
• 2026-04-20｜【暑期实习组内急招】大模型Agent研发工程师｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/078e425a676340ab8c63041dc23a45fa
• 2026-04-19｜AI Agent 爆火，后端人该从何学起｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/875446233387565056
• 2026-04-18｜字节27agent开发实习一面凉经分享｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/594f3debc8a54313b89e4b70e83419f0
• 2026-04-16｜小红书ai产品工程师-商业技术一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/1fe1612e60bd40e8ace52b0ce22a17ef
• 2026-04-16｜京东 AI应用开发(后端) 一面(JDY)｜超出时间窗口｜https://www.nowcoder.com/discuss/874214932156342272
• 2026-04-15｜京东后端ai开发一面 实习面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/7dccd602a448464daa93aae1a4cc82b0
• 2026-04-15｜字节 AI应用开发一面 日常实习｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/bab98399f47948df9dc3ed53496b40f4
• 2026-04-15｜2026春招必看：哪些公司面AI Coding？｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/f6b277c330a3458fab37462016fb3d00
• 2026-04-15｜北京用友金融-java后端开发｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/e08b25468faf470a92b74184e3f4b59a
• 2026-04-15｜小红书 AI Agent开发 一面(暑期)｜超出时间窗口｜https://www.nowcoder.com/discuss/873916982129672192
• 2026-04-13｜27实习小红书AI Agent开发一面｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/3bc7b48dd0f34f65876896052388c726
• 2026-04-13｜AI应用开发实习｜超出时间窗口｜https://www.nowcoder.com/feed/main/detail/b6accd9ab7224512a9523cb5c0e13a52
• 2026-04-13｜评论赏金任务来啦🎉0417｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/873168191411843072
• 2026-04-12｜Agent开发｜更像讨论/求助帖，非稳定面经｜https://www.nowcoder.com/feed/main/detail/437dadeddf6041ca9ea7575e0b890434
• 2026-04-12｜字节剪映123面（OC）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/1014f75473cb4338a12e40e4f9e129c7
• 2026-04-09｜小红书PE产品工程师一面面经😼｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/7c3f593bdd774091a5ca3e0d3e236409
• 2026-04-07｜评论赏金任务来啦🎉0410｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/870969335479554048
• 2026-04-03｜美团后端暑期一面面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/869641431994884096
• 2026-04-03｜小红书AI后端开发一面 4.1｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/a57d904638d3437a92f61e7bd0a154b2
• 2026-03-31｜27届 小红书PE全栈 一面 35min｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/ca5c689da55241a184b39ed4b8f04e63
• 2026-03-29｜字节测试开发-数据平台部门一面凉经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/867788123156008960
• 2026-03-27｜评论赏金任务来啦🎉04月3日｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/867039674815045632
• 2026-03-26｜小红书 社区工程 一面 凉经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/866825324535808000
• 2026-03-24｜小红书Ai agent算法一面 攒人品｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/6819d2a74f00489ea3e3913a5139346a
• 2026-03-19｜小红书暑期一面（已挂）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/cefae139405543469602840106412c39
• 2026-03-19｜评论赏金任务来啦🎉0326｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/864104469254975488
• 2026-03-17｜小红书前端一二面OC｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/863576027874721792
• 2026-03-16｜小红书产品工程师（AI与全栈方向）面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/b99a9d20dd414b77a457ab5f3bcb8296
• 2026-03-12｜28大二大数据，找大模型应用开发暑期实习｜缺少面试特征词｜https://www.nowcoder.com/feed/main/detail/6885bf9e3bff47bb907b67f52252a211
• 2026-03-12｜评论赏金任务来啦🎉0313｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/861564783961571328
• 2026-03-03｜第一次面试ai产品岗复盘｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/2e1ada20cb8d4503a384b9fc5f1faa8b
• 2026-03-03｜评论赏金任务来啦🎉03.05｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/858300709039509504
• 2026-02-28｜今日评论激励赏金任务来啦！02月28日任务｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/857225787529818112
• 2026-02-26｜今日评论激励赏金任务来喽！02月26日任务｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/856496290396401664
• 2026-02-25｜评论激励赏金任务来啦！02月25日任务｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/856125466250342400
• 2026-02-14｜今日评论激励赏金任务来啦！02月14日任务｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/852130727087861760
• 2026-02-13｜今日评论激励赏金任务来啦！02月13日任务｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/851791558532665344
• 2026-02-10｜今日评论激励赏金任务来咯！🎉02月11日任务｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/850692157953355776
• 2026-02-05｜今日评论激励赏金任务来啦！02月05日任务｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/848879871160745984
• 2026-01-30｜评论激励赏金任务来啦！01月30日任务｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/846719823630331904
• 2026-01-29｜Java后端开发 and AI大模型应用｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/2402f8cd9f24487786fe6203329b56ac
• 2026-01-28｜评论激励赏金任务来啦！01月28日任务｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/846025564459708416
• 2026-01-07｜评论激励赏金任务来啦！01月22日任务｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/838418769830506496
• 2025-12-17｜评论赏金任务来啦🎉 12.26｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/830766628437512192
• 2025-12-15｜字节大模型算法实习一面凉经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/b70dc597f95f4b8394d97ff3bd88b858
• 2025-12-04｜offer帮选赏金任务12.15｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/826147231207055360
• 2025-11-19｜27届菜鸡小硕 后端找实习记录｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/461164f75fde43cd87f409ac31033915
• 2025-11-15｜啊啊啊啊怎么周六给我offer，电话都没有直接甩个邮件，佬们快来帮我选一下🙀｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/20dce7fd9d964b4191b6153b6b67f5cd
• 2025-08-19｜评论赏金任务来啦0929｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/787285884310650880
• 2025-04-14｜大模型 0实习经验暑期实习投递记录｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/741384896458817536
• 2025-04-14｜字节后端暑期实习oc｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/5cab0ab76d79473a9fa80343b56e6c87
• 2025-03-31｜同程旅行 全栈 春招 凉经 一面 SK精选｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/736323632040779776
• 2025-03-28｜美团暑期一面面经 3-28｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/acee9c8c58c849dd91218b8838d0765e
• 2025-03-24｜美团暑期一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/e376ba2f1cc94c5a927c70e7a99a117d
• 2025-02-21｜2025 2 19 Java 面试题（美团 快手）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/722397808745033728
• 2024-12-30｜终于等到你~这些提问急需你的解答！【2.20更新】｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/703250612166643712
• 2024-11-17｜双非鼠鼠の图像秋招总结｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/36d73cef584d42bea2cdd9eb4070995d
• 2024-09-18｜美团测开面经，已签意向｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/77b9e65089d3425eb65caf5d0ad8bc77
• 2024-08-29｜大模型算法秋招投递记录｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/caf0892eb1d84ad0bcf51f3eeef32954
• 2024-04-10｜美团暑期一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/feed/main/detail/0f706e4ee6a5488cb6f85cd361b4d073
• 2024-03-01｜阿里云暑期实习提前批一面（技术服务平台）|讲解｜0301｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/593104748941684736
• 2024-02-29｜【快手】电商Java日常实习一面｜讲解｜0229｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/592736631489146880
• 2024-02-18｜面试：百度一面，吓尿了｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/588738046242177024
• 2023-07-03｜谈谈这次招聘季的经验和教训｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/505378429559173120
• 2023-06-05｜个人实习面经记录--攒攒人品｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/495303478579851264
• 2023-05-11｜牛客广告产品再上新！搜索品牌专区迎战秋招季｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/486210903277432832
• 2023-03-01｜秋招面经|23届 秋招算法岗位面经 搜广推方向｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/460501011640176640
• 2022-10-14｜boss直聘一面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/410535958624419840
• 2022-09-06｜顺利上岸字节本地化后端，但也真的很不顺利｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/396740931939053568
• 2021-10-01｜150+场面试 拿到了20+offer【22双非本科求职路】｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353158660908064768
• 2021-08-22｜美团移动端一面、二面面经（北京 闪购）｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353158314836041728
• 2021-03-11｜初识产品经理校招｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353148704649584640
• 2020-11-13｜2020秋招人力岗面试题｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353157328121831424
• 2020-10-06｜非科班机械转行秋招｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353157114443014144
• 2020-09-29｜记录一下自己艰苦的2020秋招---累觉不爱｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353157099884584960
• 2020-09-16｜2021秋招数据分析个人总结-持续更新｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353156983446511616
• 2020-05-08｜牛客匿名发布功能说明｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353156414929575936
• 2020-04-15｜美团后台开发面经｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353156320981360640
• 2020-03-17｜算法岗面筋2｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353147800416362496
• 2019-11-27｜秋招c++面经，少量算法、java，百度、滴滴、京东、58等｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353155939832373248
• 2018-09-18｜2018.09.18 南京 美团后台一&二面｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353154572153724928
• 2018-06-13｜【史上最全面经】算法，机器学习，大数据｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353154393686089728
• 2015-09-17｜大水货的美团运维一面游｜标题/正文前段缺少岗位关键词｜https://www.nowcoder.com/discuss/353153859637944320
• None｜index｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/offer/index
• None｜fe15d2ed6c7347a0bc99fb923f3d2e10｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/fe15d2ed6c7347a0bc99fb923f3d2e10
• None｜e7637d07de65450ba1834ea072e8f4e0｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/e7637d07de65450ba1834ea072e8f4e0
• None｜e13398cfcfdb4c04b812e1a5b261b566｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/e13398cfcfdb4c04b812e1a5b261b566
• None｜dc11cfb36da346618ea3cbed8741c01a｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/dc11cfb36da346618ea3cbed8741c01a
• None｜b82d5b7c8b6b4e1ea5a371c97ef56ccc｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/b82d5b7c8b6b4e1ea5a371c97ef56ccc
• None｜a4aead2bffee4586bcca4346e30c380f｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/a4aead2bffee4586bcca4346e30c380f
• None｜894194616499466240｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/894194616499466240
• None｜894189820371554304｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/894189820371554304
• None｜894135696464592896｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/894135696464592896
• None｜893879002991972352｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/893879002991972352
• None｜889546972099584000｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/889546972099584000
• None｜888446465431830528｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/888446465431830528
• None｜888215373214982144｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/888215373214982144
• None｜875682226644533248｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/875682226644533248
• None｜873229176470331392｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/873229176470331392
• None｜871506086656761856｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/871506086656761856
• None｜861562866250387456｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/861562866250387456
• None｜851421206564630528｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/851421206564630528
• None｜799370041392119808｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/799370041392119808
• None｜790328901208707072｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/790328901208707072
• None｜55943e4337334c84baa5b0aa0df53c77｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/55943e4337334c84baa5b0aa0df53c77
• None｜5474ca688c64481ea736f7a4211b37ca｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/5474ca688c64481ea736f7a4211b37ca
• None｜491219694a1742bcabac38fce8884282｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/491219694a1742bcabac38fce8884282
• None｜353158653773553664｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/353158653773553664
• None｜353157825100718080｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/353157825100718080
• None｜353157436297125888｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/353157436297125888
• None｜353155932769165312｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/353155932769165312
• None｜353154895723307008｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/353154895723307008
• None｜353154584594030592｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/discuss/353154584594030592
• None｜1f23e320007847488145e52eed931c9d｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/1f23e320007847488145e52eed931c9d
• None｜09fac7f955d34c1d8fc50f9a25fce714｜抓取失败: window.INITIAL_STATE not found｜https://www.nowcoder.com/feed/main/detail/09fac7f955d34c1d8fc50f9a25fce714

