蚂蚁国际 antom 二面

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.实习拷打2.从AI写代码到交付，整个流程是怎么弄的？3.你的项目有前后端吗？大概结构是怎样的？怎么让AI帮你搞出一套能线上正式运行交付的东西？4.你实现这个项目涉及到哪些应用、中间件组件？我需要你说明系统设计的技术选型、底层逻辑，比如爬取后做什么，完整的业务流程讲清楚。5.如果是公司里的实际场景，比如有几十个应用，涉及前端、后端系统，要改一个需求可能需要改多个系统，你让AI怎么处理？6.你用的是什么模型？（指的第一个用ai写的项目）7.做这个项目消耗了多少token？8.开发中token很昂贵，节省token有哪些方式？9.SDD/TDD这块了解吗？10.那你知道创建一个skill有哪些方式吗？除了自然语言描述，还有什么方式？11.说一说你对function calling的理解。12.function calling和MCP相比，是不是可以没有MCP？13.MCP和客户端通信有几种方式？你怎么配置MCP？14.function calling是通过什么告诉大模型有哪些工具可用？15.大模型使用MCP调用查询天气工具，整个交互流程大概是怎样的？不用太细。16.笔试的时候，你是怎么和系统交互的？没改代码吗？17.你怎么确保AI写的代码没问题？用的是单agent吗？

自我介绍RAG 的流程RAG 的优势怎么识别大模型的幻觉？减少大模型幻觉的措施有哪些？用了 RAG 以后，大模型就一定不出幻觉了吗？怎么排查？怎么确保 RAG 检索到的文档块一定是想要的？MCP 的概念怎么写好提示词？未来的升学规划？反问

面试很难，还是要多多练习1. 论文拷打2. 实习经历深度追问3. 首个项目深挖：MinerU解析跨页表格时，保障表格语义完整的核心思路？简述Ragas评测框架；若Answer Relevance指标偏低，如何精准区分检索质量与模型能力的影响边界？4. 第二个项目深究：LangGraph中State的定义逻辑与流转机制？当任务节点数量较多时，如何规避状态对象膨胀引发的内存溢出问题？长期记忆库层面，多轮对话信息提炼为结构化用户画像并入库的具体实现路径？5. 文档切片策略：overlap参数的核心作用？如何权衡分片尺寸与上下文完整性之间的平衡关系？6. 对GraphRAG的理解与应用认知7. GraphRAG召回海量关联信息后，生成阶段如何借助自反思（Self-Reflection）或思维链（CoT）策略过滤检索噪声？8. ReAct框架的核心原理，阐述其对复杂任务理解能力的提升逻辑9. 模型调用工具出现参数幻觉、语法错误时，可采用的自动化修正手段有哪些？10. Multi-Agent系统中心化编排模式的内涵，对比点对点架构的核心优势m11. Agent的Self-Reflection机制，说明其识别输出逻辑错误的底层原理12. Agent长期记忆的设计思路与核心要点13. 支付等高敏感操作场景下，Human-in-the-loop（人工介入）流程的设计原则与实现方式14. 单一Skill模块的设计思路与核心逻辑15. Skill与MCP的核心差异对比分析16. OpenClaw对Agent本地文件系统操作、代码执行环境感知及权限增强的实现逻辑17. 对Vibe Coding的理解，结合实际场景谈谈相关经验18. 如何保障自然语言任务描述能精准转化为稳定、可靠的执行路径？19. 上下文缓存的概念，说明其在处理Agent频繁读取的冗余系统指令时的核心价值

1. 自我介绍2. 如何在工程上实现兜底机制？具体到代码层面怎么做？答案：兜底机制不能只写一句“失败后重试”，要按失败类型分层。模型层可能超时、限流、返回格式错误；检索层可能无结果、召回低相关；工具层可能参数错误、权限失败、下游服务不可用；生成层可能答案无引用或不符合 schema。不同错误要有不同兜底，不能统一重跑。工程上我一般会做三层兜底：第一层是重试，比如超时、临时网络错误可以指数退避重试；第二层是降级，比如大模型失败就切小模型，rerank 失败就用召回分数排序；第三层是安全返回，比如证据不足就拒答，工具失败就返回部分结果和失败原因。对于有副作用的工具，不能盲目重试，必须加幂等 key...