牛客近6个月AI应用开发面经：知识点聚类

• 面经样本数：18
• 提取题目数：231

聚类总览

逐类展开

Agent架构与范式

• 题目数：28
• 覆盖公司：OPPO、字节、小红书、快手、百度、米哈游、联想、腾讯
• 代表题目：
• (3) #Agent面试会问什么？# —— 字节、百度
• (2) 如果工具调用超时或返回空值，你如何设计Prompt让Agent反馈用户？ —— 快手
• (1) 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent —— 小红书
• (1) Agent 的规划、执行、反思三段式链路怎么设计 —— 小红书
• (1) RAG 可以怎么分类，Agentic RAG 和传统 RAG 差别在哪 —— 小红书
• (1) workflow和agent区别 —— 米哈游
• (1) agent怎么保证有用？ —— 米哈游
• (1) 你们的 Agent 是单 Agent 还是多 Agent？为什么这么设计？有没有考虑过替代方案？ —— 百度

RAG与检索优化

• 题目数：26
• 覆盖公司：OPPO、吉利科技、字节、小红书、快手、美团、联想、腾讯
• 代表题目：
• (2) Rerank的Top-k数量怎么确定？ —— 快手
• (2) 向量数据库检索出来的历史信息，如果语义相关但时间太久，能直接用吗？ —— 快手
• (2) 对于RAG，既然向量检索已经计算了相似度，为什么还要用引入交叉编码器进行重排？ —— 快手
• (1) RAG 项目里怎么做召回闭环，才能让系统真的越用越准 —— 小红书
• (1) HyDE 的原理是什么，什么时候有效，什么时候会害人 —— 小红书
• (1) IVF、PQ、IVF-PQ 分别在做什么，为什么它们能把向量检索做快 —— 小红书
• (1) 向量索引有哪些典型类别，分别适合什么场景 —— 小红书
• (1) RAG 的主要模式和主要工作流程是怎样的？ —— 字节

模型基础与推理机制

• 题目数：18
• 覆盖公司：吉利科技、大数据开发还是大模型应用开发、大模型应用开发校招面经、字节、百度、米哈游、联想、面壁智能
• 代表题目：
• (1) GRPO 相对 PPO 的优势到底是什么，为什么它在大模型后训练里会被关注 —— 面壁智能
• (1) 本人大二双非本科，我的专业是数据科学与大数据技术，想确定方向是走大数据开发还是ai大模型应用开发。我需不需要考研呢这两个方向，其实我又不太想考研😂 —— 大数据开发还是大模型应用开发
• (1) attention和self-attention —— 米哈游
• (1) 为什么attention比rnn好 —— 米哈游
• (1) LLM 的输入到底是什么？模型真正看到的内容包含哪些？ —— 百度
• (1) self-attention 的核心作用是什么？为什么要拆成 Q、K、V？ —— 百度
• (1) 为什么 attention 能建模长距离关系？ —— 百度
• (1) 为什么需要 multi-head？attention 为什么可以看成动态加权？ —— 百度

项目介绍与项目拷打

• 题目数：15
• 覆盖公司：OPPO、吉利科技、大模型应用开发校招面经、字节、小红书、快手、米哈游、美团、联想、面壁智能
• 代表题目：
• (8) 自我介绍 —— 字节、小红书、快手、米哈游、联想
• (5) 项目拷打 —— OPPO、大模型应用开发校招面经、小红书、美团、面壁智能
• (1) 介绍你写的这个项目 —— 小红书
• (1) 你挑一个最熟悉的项目详细讲一下，重点说业务背景、数据形态和你负责的部分 —— 吉利科技

记忆与上下文管理

• 题目数：15
• 覆盖公司：字节、小红书、快手、百度、米哈游、美团、联想
• 代表题目：
• (2) 讲一下Agent中的短期记忆和长期记忆分别怎样存储？ —— 快手
• (1) Agent 的记忆一般怎么分层，为什么不能只靠聊天历史 —— 小红书
• (1) 记忆机制的设计？如果都放在一起怎么办 —— 米哈游
• (1) 上下文是如何构建的？你们怎么避免上下文过长或信息污染？ —— 百度
• (1) 如果上下文窗口不够，你会优先保留哪些信息？为什么？ —— 百度
• (1) attention 复杂度很高，当上下文特别长时，你会怎么优化？ —— 百度
• (1) Session 和 User ID 是如何绑定的？ —— 字节
• (1) 长期记忆和短期记忆在设计上有什么区别？本质上有什么区别？ —— 字节

框架、MCP与工具调用

• 题目数：9
• 覆盖公司：字节、小红书、米哈游、美团、联想
• 代表题目：
• (1) MCP、Function Calling、Skills、Agent 分别是什么，它们之间是什么关系 —— 小红书
• (1) mcp —— 米哈游
• (1) 为什么选择 Spring AI 框架？ —— 字节
• (1) Spring AI 框架的主要优势是什么？ —— 字节
• (1) MCP的交互流程是怎样的？ —— 字节
• (1) 对其他主流 AI 框架（如 LangChain）有了解吗？ —— 字节
• (1) skills的原理有没有了解过？怎么实现的？ —— 字节
• (1) 谈谈对agent Skills的认识 —— 联想

后端基础与工程化

• 题目数：9
• 覆盖公司：字节、小红书、百度、美团、联想
• 代表题目：
• (1) Python 有多线程吗？GIL 是干嘛的？什么时候多线程才是有用的？ —— 百度
• (1) 多租户环境下模型切换是否支持热更新？切换是否相互独立？ —— 字节
• (1) python有没有多线程？为什么要有GIL，有没有了解过？多线程的锁都有什么？lock和Rlock有什么区别？ —— 字节
• (1) 什么是python闭包，你在项目中哪些场景中使用了的 —— 联想
• (1) Java中如何处理内存泄漏风险 —— 联想
• (1) zset是居于rediss的什么结构？sorted set是什么？基于哪种数据结构？如何实现？ —— 美团
• (1) 谈谈你对 JVM 调优的理解，有哪些常见的调优参数或方法？ —— 小红书
• (1) 在启动命令中调整 JVM 参数，怎么做？ —— 小红书

评测、幻觉与数据集

• 题目数：8
• 覆盖公司：OPPO、大模型应用开发校招面经、字节、快手、百度、面壁智能
• 代表题目：
• (2) 如何评估Rerank的有效性？有什么指标吗？ —— 快手
• (1) 如果 GRPO 训练效果不好，你会先排查什么 —— 面壁智能
• (1) 你们如何评估生成单测的质量？ 除了覆盖率，还有哪些指标有效？ —— 百度
• (1) 模型产生幻觉的常见原因是什么？工程上有哪些方法可以降低幻觉？ —— 百度
• (1) 对于代码解析有没有前置分析？有效性判断怎么实现的？未来让你来优化这些指标你会怎么设计？ —— 字节
• (1) 除了LLM as a Judge，还有什么方法评测回答的效果？ —— OPPO
• (1) 为网易云音乐设计一个AI歌词生成系统，如何提升创意性和押韵效果？ —— 大模型应用开发校招面经

算法与编码题

• 题目数：8
• 覆盖公司：AI应用开发、字节、小红书、快手、米哈游、联想
• 代表题目：
• (2) 手撕:一道原创题，忘记题目了，但是不难 —— 快手
• (1) 代码实现LRU —— 米哈游
• (1) 手撕 :两两交换链表中的节点 —— 字节
• (1) 手撕 —— 字节
• (1) （整个流程总共20分钟，无手撕代码环节。时间短的比拷打1个半小时，宁愿被拷打一个半小时） —— 联想
• (1) 相比容易内卷的纯提示词、AI 绘画，或是门槛极高的算法研究，AI + 工程落地才是普通人最容易走通、成长最清晰的路 —— AI应用开发
• (1) 手撕 八皇后问题 —— 小红书

HR与流程信息

• 题目数：2
• 覆盖公司：大数据开发还是大模型应用开发、联想
• 代表题目：
• (1) #数据人offer决赛圈怎么选# —— 大数据开发还是大模型应用开发
• (1) 大概有几面：总共两面，后面一面是HR面 —— 联想

前端与跨端工程

• 题目数：2
• 覆盖公司：字节、美团
• 代表题目：
• (1) 在没有前端界面的情况下，本地图片是如何传到后端并进行识别的？ —— 字节
• (1) 你负责什么部分？前端内容是你自己实现的吗？ —— 美团

其他

• 题目数：87
• 覆盖公司：AI应用开发、OPPO、吉利科技、大数据开发还是大模型应用开发、大模型应用开发校招面经、字节、小红书、快手、百度、米哈游、美团、联想、腾讯、面壁智能
• 代表题目：
• (4) 平时vibe coding吗？做过什么项目？ —— 快手
• (2) 讲一下你项目里的Prompt一般怎么写？ —— 快手
• (2) 了解ToT或者GoT吗？讲一下 —— 快手
• (2) 长文档切片的粒度你一般怎么选择？ —— 快手
• (1) GRPO 里的 reward 一般怎么设计，怎么避免模型学歪 —— 面壁智能
• (1) 5 * correct + —— 面壁智能
• (1) 5 * format_ok + —— 面壁智能
• (1) 3 * safe_score —— 面壁智能

牛客近6个月AI应用开发面经：高频题题库与答案框架

• 面经样本数：18
• 高频主题数：13

高频题总览

题库与答案框架

检索/召回/重排/向量索引优化

• 命中题数：18
• 涉及公司：吉利科技、字节、小红书、快手、美团、联想、腾讯
• 高频问法：
• (2) 向量数据库检索出来的历史信息，如果语义相关但时间太久，能直接用吗？
• (2) 对于RAG，既然向量检索已经计算了相似度，为什么还要用引入交叉编码器进行重排？
• (1) RAG 项目里怎么做召回闭环，才能让系统真的越用越准
• (1) HyDE 的原理是什么，什么时候有效，什么时候会害人
• (1) IVF、PQ、IVF-PQ 分别在做什么，为什么它们能把向量检索做快
• (1) 向量索引有哪些典型类别，分别适合什么场景
• 答案框架：
  1. 先拆问题：召回质量、排序质量、检索延迟、索引成本。
• 回答常见优化：BM25 + 向量混检、query rewrite、HyDE、rerank。
• 索引层说明：HNSW 适合高召回低延迟，IVF/PQ 更偏大规模压缩。
• 针对 PDF/OCR/表格，强调结构化抽取和版面信息保留。
• 结尾说评估方式：Recall@K、MRR、NDCG、端到端正确率。

项目介绍/项目拷打

• 命中题数：15
• 涉及公司：OPPO、吉利科技、大模型应用开发校招面经、字节、小红书、快手、米哈游、美团、联想、面壁智能
• 高频问法：
• (8) 自我介绍
• (5) 项目拷打
• (1) 介绍你写的这个项目
• (1) 你挑一个最熟悉的项目详细讲一下，重点说业务背景、数据形态和你负责的部分
• 答案框架：
  1. 先给业务背景：用户是谁、核心痛点是什么、为什么值得用 AI/Agent 做。
• 再讲系统方案：输入 -> 处理链路 -> 模型/检索/工具 -> 输出。
• 明确你自己的 ownership：你主导了哪几块，做了什么关键决策。
• 量化结果：准确率、成功率、响应时延、成本、人工替代率。
• 最后补一段复盘：踩过什么坑、怎么权衡、如果重做会怎么改。

模型基础：Transformer/KV Cache/Temperature

• 命中题数：10
• 涉及公司：大模型应用开发校招面经、字节、百度、米哈游
• 高频问法：
• (1) attention和self-attention
• (1) 为什么attention比rnn好
• (1) self-attention 的核心作用是什么？为什么要拆成 Q、K、V？
• (1) 为什么 attention 能建模长距离关系？
• (1) 为什么需要 multi-head？attention 为什么可以看成动态加权？
• (1) attention 复杂度很高，当上下文特别长时，你会怎么优化？
• 答案框架：
  1. Transformer 至少讲清 self-attention、前馈层、位置编码、残差归一化。
• KV Cache 要说明它缓存什么、为什么能加速 decode、代价是什么。
• Temperature/Top-p/Top-k 回答采样多样性与稳定性的权衡。
• 如果问微调/强化学习，先分清 SFT、偏好优化、在线强化。
• 强调“懂概念 + 懂工程影响”，不要只背术语。

记忆系统设计

• 命中题数：9
• 涉及公司：字节、小红书、快手、米哈游、美团
• 高频问法：
• (2) 讲一下Agent中的短期记忆和长期记忆分别怎样存储？
• (1) Agent 的记忆一般怎么分层，为什么不能只靠聊天历史
• (1) 记忆机制的设计？如果都放在一起怎么办
• (1) Agent 的记忆、工具调用、知识库检索等关键组件是如何实现的？
• (1) 长期记忆和短期记忆在设计上有什么区别？本质上有什么区别？
• (1) 你是怎么实现模型的对话记忆功能的？
• 答案框架：
  1. 分层回答：短期记忆、长期记忆、用户画像/外部知识。
• 说明写入时机：并不是“全量记忆”，而是事件触发/摘要压缩/显著性提取。
• 说明存储介质：会话缓存、数据库/向量库、文件或 KV。
• 说明召回策略：按用户、会话、任务阶段、时间窗口过滤。
• 补充治理：过期淘汰、冲突解决、并发一致性、隐私隔离。

RAG/Agent 评测与幻觉治理

• 命中题数：9
• 涉及公司：OPPO、字节、小红书、快手、百度、联想
• 高频问法：
• (2) 如何评估Rerank的有效性？有什么指标吗？
• (1) RAG 项目里怎么做召回闭环，才能让系统真的越用越准
• (1) 你们如何评估生成单测的质量？ 除了覆盖率，还有哪些指标有效？
• (1) 模型产生幻觉的常见原因是什么？工程上有哪些方法可以降低幻觉？
• (1) 对于代码解析有没有前置分析？有效性判断怎么实现的？未来让你来优化这些指标你会怎么设计？
• (1) rag中的幻觉问题是这么处理的？
• 答案框架：
  1. 先分离检索评测和生成评测，不把问题混成一个指标。
• 检索看 Recall@K / MRR / NDCG；生成看正确率、引用一致性、任务成功率。
• 数据集来源要说清：真实日志、人工构造、失败样本回流。
• 幻觉治理从三层答：输入约束、检索增强、输出校验/拒答。
• 最好补线上监控：抽样复核、回流闭环、AB 实验。

算法题/手撕题

• 命中题数：8
• 涉及公司：AI应用开发、字节、小红书、快手、米哈游、联想
• 高频问法：
• (2) 手撕:一道原创题，忘记题目了，但是不难
• (1) 代码实现LRU
• (1) 手撕 :两两交换链表中的节点
• (1) 手撕
• (1) （整个流程总共20分钟，无手撕代码环节。时间短的比拷打1个半小时，宁愿被拷打一个半小时）
• (1) 相比容易内卷的纯提示词、AI 绘画，或是门槛极高的算法研究，AI + 工程落地才是普通人最容易走通、成长最清晰的路
• 答案框架：
  1. 先确认题意和输入输出边界。
• 说思路时先给复杂度，再落到数据结构选择。
• 编码时注意鲁棒性、边界条件、变量命名。
• 写完主动做样例验证。
• 如果时间不够，先给可行解再优化。

MCP / Function Calling / Skills / Tool Calling

• 命中题数：7
• 涉及公司：字节、小红书、米哈游、美团、联想
• 高频问法：
• (1) MCP、Function Calling、Skills、Agent 分别是什么，它们之间是什么关系
• (1) mcp
• (1) MCP的交互流程是怎样的？
• (1) Agent 如何与 MCP Server 连接通信？
• (1) skills的原理有没有了解过？怎么实现的？
• (1) 谈谈对agent Skills的认识
• 答案框架：
  1. 先逐一定义概念，不要混着说。
• Function Calling/Tool Calling 是模型触发工具；Skill 更像能力封装；MCP 更像工具/上下文接入协议。
• 说明它们如何协同：模型规划 -> 选择工具/skill -> 调用执行 -> 回填结果。
• 补充工程问题：权限、超时、幂等、失败重试、可观测性。
• 最后说实际价值：降低接入成本，提高复用和治理能力。

Agent 与 workflow/单多 Agent 选型

• 命中题数：3
• 涉及公司：字节、小红书、米哈游
• 高频问法：
• (1) 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent
• (1) workflow和agent区别
• (1) 单Agent还是多Agent的？子Agent任务是什么？
• 答案框架：
  1. 先下定义：workflow 是预定义流程，Agent 是基于上下文动态决策。
• 再讲适用场景：稳定高频任务用 workflow；开放复杂任务才考虑 Agent。
• 单 Agent 适合轻量任务，多 Agent 适合角色分工明显、工具复杂、需要并行/反思的场景。
• 补充风险：多 Agent 会带来状态同步、成本、时延、调试难度。
• 结尾给出选型原则：先 workflow，必要时再逐步 Agent 化。

RAG 系统设计

• 命中题数：2
• 涉及公司：小红书
• 高频问法：
• (1) RAG 可以怎么分类，Agentic RAG 和传统 RAG 差别在哪
• (1) RAG 项目里怎么做召回闭环，才能让系统真的越用越准
• 答案框架：
  1. 先回答为什么要用 RAG：补齐私域知识、降低幻觉、提升可控性。
• 再讲链路：文档接入 -> 清洗切块 -> 索引 -> 召回 -> 重排 -> 生成。
• 讲清关键设计：chunk 粒度、元数据、混合检索、引用回传。
• 补充失败兜底：低置信度拒答、回退模板、人工介入。
• 最后讲如何评估：检索命中率、答案正确率、业务指标。

场景设计题（游戏/电商/安全/客服）

• 命中题数：2
• 涉及公司：大模型应用开发校招面经、腾讯
• 高频问法：
• (1) 如果让你设计一个 Agent 的规划器，怎么避免它每一步都重新规划，导致路径震荡？
• (1) 为网易云音乐设计一个AI歌词生成系统，如何提升创意性和押韵效果？
• 答案框架：
  1. 先画业务目标：用户是谁，核心任务是什么，成功指标是什么。
• 再拆系统：意图识别、检索/知识库、工具调用、状态管理、输出策略。
• 说明为什么需要 Agent/多 Agent，以及每个角色负责什么。
• 补稳定性与安全：权限、审计、拒答、异常兜底。
• 最后补评测与上线：离线集、灰度、AB、人工复核。

LangChain / LangGraph / 编排框架选型

• 命中题数：1
• 涉及公司：字节
• 高频问法：
• (1) 对其他主流 AI 框架（如 LangChain）有了解吗？
• 答案框架：
  1. 先说定位：LangChain 偏快速搭链路，LangGraph 偏复杂状态机编排。
• 如果有分支、循环、重试、人工介入、checkpoint，LangGraph 更合适。
• 如果只是简单工具串联，LangChain 更轻更快。
• 选型时讲维度：开发效率、可观测性、状态管理、扩展性、维护成本。
• 最后结合自己项目说“为什么这次这么选”。

意图识别与 Query 理解

• 命中题数：1
• 涉及公司：字节
• 高频问法：
• (1) 并行化意图识别是什么？为什么要并行化？如何实现的？
• 答案框架：
  1. 先说明方法：规则、小模型分类、大模型判断、混合路由。
• 再说输入特征：用户 query、上下文、历史行为、业务元数据。
• 重点讲评估：准确率、召回率、混淆类目、线上误判样本。
• 强调兜底：低置信度回退到澄清问句或保守策略。
• 如果业务复杂，要补“多意图/歧义 query 如何处理”。

后端基础：Redis/缓存/MQ/高并发

• 命中题数：1
• 涉及公司：美团
• 高频问法：
• (1) zset是居于rediss的什么结构？sorted set是什么？基于哪种数据结构？如何实现？
• 答案框架：
  1. 先回到业务问题：为什么引入缓存/MQ，而不是只背定义。
• Redis 重点答数据结构、单线程高性能原因、持久化/集群/一致性。
• MQ 重点答解耦、削峰、异步，以及顺序性、幂等、丢消息治理。
• 缓存题要讲失效策略、穿透击穿雪崩、冷热数据。
• 最好结合自己项目里实际怎么用。

牛客近6个月AI应用开发面经：逐题优秀答案稿

说明：这不是“标准答案”，而是适合优秀候选人的答题模板。重点是回答结构、工程取舍、评估与复盘意识。项目相关题请按你自己的真实经历替换占位信息，不要编造。

优秀候选人的共性答法

• 先给结论，不先绕概念背景。
• 定义、适用边界、工程取舍三件事同时讲清。
• 尽量带指标、代价、失败场景和兜底策略。
• 项目题不编造经历；没有做过的部分明确说“当时没做到，但我会这样补”。
• 面试表达优先“我的判断 -> 为什么 -> 怎么落地 -> 怎么验证”。

逐题答案

项目介绍/项目拷打

1. 自我介绍

• 命中次数：8
• 优秀答法：
• 我会用“背景-项目-能力-匹配度”四段式来答，控制在 1 到 2 分钟。
• 例如：我主要做过 AI 应用开发和全栈/后端工程，最近一段经历聚焦在 Agent、RAG、工具调用和工程落地。我比较强的点不是只会调模型，而是能把检索、记忆、工具、评测和后端服务串成一个可上线系统。
• 项目里我通常负责核心链路设计和工程落地，比如知识库接入、检索优化、工具调用协议、状态管理、评测闭环，以及线上问题排查和性能优化。
• 我现在投这个岗位，是因为它既要求 AI 应用理解，也要求工程实现，我过去的经历比较匹配，而且我更擅长把不稳定的 demo 做成可维护、可评估、可迭代的产品能力。
• 加分点：
• 最后一句要强行收束到“我为什么适合这个岗位”。
• 别把经历按时间流水账罗列，要围绕岗位能力讲。
• 避坑：
• 不要一上来讲兴趣爱好。
• 不要说自己“主要靠大模型写代码”，会显得 ownership 不足。

2. 项目拷打

• 命中次数：5
• 优秀答法：
• 先讲业务目标和用户痛点，再讲架构链路，最后讲你自己的 ownership 和结果。
• 优秀候选人的答法不是“我做了一个 Agent”，而是“我为了解决什么问题，为什么选这个方案，这个方案具体怎么工作”。
• 项目链路建议按“输入 -> 预处理 -> 检索/记忆/工具 -> 规划执行 -> 输出校验 -> 监控评测”来讲。
• 一定补指标，例如成功率、延迟、人工替代率、命中率、成本变化；如果没有现成指标，就坦诚说当时没有系统化监控，但我现在会补这几类指标。
• 最后一定复盘一个 trade-off，例如为什么没上多 Agent、为什么先做混合检索、为什么记忆不做全量写入。
• 加分点：
• 如果面试官追问，先守住业务目标和技术决策依据。
• 项目题最加分的是“知道自己没做好的地方以及如何补”。
• 避坑：
• 不要把所有技术名词堆一遍。
• 不要只讲功能，不讲你负责什么。

3. 介绍你写的这个项目

• 命中次数：1
• 优秀答法：
• 先讲业务目标和用户痛点，再讲架构链路，最后讲你自己的 ownership 和结果。
• 优秀候选人的答法不是“我做了一个 Agent”，而是“我为了解决什么问题，为什么选这个方案，这个方案具体怎么工作”。
• 项目链路建议按“输入 -> 预处理 -> 检索/记忆/工具 -> 规划执行 -> 输出校验 -> 监控评测”来讲。
• 一定补指标，例如成功率、延迟、人工替代率、命中率、成本变化；如果没有现成指标，就坦诚说当时没有系统化监控，但我现在会补这几类指标。
• 最后一定复盘一个 trade-off，例如为什么没上多 Agent、为什么先做混合检索、为什么记忆不做全量写入。
• 加分点：
• 如果面试官追问，先守住业务目标和技术决策依据。
• 项目题最加分的是“知道自己没做好的地方以及如何补”。
• 避坑：
• 不要把所有技术名词堆一遍。
• 不要只讲功能，不讲你负责什么。

4. 你挑一个最熟悉的项目详细讲一下，重点说业务背景、数据形态和你负责的部分

• 命中次数：1
• 优秀答法：
• 先讲业务目标和用户痛点，再讲架构链路，最后讲你自己的 ownership 和结果。
• 优秀候选人的答法不是“我做了一个 Agent”，而是“我为了解决什么问题，为什么选这个方案，这个方案具体怎么工作”。
• 项目链路建议按“输入 -> 预处理 -> 检索/记忆/工具 -> 规划执行 -> 输出校验 -> 监控评测”来讲。
• 一定补指标，例如成功率、延迟、人工替代率、命中率、成本变化；如果没有现成指标，就坦诚说当时没有系统化监控，但我现在会补这几类指标。
• 最后一定复盘一个 trade-off，例如为什么没上多 Agent、为什么先做混合检索、为什么记忆不做全量写入。
• 加分点：
• 如果面试官追问，先守住业务目标和技术决策依据。
• 项目题最加分的是“知道自己没做好的地方以及如何补”。
• 避坑：
• 不要把所有技术名词堆一遍。
• 不要只讲功能，不讲你负责什么。

Agent 与 workflow/单多 Agent 选型

1. 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent

• 命中次数：1
• 优秀答法：
• 我的判断是：默认先用 workflow 或单 Agent，只有在角色分工明显、工具复杂、需要并行或反思时，才引入多 Agent。
• 单 Agent 的优势是实现简单、上下文集中、成本和时延可控；多 Agent 的优势是职责清晰、可并行、便于隔离不同策略，但代价是状态同步、调度复杂度、失败链路都会上升。
• 如果任务本质是固定流程，比如检索、摘要、生成、审核几步相对稳定，我更倾向 workflow；如果需要动态规划、多轮纠错、角色协作，才会考虑 Agent 化。
• 所以选型标准不是“是否更酷”，而是看任务开放度、可预测性、失败成本和维护成本。
• 加分点：
• 补一句“我默认从简单方案起步”，会显得工程判断成熟。
• 如果做过状态机或 DAG，补一个真实例子最加分。
• 避坑：
• 不要把 ReAct 当成所有 Agent 的同义词。
• 不要说“多 Agent 一定更强”。

2. workflow和agent区别

• 命中次数：1
• 优秀答法：
• workflow 和 Agent 的核心区别在于：workflow 是预定义路径，Agent 是基于上下文动态选择下一步动作。
• 我通常先问两个问题：任务步骤能不能提前穷举？失败后允许不允许探索？如果能穷举且稳定，就优先 workflow。
• 很多线上场景其实不需要“强自主”，因为可预测、可审计、低成本比灵活性更重要。
• 只有当任务存在不确定路径、工具组合多、需要反思或多轮规划时，Agent 才真正有价值。
• 加分点：
• 补一句“我默认从简单方案起步”，会显得工程判断成熟。
• 如果做过状态机或 DAG，补一个真实例子最加分。
• 避坑：
• 不要把 ReAct 当成所有 Agent 的同义词。
• 不要说“多 Agent 一定更强”。

3. 单Agent还是多Agent的？子Agent任务是什么？

• 命中次数：1
• 优秀答法：
• 我的判断是：默认先用 workflow 或单 Agent，只有在角色分工明显、工具复杂、需要并行或反思时，才引入多 Agent。
• 单 Agent 的优势是实现简单、上下文集中、成本和时延可控；多 Agent 的优势是职责清晰、可并行、便于隔离不同策略，但代价是状态同步、调度复杂度、失败链路都会上升。
• 如果任务本质是固定流程，比如检索、摘要、生成、审核几步相对稳定，我更倾向 workflow；如果需要动态规划、多轮纠错、角色协作，才会考虑 Agent 化。
• 所以选型标准不是“是否更酷”，而是看任务开放度、可预测性、失败成本和维护成本。
• 加分点：
• 补一句“我默认从简单方案起步”，会显得工程判断成熟。
• 如果做过状态机或 DAG，补一个真实例子最加分。
• 避坑：
• 不要把 ReAct 当成所有 Agent 的同义词。
• 不要说“多 Agent 一定更强”。

4. 如果让你设计一个 Agent 的规划器，怎么避免它每一步都重新规划，导致路径震荡？

• 命中次数：1
• 优秀答法：
• 优秀答法要把 Agent 拆成规划、执行、观察、反思、状态管理五层，而不是只说“模型会自己调用工具”。
• 我会强调 Agent 只是控制逻辑，真正决定稳定性的还是工具边界、状态管理、异常处理和评测闭环。
• 如果是线上系统，我更关注“是否可回放、可审计、可中断、可恢复”，这比 demo 跑通更重要。
• 加分点：
• 补一句“我默认从简单方案起步”，会显得工程判断成熟。
• 如果做过状态机或 DAG，补一个真实例子最加分。
• 避坑：
• 不要把 ReAct 当成所有 Agent 的同义词。
• 不要说“多 Agent 一定更强”。

记忆系统设计

1. 讲一下Agent中的短期记忆和长期记忆分别怎样存储？

• 命中次数：2
• 优秀答法：
• 我会把记忆分成三层：当前会话短期记忆、跨会话长期记忆、用户画像/业务外部知识。三层职责不同，不能混在一起。
• 短期记忆解决当前任务上下文连续性，通常用窗口、摘要或关键状态维护；长期记忆存稳定偏好、历史任务结论、可复用事实；外部知识则是知识库或业务系统，不应该伪装成“记忆”。
• 记忆不是全量写入，而是事件触发写入：比如用户偏好更新、任务完成结论、长期有效约束。否则噪声会把召回质量拖垮。
• 读的时候我会按用户、任务阶段、时间窗口、置信度过滤，再做摘要拼接，避免把过多低价值历史塞回上下文。
• 真正的难点是治理：冲突怎么处理、过期怎么清、隐私如何隔离、并发更新如何保证一致性。
• 加分点：
• 如果被追问评估，回答“看跨轮成功率、历史事实命中率、无关记忆污染率”。
• 提到“全都记住通常是坏事”会显得你真做过。
• 避坑：
• 不要把聊天历史直接等同于记忆。
• 不要只讲向量库，不讲写入策略和淘汰策略。

2. Agent 的记忆一般怎么分层，为什么不能只靠聊天历史

• 命中次数：1
• 优秀答法：
• 我会把记忆分成三层：当前会话短期记忆、跨会话长期记忆、用户画像/业务外部知识。三层职责不同，不能混在一起。
• 短期记忆解决当前任务上下文连续性，通常用窗口、摘要或关键状态维护；长期记忆存稳定偏好、历史任务结论、可复用事实；外部知识则是知识库或业务系统，不应该伪装成“记忆”。
• 记忆不是全量写入，而是事件触发写入：比如用户偏好更新、任务完成结论、长期有效约束。否则噪声会把召回质量拖垮。
• 读的时候我会按用户、任务阶段、时间窗口、置信度过滤，再做摘要拼接，避免把过多低价值历史塞回上下文。
• 真正的难点是治理：冲突怎么处理、过期怎么清、隐私如何隔离、并发更新如何保证一致性。
• 加分点：
• 如果被追问评估，回答“看跨轮成功率、历史事实命中率、无关记忆污染率”。
• 提到“全都记住通常是坏事”会显得你真做过。
• 避坑：
• 不要把聊天历史直接等同于记忆。
• 不要只讲向量库，不讲写入策略和淘汰策略。

3. 记忆机制的设计？如果都放在一起怎么办

• 命中次数：1
• 优秀答法：
• 我会把记忆分成三层：当前会话短期记忆、跨会话长期记忆、用户画像/业务外部知识。三层职责不同，不能混在一起。
• 短期记忆解决当前任务上下文连续性，通常用窗口、摘要或关键状态维护；长期记忆存稳定偏好、历史任务结论、可复用事实；外部知识则是知识库或业务系统，不应该伪装成“记忆”。
• 记忆不是全量写入，而是事件触发写入：比如用户偏好更新、任务完成结论、长期有效约束。否则噪声会把召回质量拖垮。
• 读的时候我会按用户、任务阶段、时间窗口、置信度过滤，再做摘要拼接，避免把过多低价值历史塞回上下文。
• 真正的难点是治理：冲突怎么处理、过期怎么清、隐私如何隔离、并发更新如何保证一致性。
• 加分点：
• 如果被追问评估，回答“看跨轮成功率、历史事实命中率、无关记忆污染率”。
• 提到“全都记住通常是坏事”会显得你真做过。
• 避坑：
• 不要把聊天历史直接等同于记忆。
• 不要只讲向量库，不讲写入策略和淘汰策略。

4. Agent 的记忆、工具调用、知识库检索等关键组件是如何实现的？

• 命中次数：1
• 优秀答法：
• 我会把记忆分成三层：当前会话短期记忆、跨会话长期记忆、用户画像/业务外部知识。三层职责不同，不能混在一起。
• 短期记忆解决当前任务上下文连续性，通常用窗口、摘要或关键状态维护；长期记忆存稳定偏好、历史任务结论、可复用事实；外部知识则是知识库或业务系统，不应该伪装成“记忆”。
• 记忆不是全量写入，而是事件触发写入：比如用户偏好更新、任务完成结论、长期有效约束。否则噪声会把召回质量拖垮。
• 读的时候我会按用户、任务阶段、时间窗口、置信度过滤，再做摘要拼接，避免把过多低价值历史塞回上下文。
• 真正的难点是治理：冲突怎么处理、过期怎么清、隐私如何隔离、并发更新如何保证一致性。
• 加分点：
• 如果被追问评估，回答“看跨轮成功率、历史事实命中率、无关记忆污染率”。
• 提到“全都记住通常是坏事”会显得你真做过。
• 避坑：
• 不要把聊天历史直接等同于记忆。
• 不要只讲向量库，不讲写入策略和淘汰策略。

5. 长期记忆和短期记忆在设计上有什么区别？本质上有什么区别？

• 命中次数：1
• 优秀答法：
• 我会把记忆分成三层：当前会话短期记忆、跨会话长期记忆、用户画像/业务外部知识。三层职责不同，不能混在一起。
• 短期记忆解决当前任务上下文连续性，通常用窗口、摘要或关键状态维护；长期记忆存稳定偏好、历史任务结论、可复用事实；外部知识则是知识库或业务系统，不应该伪装成“记忆”。
• 记忆不是全量写入，而是事件触发写入：比如用户偏好更新、任务完成结论、长期有效约束。否则噪声会把召回质量拖垮。
• 读的时候我会按用户、任务阶段、时间窗口、置信度过滤，再做摘要拼接，避免把过多低价值历史塞回上下文。
• 真正的难点是治理：冲突怎么处理、过期怎么清、隐私如何隔离、并发更新如何保证一致性。
• 加分点：
• 如果被追问评估，回答“看跨轮成功率、历史事实命中率、无关记忆污染率”。
• 提到“全都记住通常是坏事”会显得你真做过。
• 避坑：
• 不要把聊天历史直接等同于记忆。
• 不要只讲向量库，不讲写入策略和淘汰策略。

6. 你是怎么实现模型的对话记忆功能的？

• 命中次数：1
• 优秀答法：
• 我会把记忆分成三层：当前会话短期记忆、跨会话长期记忆、用户画像/业务外部知识。三层职责不同，不能混在一起。
• 短期记忆解决当前任务上下文连续性，通常用窗口、摘要或关键状态维护；长期记忆存稳定偏好、历史任务结论、可复用事实；外部知识则是知识库或业务系统，不应该伪装成“记忆”。
• 记忆不是全量写入，而是事件触发写入：比如用户偏好更新、任务完成结论、长期有效约束。否则噪声会把召回质量拖垮。
• 读的时候我会按用户、任务阶段、时间窗口、置信度过滤，再做摘要拼接，避免把过多低价值历史塞回上下文。
• 真正的难点是治理：冲突怎么处理、过期怎么清、隐私如何隔离、并发更新如何保证一致性。
• 加分点：
• 如果被追问评估，回答“看跨轮成功率、历史事实命中率、无关记忆污染率”。
• 提到“全都记住通常是坏事”会显得你真做过。
• 避坑：
• 不要把聊天历史直接等同于记忆。
• 不要只讲向量库，不讲写入策略和淘汰策略。

RAG 系统设计

1. RAG 可以怎么分类，Agentic RAG 和传统 RAG 差别在哪

• 命中次数：1
• 优秀答法：
• 我会先说明为什么需要 RAG：核心不是“让模型更聪明”，而是补齐私域知识、降低幻觉、提高可控性和可引用性。
• 完整链路是：文档接入 -> 清洗/结构化 -> 切块 -> 建索引 -> 召回 -> 重排 -> 生成 -> 引用/拒答。
• 关键设计点通常是 chunk 粒度、元数据设计、混合检索、query rewrite、低置信度拒答，以及引用证据如何回传到答案。
• 如果是 Agentic RAG，我会强调它不是普通 RAG 加个名字，而是在检索前后允许模型做任务分解、查询改写、多轮检索和结果验证。
• 最后讲评估：检索命中率、答案正确率、引用一致性、任务成功率和线上反馈闭环。
• 加分点：
• 如果题目偏业务，补“为什么不用纯 LLM 直答”。
• 如果题目偏工程，补“PDF、表格、OCR 需要保留结构信息”。
• 避坑：
• 不要只讲向量数据库。
• 不要把 RAG 说成一个检索接口调用。

检索/召回/重排/向量索引优化

1. 向量数据库检索出来的历史信息，如果语义相关但时间太久，能直接用吗？

• 命中次数：2
• 优秀答法：
• 检索优化我会从召回质量、排序质量、延迟、存储成本四个维度来答，而不是只盯着某一个索引算法。
• 常见手段包括混合检索、query rewrite、HyDE、元数据过滤、重排模型、chunk 优化和结构化信息保留。
• 如果文档是 PDF、OCR、表格，版面结构和字段抽取往往比单纯换索引更重要。
• 加分点：
• 回答检索题时，记得最后落到评估指标。
• 如果提到 PDF/OCR/表格，会显得更贴近真实业务。
• 避坑：
• 不要把“召回”和“重排”混为一谈。
• 不要只背 HNSW/IVF 名字，不讲适用场景。

2. 对于RAG，既然向量检索已经计算了相似度，为什么还要用引入交叉编码器进行重排？

• 命中次数：2
• 优秀答法：
• 检索优化我会从召回质量、排序质量、延迟、存储成本四个维度来答，而不是只盯着某一个索引算法。
• 常见手段包括混合检索、query rewrite、HyDE、元数据过滤、重排模型、chunk 优化和结构化信息保留。
• 如果文档是 PDF、OCR、表格，版面结构和字段抽取往往比单纯换索引更重要。
• 加分点：
• 回答检索题时，记得最后落到评估指标。
• 如果提到 PDF/OCR/表格，会显得更贴近真实业务。
• 避坑：
• 不要把“召回”和“重排”混为一谈。
• 不要只背 HNSW/IVF 名字，不讲适用场景。

3. RAG 项目里怎么做召回闭环，才能让系统真的越用越准

• 命中次数：1
• 优秀答法：
• 我会把召回闭环分成四件事：离线标注集、线上失败样本回流、查询改写策略、重排与阈值调优。
• 召回层通常不只一路，我更倾向 BM25、向量检索、规则召回并行，然后用 rerank 统一排序，避免单路召回盲区。
• 闭环的关键不是“多做一些 trick”，而是建立失败样本到策略改进的路径，比如 query rewrite、chunk 策略调整、元数据过滤和重排阈值优化。
• 最终验证看 Recall@K、MRR、NDCG，以及端到端正确率是否真的提升。
• 加分点：
• 回答检索题时，记得最后落到评估指标。
• 如果提到 PDF/OCR/表格，会显得更贴近真实业务。
• 避坑：
• 不要把“召回”和“重排”混为一谈。
• 不要只背 HNSW/IVF 名字，不讲适用场景。

4. HyDE 的原理是什么，什么时候有效，什么时候会害人

• 命中次数：1
• 优秀答法：
• HyDE 的核心思路是先让模型为用户问题生成一个“假想答案”，再拿这个假想答案去做向量检索，因为它通常比原始 query 语义更完整。
• 它适合原始 query 很短、表达模糊、领域术语缺失的场景，尤其当语料本身是描述性文本时会有帮助。
• 但它也可能害人：如果模型先编出错误方向，检索会被带偏，尤其在高风险场景或 query 已经很明确时反而会引入噪声。
• 所以我的做法通常不是盲开，而是做成可配置策略，并通过 Recall@K、MRR、端到端正确率验证收益。
• 加分点：
• 回答检索题时，记得最后落到评估指标。
• 如果提到 PDF/OCR/表格，会显得更贴近真实业务。
• 避坑：
• 不要把“召回”和“重排”混为一谈。
• 不要只背 HNSW/IVF 名字，不讲适用场景。

5. IVF、PQ、IVF-PQ 分别在做什么，为什么它们能把向量检索做快

• 命中次数：1
• 优秀答法：
• 向量索引的本质是用空间划分或近似搜索，把“全量暴力比对”变成“更小候选集上的近似检索”。
• HNSW 更适合高召回、低时延和中大规模场景；IVF 先做粗聚类，再只搜少量桶；PQ 通过量化压缩向量降低存储和计算；IVF-PQ 则是两者结合，换空间和召回来换规模能力。
• 所以没有绝对最优，只有业务 trade-off：如果你更看重召回质量，优先 HNSW；如果向量规模极大、内存压力大，才更认真考虑 IVF/PQ 体系。
• 优秀候选人会补一句：索引优化不能只看 QPS，还要看召回率和端到端答案质量是否下降。
• 加分点：
• 回答检索题时，记得最后落到评估指标。
• 如果提到 PDF/OCR/表格，会显得更贴近真实业务。
• 避坑：
• 不要把“召回”和“重排”混为一谈。
• 不要只背 HNSW/IVF 名字，不讲适用场景。

6. 向量索引有哪些典型类别，分别适合什么场景

• 命中次数：1
• 优秀答法：
• 向量索引的本质是用空间划分或近似搜索，把“全量暴力比对”变成“更小候选集上的近似检索”。
• HNSW 更适合高召回、低时延和中大规模场景；IVF 先做粗聚类，再只搜少量桶；PQ 通过量化压缩向量降低存储和计算；IVF-PQ 则是两者结合，换空间和召回来换规模能力。
• 所以没有绝对最优，只有业务 trade-off：如果你更看重召回质量，优先 HNSW；如果向量规模极大、内存压力大，才更认真考虑 IVF/PQ 体系。
• 优秀候选人会补一句：索引优化不能只看 QPS，还要看召回率和端到端答案质量是否下降。
• 加分点：
• 回答检索题时，记得最后落到评估指标。
• 如果提到 PDF/OCR/表格，会显得更贴近真实业务。
• 避坑：
• 不要把“召回”和“重排”混为一谈。
• 不要只背 HNSW/IVF 名字，不讲适用场景。

RAG/Agent 评测与幻觉治理

1. 如何评估Rerank的有效性？有什么指标吗？

• 命中次数：2
• 优秀答法：
• 我会先把问题拆开：检索效果评测、生成效果评测、业务效果评测，三者不能混成一个分数。
• 检索层看 Recall@K、MRR、NDCG；生成层看正确率、引用一致性、拒答合理性、任务成功率；业务层看转化、耗时、人工替代率等指标。
• 离线数据集最好来自三类：真实日志回流、人工构造难例、线上失败样本。这样才能覆盖常见 query、边界 query 和高风险 query。
• 幻觉治理我会从输入约束、检索增强、输出校验三层处理：必要时要求引用、关键事实做 grounding 检查、低置信度直接拒答。
• 如果是在线实验，我会强调 AI 应用比传统 AB 更难，因为输出非确定、长尾问题多、人工标注成本高，所以要结合抽样复核和灰度放量。
• 加分点：
• 补一句“不要把用户反馈当唯一指标”，很加分。
• 高风险场景主动提拒答和人工复核。
• 避坑：
• 不要说“效果主要看感觉”。
• 不要只讲一个 LLM-as-a-judge 分数。

2. 你们如何评估生成单测的质量？ 除了覆盖率，还有哪些指标有效？

• 命中次数：1
• 优秀答法：
• 我会先把问题拆开：检索效果评测、生成效果评测、业务效果评测，三者不能混成一个分数。
• 检索层看 Recall@K、MRR、NDCG；生成层看正确率、引用一致性、拒答合理性、任务成功率；业务层看转化、耗时、人工替代率等指标。
• 离线数据集最好来自三类：真实日志回流、人工构造难例、线上失败样本。这样才能覆盖常见 query、边界 query 和高风险 query。
• 幻觉治理我会从输入约束、检索增强、输出校验三层处理：必要时要求引用、关键事实做 grounding 检查、低置信度直接拒答。
• 如果是在线实验，我会强调 AI 应用比传统 AB 更难，因为输出非确定、长尾问题多、人工标注成本高，所以要结合抽样复核和灰度放量。
• 加分点：
• 补一句“不要把用户反馈当唯一指标”，很加分。
• 高风险场景主动提拒答和人工复核。
• 避坑：
• 不要说“效果主要看感觉”。
• 不要只讲一个 LLM-as-a-judge 分数。

3. 模型产生幻觉的常见原因是什么？工程上有哪些方法可以降低幻觉？

• 命中次数：1
• 优秀答法：
• 我会先把问题拆开：检索效果评测、生成效果评测、业务效果评测，三者不能混成一个分数。
• 检索层看 Recall@K、MRR、NDCG；生成层看正确率、引用一致性、拒答合理性、任务成功率；业务层看转化、耗时、人工替代率等指标。
• 离线数据集最好来自三类：真实日志回流、人工构造难例、线上失败样本。这样才能覆盖常见 query、边界 query 和高风险 query。
• 幻觉治理我会从输入约束、检索增强、输出校验三层处理：必要时要求引用、关键事实做 grounding 检查、低置信度直接拒答。
• 如果是在线实验，我会强调 AI 应用比传统 AB 更难，因为输出非确定、长尾问题多、人工标注成本高，所以要结合抽样复核和灰度放量。
• 加分点：
• 补一句“不要把用户反馈当唯一指标”，很加分。
• 高风险场景主动提拒答和人工复核。
• 避坑：
• 不要说“效果主要看感觉”。
• 不要只讲一个 LLM-as-a-judge 分数。

4. 对于代码解析有没有前置分析？有效性判断怎么实现的？未来让你来优化这些指标你会怎么设计？

• 命中次数：1
• 优秀答法：
• 我会先把问题拆开：检索效果评测、生成效果评测、业务效果评测，三者不能混成一个分数。
• 检索层看 Recall@K、MRR、NDCG；生成层看正确率、引用一致性、拒答合理性、任务成功率；业务层看转化、耗时、人工替代率等指标。
• 离线数据集最好来自三类：真实日志回流、人工构造难例、线上失败样本。这样才能覆盖常见 query、边界 query 和高风险 query。
• 幻觉治理我会从输入约束、检索增强、输出校验三层处理：必要时要求引用、关键事实做 grounding 检查、低置信度直接拒答。
• 如果是在线实验，我会强调 AI 应用比传统 AB 更难，因为输出非确定、长尾问题多、人工标注成本高，所以要结合抽样复核和灰度放量。
• 加分点：
• 补一句“不要把用户反馈当唯一指标”，很加分。
• 高风险场景主动提拒答和人工复核。
• 避坑：
• 不要说“效果主要看感觉”。
• 不要只讲一个 LLM-as-a-judge 分数。

5. rag中的幻觉问题是这么处理的？

• 命中次数：1
• 优秀答法：
• 我会先把问题拆开：检索效果评测、生成效果评测、业务效果评测，三者不能混成一个分数。
• 检索层看 Recall@K、MRR、NDCG；生成层看正确率、引用一致性、拒答合理性、任务成功率；业务层看转化、耗时、人工替代率等指标。
• 离线数据集最好来自三类：真实日志回流、人工构造难例、线上失败样本。这样才能覆盖常见 query、边界 query 和高风险 query。
• 幻觉治理我会从输入约束、检索增强、输出校验三层处理：必要时要求引用、关键事实做 grounding 检查、低置信度直接拒答。
• 如果是在线实验，我会强调 AI 应用比传统 AB 更难，因为输出非确定、长尾问题多、人工标注成本高，所以要结合抽样复核和灰度放量。
• 加分点：
• 补一句“不要把用户反馈当唯一指标”，很加分。
• 高风险场景主动提拒答和人工复核。
• 避坑：
• 不要说“效果主要看感觉”。
• 不要只讲一个 LLM-as-a-judge 分数。

LangChain / LangGraph / 编排框架选型

1. 对其他主流 AI 框架（如 LangChain）有了解吗？

• 命中次数：1
• 优秀答法：
• 我通常先说定位：LangChain 更像快速搭建链路的应用框架，LangGraph 更适合有显式状态、分支、循环、重试、人工介入的复杂编排。
• 如果流程比较线性，比如检索、生成、解析、存储几步串起来，LangChain 会更轻；如果任务有状态机特征、需要 checkpoint 或中断恢复，LangGraph 更合适。
• 选型时我会看五个维度：开发效率、状态管理、可观测性、故障恢复、维护成本，而不是看哪个概念更新。
• 如果题目问到 Spring AI / LangChain4j / Ailibaba，我会把答案落在语言生态、团队技术栈、接入成本和扩展性上。
• 加分点：
• 最加分的是结合自己项目给出“为什么这次这样选”。
• 提到 checkpoint、人工介入、回放，会显得更工程化。
• 避坑：
• 不要把框架名当能力本身。
• 不要为了显得高级而强行上复杂编排。

MCP / Function Calling / Skills / Tool Calling

1. MCP、Function Calling、Skills、Agent 分别是什么，它们之间是什么关系

• 命中次数：1
• 优秀答法：
• 我的回答会先把概念拆开：Function Calling/Tool Calling 是模型触发某个工具；Skill 是把一类能力封装成可复用单元；MCP 更像工具与上下文接入协议。
• 它们的关系可以理解为：模型负责规划，Tool/Skill 负责执行，MCP 负责以统一方式暴露能力和上下文。
• 工程上我更关心权限、参数校验、超时、幂等、失败重试和可观测性，因为真正线上不稳定的往往不是“模型会不会调工具”，而是工具链路本身。
• 如果问 skill 联动，我会强调它们当然可以组合，但组合前提是输入输出契约清晰、权限边界明确、异常能定位。
• 加分点：
• 优秀候选人会主动补一句“这些概念不要混着用”。
• 如果提到 schema 校验、审计日志，会更强。
• 避坑：
• 不要把 MCP 说成某个具体产品。
• 不要只讲业务价值，不讲技术拆分。

2. mcp

• 命中次数：1
• 优秀答法：
• 我的回答会先把概念拆开：Function Calling/Tool Calling 是模型触发某个工具；Skill 是把一类能力封装成可复用单元；MCP 更像工具与上下文接入协议。
• 它们的关系可以理解为：模型负责规划，Tool/Skill 负责执行，MCP 负责以统一方式暴露能力和上下文。
• 工程上我更关心权限、参数校验、超时、幂等、失败重试和可观测性，因为真正线上不稳定的往往不是“模型会不会调工具”，而是工具链路本身。
• 如果问 skill 联动，我会强调它们当然可以组合，但组合前提是输入输出契约清晰、权限边界明确、异常能定位。
• 加分点：
• 优秀候选人会主动补一句“这些概念不要混着用”。
• 如果提到 schema 校验、审计日志，会更强。
• 避坑：
• 不要把 MCP 说成某个具体产品。
• 不要只讲业务价值，不讲技术拆分。

3. MCP的交互流程是怎样的？

• 命中次数：1
• 优秀答法：
• 我的回答会先把概念拆开：Function Calling/Tool Calling 是模型触发某个工具；Skill 是把一类能力封装成可复用单元；MCP 更像工具与上下文接入协议。
• 它们的关系可以理解为：模型负责规划，Tool/Skill 负责执行，MCP 负责以统一方式暴露能力和上下文。
• 工程上我更关心权限、参数校验、超时、幂等、失败重试和可观测性，因为真正线上不稳定的往往不是“模型会不会调工具”，而是工具链路本身。
• 如果问 skill 联动，我会强调它们当然可以组合，但组合前提是输入输出契约清晰、权限边界明确、异常能定位。
• 加分点：
• 优秀候选人会主动补一句“这些概念不要混着用”。
• 如果提到 schema 校验、审计日志，会更强。
• 避坑：
• 不要把 MCP 说成某个具体产品。
• 不要只讲业务价值，不讲技术拆分。

4. Agent 如何与 MCP Server 连接通信？

• 命中次数：1
• 优秀答法：
• 我的回答会先把概念拆开：Function Calling/Tool Calling 是模型触发某个工具；Skill 是把一类能力封装成可复用单元；MCP 更像工具与上下文接入协议。
• 它们的关系可以理解为：模型负责规划，Tool/Skill 负责执行，MCP 负责以统一方式暴露能力和上下文。
• 工程上我更关心权限、参数校验、超时、幂等、失败重试和可观测性，因为真正线上不稳定的往往不是“模型会不会调工具”，而是工具链路本身。
• 如果问 skill 联动，我会强调它们当然可以组合，但组合前提是输入输出契约清晰、权限边界明确、异常能定位。
• 加分点：
• 优秀候选人会主动补一句“这些概念不要混着用”。
• 如果提到 schema 校验、审计日志，会更强。
• 避坑：
• 不要把 MCP 说成某个具体产品。
• 不要只讲业务价值，不讲技术拆分。

5. skills的原理有没有了解过？怎么实现的？

• 命中次数：1
• 优秀答法：
• 我的回答会先把概念拆开：Function Calling/Tool Calling 是模型触发某个工具；Skill 是把一类能力封装成可复用单元；MCP 更像工具与上下文接入协议。
• 它们的关系可以理解为：模型负责规划，Tool/Skill 负责执行，MCP 负责以统一方式暴露能力和上下文。
• 工程上我更关心权限、参数校验、超时、幂等、失败重试和可观测性，因为真正线上不稳定的往往不是“模型会不会调工具”，而是工具链路本身。
• 如果问 skill 联动，我会强调它们当然可以组合，但组合前提是输入输出契约清晰、权限边界明确、异常能定位。
• 加分点：
• 优秀候选人会主动补一句“这些概念不要混着用”。
• 如果提到 schema 校验、审计日志，会更强。
• 避坑：
• 不要把 MCP 说成某个具体产品。
• 不要只讲业务价值，不讲技术拆分。

6. 谈谈对agent Skills的认识

• 命中次数：1
• 优秀答法：
• 我的回答会先把概念拆开：Function Calling/Tool Calling 是模型触发某个工具；Skill 是把一类能力封装成可复用单元；MCP 更像工具与上下文接入协议。
• 它们的关系可以理解为：模型负责规划，Tool/Skill 负责执行，MCP 负责以统一方式暴露能力和上下文。
• 工程上我更关心权限、参数校验、超时、幂等、失败重试和可观测性，因为真正线上不稳定的往往不是“模型会不会调工具”，而是工具链路本身。
• 如果问 skill 联动，我会强调它们当然可以组合，但组合前提是输入输出契约清晰、权限边界明确、异常能定位。
• 加分点：
• 优秀候选人会主动补一句“这些概念不要混着用”。
• 如果提到 schema 校验、审计日志，会更强。
• 避坑：
• 不要把 MCP 说成某个具体产品。
• 不要只讲业务价值，不讲技术拆分。

意图识别与 Query 理解

1. 并行化意图识别是什么？为什么要并行化？如何实现的？

• 命中次数：1
• 优秀答法：
• 意图识别我一般不把它只当分类模型问题，而是当路由问题：决定后续是检索、工具调用、澄清追问还是直接回答。
• 实现上可以是规则、小模型分类、大模型判断、混合路由；具体选什么看业务复杂度和稳定性要求。
• 我会特别强调低置信度处理：不要硬判错意图，而是回退到澄清问句或保守路径。
• 评估除了整体准确率，更要看混淆类目、长尾 query、线上误判成本，因为错路由的代价通常比“不答”更高。
• 加分点：
• 把“低置信度兜底”说出来很加分。
• 如果是电商/客服，可补充上下文和用户行为特征。
• 避坑：
• 不要只讲一个分类模型名字。
• 不要忽略多意图和歧义 query。

场景设计题（游戏/电商/安全/客服）

1. 为网易云音乐设计一个AI歌词生成系统，如何提升创意性和押韵效果？

• 命中次数：1
• 优秀答法：
• 场景题我会先讲目标用户、核心任务和成功指标，再讲系统结构；优秀候选人不会一上来就堆技术方案。
• 系统层通常拆成：意图识别、知识/检索、工具调用、状态管理、输出约束、评测监控。
• 如果是高风险场景，比如安全、医疗、金融，我会强调权限控制、引用证据、拒答策略、人工兜底和审计日志。
• 如果是电商或客服场景，我会补充业务指标，比如转化率、客服节省时长、订单完成率、投诉率等。
• 最后再解释为什么这里需要 Agent，而不是普通 workflow 或问答系统。
• 加分点：
• 一定主动谈稳定性和安全性。
• 如果能补离线评测+灰度上线，会更完整。
• 避坑：
• 不要把场景题答成“我会用一个大模型”。
• 不要忽略业务指标。

后端基础：Redis/缓存/MQ/高并发

1. zset是居于rediss的什么结构？sorted set是什么？基于哪种数据结构？如何实现？

• 命中次数：1
• 优秀答法：
• Redis 题我会先回到业务用途：缓存、会话、限流、排行榜、向量检索缓存，而不是只背定义。
• 如果问单线程高性能，我会讲内存操作、IO 多路复用、数据结构高效、避免线程切换四点；如果问集群，我会补 slot 分片、主从复制、故障转移和一致性代价。
• 如果问缓存设计，我会把 key 设计、过期策略、热点处理、穿透击穿雪崩、回源治理讲清。
• 如果问向量检索缓存，我会说缓存的是 query embedding、召回结果或 rerank 结果，并说明失效策略和命中条件。
• 加分点：
• 如果能结合自己项目中的 key/value 设计或监控指标，会很加分。
• 回答时别忘了异常场景和治理。
• 避坑：
• 不要只背“Redis 很快因为单线程”。
• 不要说“当时只学了这个所以用了这个”然后就结束。

模型基础：Transformer/KV Cache/Temperature

1. attention和self-attention

• 命中次数：1
• 优秀答法：
• 模型基础题我会坚持“概念 + 工程影响”一起答。比如讲 self-attention，不只说公式，而要说它为什么能建模长距离关系、为什么更利于并行。
• 如果问 Transformer，我会覆盖 attention、前馈层、位置编码、残差与归一化；如果问采样，我会讲稳定性和多样性的 trade-off。
• 加分点：
• 回答模型题时，别只背名词，补一层“这对线上效果意味着什么”。
• 如果不确定某个细节，不要强编。
• 避坑：
• 不要把 temperature 说成控制“创造力”的玄学参数。
• 不要把 KV Cache 说成训练技巧。

2. 为什么attention比rnn好

• 命中次数：1
• 优秀答法：
• 模型基础题我会坚持“概念 + 工程影响”一起答。比如讲 self-attention，不只说公式，而要说它为什么能建模长距离关系、为什么更利于并行。
• 如果问 Transformer，我会覆盖 attention、前馈层、位置编码、残差与归一化；如果问采样，我会讲稳定性和多样性的 trade-off。
• 加分点：
• 回答模型题时，别只背名词，补一层“这对线上效果意味着什么”。
• 如果不确定某个细节，不要强编。
• 避坑：
• 不要把 temperature 说成控制“创造力”的玄学参数。
• 不要把 KV Cache 说成训练技巧。

3. self-attention 的核心作用是什么？为什么要拆成 Q、K、V？

• 命中次数：1
• 优秀答法：
• 模型基础题我会坚持“概念 + 工程影响”一起答。比如讲 self-attention，不只说公式，而要说它为什么能建模长距离关系、为什么更利于并行。
• 如果问 Transformer，我会覆盖 attention、前馈层、位置编码、残差与归一化；如果问采样，我会讲稳定性和多样性的 trade-off。
• 加分点：
• 回答模型题时，别只背名词，补一层“这对线上效果意味着什么”。
• 如果不确定某个细节，不要强编。
• 避坑：
• 不要把 temperature 说成控制“创造力”的玄学参数。
• 不要把 KV Cache 说成训练技巧。

4. 为什么 attention 能建模长距离关系？

• 命中次数：1
• 优秀答法：
• 模型基础题我会坚持“概念 + 工程影响”一起答。比如讲 self-attention，不只说公式，而要说它为什么能建模长距离关系、为什么更利于并行。
• 如果问 Transformer，我会覆盖 attention、前馈层、位置编码、残差与归一化；如果问采样，我会讲稳定性和多样性的 trade-off。
• 加分点：
• 回答模型题时，别只背名词，补一层“这对线上效果意味着什么”。
• 如果不确定某个细节，不要强编。
• 避坑：
• 不要把 temperature 说成控制“创造力”的玄学参数。
• 不要把 KV Cache 说成训练技巧。

5. 为什么需要 multi-head？attention 为什么可以看成动态加权？

• 命中次数：1
• 优秀答法：
• 模型基础题我会坚持“概念 + 工程影响”一起答。比如讲 self-attention，不只说公式，而要说它为什么能建模长距离关系、为什么更利于并行。
• 如果问 Transformer，我会覆盖 attention、前馈层、位置编码、残差与归一化；如果问采样，我会讲稳定性和多样性的 trade-off。
• 加分点：
• 回答模型题时，别只背名词，补一层“这对线上效果意味着什么”。
• 如果不确定某个细节，不要强编。
• 避坑：
• 不要把 temperature 说成控制“创造力”的玄学参数。
• 不要把 KV Cache 说成训练技巧。

6. attention 复杂度很高，当上下文特别长时，你会怎么优化？

• 命中次数：1
• 优秀答法：
• 模型基础题我会坚持“概念 + 工程影响”一起答。比如讲 self-attention，不只说公式，而要说它为什么能建模长距离关系、为什么更利于并行。
• 如果问 Transformer，我会覆盖 attention、前馈层、位置编码、残差与归一化；如果问采样，我会讲稳定性和多样性的 trade-off。
• 加分点：
• 回答模型题时，别只背名词，补一层“这对线上效果意味着什么”。
• 如果不确定某个细节，不要强编。
• 避坑：
• 不要把 temperature 说成控制“创造力”的玄学参数。
• 不要把 KV Cache 说成训练技巧。

算法题/手撕题

1. 手撕:一道原创题，忘记题目了，但是不难

• 命中次数：2
• 优秀答法：
• 算法题我会先确认输入输出和边界，再先说思路和复杂度，最后再写代码。
• 如果一开始没想到最优解，我也会先给可行解，再讲如何优化，这比一直沉默更像成熟候选人。
• 写完后我会主动用样例和边界条件验证，包括空输入、重复值、极端长度等。
• 加分点：
• 说复杂度时尽量顺带解释为什么是这个复杂度。
• 边写边说关键不变量，很加分。
• 避坑：
• 不要一上来就写代码。
• 不要写完不测。

2. 代码实现LRU

• 命中次数：1
• 优秀答法：
• 算法题我会先确认输入输出和边界，再先说思路和复杂度，最后再写代码。
• 如果一开始没想到最优解，我也会先给可行解，再讲如何优化，这比一直沉默更像成熟候选人。
• 写完后我会主动用样例和边界条件验证，包括空输入、重复值、极端长度等。
• 加分点：
• 说复杂度时尽量顺带解释为什么是这个复杂度。
• 边写边说关键不变量，很加分。
• 避坑：
• 不要一上来就写代码。
• 不要写完不测。

3. 手撕 :两两交换链表中的节点

• 命中次数：1
• 优秀答法：
• 算法题我会先确认输入输出和边界，再先说思路和复杂度，最后再写代码。
• 如果一开始没想到最优解，我也会先给可行解，再讲如何优化，这比一直沉默更像成熟候选人。
• 写完后我会主动用样例和边界条件验证，包括空输入、重复值、极端长度等。
• 加分点：
• 说复杂度时尽量顺带解释为什么是这个复杂度。
• 边写边说关键不变量，很加分。
• 避坑：
• 不要一上来就写代码。
• 不要写完不测。

4. 手撕

• 命中次数：1
• 优秀答法：
• 算法题我会先确认输入输出和边界，再先说思路和复杂度，最后再写代码。
• 如果一开始没想到最优解，我也会先给可行解，再讲如何优化，这比一直沉默更像成熟候选人。
• 写完后我会主动用样例和边界条件验证，包括空输入、重复值、极端长度等。
• 加分点：
• 说复杂度时尽量顺带解释为什么是这个复杂度。
• 边写边说关键不变量，很加分。
• 避坑：
• 不要一上来就写代码。
• 不要写完不测。

5. （整个流程总共20分钟，无手撕代码环节。时间短的比拷打1个半小时，宁愿被拷打一个半小时）

• 命中次数：1
• 优秀答法：
• 算法题我会先确认输入输出和边界，再先说思路和复杂度，最后再写代码。
• 如果一开始没想到最优解，我也会先给可行解，再讲如何优化，这比一直沉默更像成熟候选人。
• 写完后我会主动用样例和边界条件验证，包括空输入、重复值、极端长度等。
• 加分点：
• 说复杂度时尽量顺带解释为什么是这个复杂度。
• 边写边说关键不变量，很加分。
• 避坑：
• 不要一上来就写代码。
• 不要写完不测。

6. 相比容易内卷的纯提示词、AI 绘画，或是门槛极高的算法研究，AI + 工程落地才是普通人最容易走通、成长最清晰的路

• 命中次数：1
• 优秀答法：
• 算法题我会先确认输入输出和边界，再先说思路和复杂度，最后再写代码。
• 如果一开始没想到最优解，我也会先给可行解，再讲如何优化，这比一直沉默更像成熟候选人。
• 写完后我会主动用样例和边界条件验证，包括空输入、重复值、极端长度等。
• 加分点：
• 说复杂度时尽量顺带解释为什么是这个复杂度。
• 边写边说关键不变量，很加分。
• 避坑：
• 不要一上来就写代码。
• 不要写完不测。

牛客近6个月AI应用开发面经：公司维度对比分析

• 统计公司数：14

公司总览

逐公司分析

小红书

• 面经数：3
• 风格画像：Agent / RAG / 向量索引问得系统，喜欢考概念边界与检索细节。
• 高频知识点：
• 项目介绍与项目拷打: 3
• 记忆与上下文管理: 2
• RAG与检索优化: 2
• Agent架构与范式: 1
• 框架、MCP与工具调用: 1
• 后端基础与工程化: 1
• 高频题型：
• 项目介绍/项目拷打: 3
• 记忆系统设计: 2
• 检索/召回/重排/向量索引优化: 2
• Agent 与 workflow/单多 Agent 选型: 1
• MCP / Function Calling / Skills / Tool Calling: 1
• RAG 系统设计: 1
• 相关面经：
• 2026-04-12｜小红书 AI Agent开发 一面
• 2026-03-19｜小红书 大模型开发 一面
• 2025-10-16｜小红书 AI Agent开发 一面凉经

字节

• 面经数：2
• 风格画像：项目细节会深挖到记忆、评测、数据集、并发隔离，常伴随模型基础或算法题。
• 高频知识点：
• 框架、MCP与工具调用: 2
• 后端基础与工程化: 2
• Agent架构与范式: 2
• 记忆与上下文管理: 2
• RAG与检索优化: 2
• 模型基础与推理机制: 2
• 高频题型：
• MCP / Function Calling / Skills / Tool Calling: 2
• 检索/召回/重排/向量索引优化: 2
• 算法题/手撕题: 2
• 记忆系统设计: 1
• LangChain / LangGraph / 编排框架选型: 1
• 项目介绍/项目拷打: 1
• 相关面经：
• 2026-04-09｜字节agent开发实习一面凉经
• 2026-04-09｜字节Agent开发一面90min凉经

快手

• 面经数：2
• 风格画像：AI 应用 + 后端八股混合考，Redis/MQ/框架选型比重高。
• 高频知识点：
• 项目介绍与项目拷打: 2
• RAG与检索优化: 2
• Agent架构与范式: 2
• 记忆与上下文管理: 2
• 评测、幻觉与数据集: 2
• 算法与编码题: 2
• 高频题型：
• 项目介绍/项目拷打: 2
• 记忆系统设计: 2
• 检索/召回/重排/向量索引优化: 2
• RAG/Agent 评测与幻觉治理: 2
• 算法题/手撕题: 2
• 相关面经：
• 2026-04-02｜快手大模型应用开发算法岗三面面经
• 2026-04-02｜快手大模型应用开发算法岗三面面经

面壁智能

• 面经数：1
• 风格画像：以具体项目深挖为主，建议按该公司的高频知识点准备。
• 高频知识点：
• 项目介绍与项目拷打: 1
• 模型基础与推理机制: 1
• 评测、幻觉与数据集: 1
• 高频题型：
• 项目介绍/项目拷打: 1
• 相关面经：
• 2026-04-10｜面壁智能 大模型应用开发 二面

大数据开发还是大模型应用开发

• 面经数：1
• 风格画像：以具体项目深挖为主，建议按该公司的高频知识点准备。
• 高频知识点：
• 模型基础与推理机制: 1
• HR与流程信息: 1
• 高频题型：
• 相关面经：
• 2026-04-10｜大数据开发还是大模型应用开发

米哈游

• 面经数：1
• 风格画像：偏游戏场景下的 Agent 设计、状态定义与记忆管理。
• 高频知识点：
• 项目介绍与项目拷打: 1
• 模型基础与推理机制: 1
• Agent架构与范式: 1
• 记忆与上下文管理: 1
• 框架、MCP与工具调用: 1
• 算法与编码题: 1
• 高频题型：
• 项目介绍/项目拷打: 1
• 模型基础：Transformer/KV Cache/Temperature: 1
• Agent 与 workflow/单多 Agent 选型: 1
• 记忆系统设计: 1
• MCP / Function Calling / Skills / Tool Calling: 1
• 算法题/手撕题: 1
• 相关面经：
• 2026-04-09｜米哈游-AI Agent研发-暑期一面

百度

• 面经数：1
• 风格画像：偏 Agent 项目深挖，关注规划、记忆、工具调用和评测。
• 高频知识点：
• Agent架构与范式: 1
• 记忆与上下文管理: 1
• 评测、幻觉与数据集: 1
• 模型基础与推理机制: 1
• 后端基础与工程化: 1
• 高频题型：
• RAG/Agent 评测与幻觉治理: 1
• 模型基础：Transformer/KV Cache/Temperature: 1
• 相关面经：
• 2026-04-09｜百度ai agent开发春招一面

联想

• 面经数：1
• 风格画像：以具体项目深挖为主，建议按该公司的高频知识点准备。
• 高频知识点：
• RAG与检索优化: 1
• 项目介绍与项目拷打: 1
• Agent架构与范式: 1
• 记忆与上下文管理: 1
• 模型基础与推理机制: 1
• 框架、MCP与工具调用: 1
• 高频题型：
• RAG/Agent 评测与幻觉治理: 1
• 检索/召回/重排/向量索引优化: 1
• 项目介绍/项目拷打: 1
• MCP / Function Calling / Skills / Tool Calling: 1
• 算法题/手撕题: 1
• 相关面经：
• 2026-04-02｜联想-AI应用开发-面经

吉利科技

• 面经数：1
• 风格画像：以具体项目深挖为主，建议按该公司的高频知识点准备。
• 高频知识点：
• 项目介绍与项目拷打: 1
• 模型基础与推理机制: 1
• RAG与检索优化: 1
• 高频题型：
• 项目介绍/项目拷打: 1
• 检索/召回/重排/向量索引优化: 1
• 相关面经：
• 2026-03-31｜吉利科技 大模型应用开发 二面

腾讯

• 面经数：1
• 风格画像：偏应用架构与工程实现，常问记忆、Skill/MCP、状态机、LangChain/LangGraph。
• 高频知识点：
• Agent架构与范式: 1
• RAG与检索优化: 1
• 高频题型：
• 场景设计题（游戏/电商/安全/客服）: 1
• 检索/召回/重排/向量索引优化: 1
• 相关面经：
• 2026-03-28｜腾讯 大模型应用开发 二面

美团

• 面经数：1
• 风格画像：以具体项目深挖为主，建议按该公司的高频知识点准备。
• 高频知识点：
• 项目介绍与项目拷打: 1
• RAG与检索优化: 1
• 框架、MCP与工具调用: 1
• 记忆与上下文管理: 1
• 前端与跨端工程: 1
• 后端基础与工程化: 1
• 高频题型：
• 项目介绍/项目拷打: 1
• 检索/召回/重排/向量索引优化: 1
• MCP / Function Calling / Skills / Tool Calling: 1
• 记忆系统设计: 1
• 后端基础：Redis/缓存/MQ/高并发: 1
• 相关面经：
• 2026-03-28｜大模型应用开发一面-美团面经

OPPO

• 面经数：1
• 风格画像：以具体项目深挖为主，建议按该公司的高频知识点准备。
• 高频知识点：
• 项目介绍与项目拷打: 1
• RAG与检索优化: 1
• 评测、幻觉与数据集: 1
• Agent架构与范式: 1
• 高频题型：
• 项目介绍/项目拷打: 1
• RAG/Agent 评测与幻觉治理: 1
• 相关面经：
• 2026-03-25｜OPPO大模型应用开发一面 攒人品

AI应用开发

• 面经数：1
• 风格画像：以具体项目深挖为主，建议按该公司的高频知识点准备。
• 高频知识点：
• 算法与编码题: 1
• 高频题型：
• 算法题/手撕题: 1
• 相关面经：
• 2026-03-21｜AI应用开发

大模型应用开发校招面经

• 面经数：1
• 风格画像：以具体项目深挖为主，建议按该公司的高频知识点准备。
• 高频知识点：
• 项目介绍与项目拷打: 1
• 模型基础与推理机制: 1
• 评测、幻觉与数据集: 1
• 高频题型：
• 项目介绍/项目拷打: 1
• 模型基础：Transformer/KV Cache/Temperature: 1
• 场景设计题（游戏/电商/安全/客服）: 1
• 相关面经：
• 2026-03-07｜大模型应用开发校招面经-网易

附录：最新面经列表

具体面经条目放在附录区，优先级低于前面的知识点导航、聚类和题库。