4.1蚂蚁国际暑期一面

1. 大模型应用与提示工程高级提示工程：掌握思维链 (CoT)、少样本学习 (Few-shot)、角色设定等技巧，引导模型进行复杂推理。函数调用 (Function Calling)：这是连接 LLM 与外部工具的关键协议。你必须精通如何定义和描述工具，并解析模型的调用请求。结构化输出：学会约束模型输出 JSON 等特定格式，这对于后续的自动化处理至关重要。2. RAG (检索增强生成) 系统RAG 是解决大模型知识滞后和幻觉问题的核心方案，也是 Agent 获取私有知识的主要方式。数据处理：学习如何清洗、结构化你的私域数据（知识治理）。混合检索：掌握将向量检索（语义理解）与关键词检索（BM25）相结合的方案，提升检索的精准度。RAG 优化：了解并实践查询改写 (Query Rewriting)、引入重排序 (Rerank) 模型、文档切片等优化手段。评估体系：学会使用 Ragas、TruLens 等框架，通过忠实度、上下文召回率等指标来量化和迭代你的 RAG 系统。

一、自我介绍与项目做一下个人介绍和项目经历介绍。详细讲一下实习做的业务内容和对应的技术设计。如何理解你负责的频道？接口主要负责页面渲染、数据返回吗？这块业务的难点、挑战是什么？不只是简单调用接口组装数据吗？业务层面的复杂点、边界条件具体体现在哪里？你提到用并发、并行查询做提效，介绍下这部分实践难点。二、并发、线程安全与 ThreadLocal并发场景下如何保证线程安全？某个下游接口超时，如何保证接口健壮性？这段代码是否可能出现线程污染？项目中有没有使用 ThreadLocal？ThreadLocal 的原理是什么？ThreadLocal 里引用的对象是强引用还是弱引用？两个线程通过 ThreadLocal 持有同一个对象引用，是否会操作同一个对象、出现线程安全问题？InheritableThreadLocal 传递对象是深拷贝还是浅拷贝？使用 CompletableFuture 时有没有引入线程池？线程池核心参数（核心线程数、最大线程数等）是怎么设计的？为什么不用自带的 ForkJoinPool，而是自己新建线程池？三、AI Web Coding 协作做 Web Coding 考试时，整体流程是怎么设计的？如何和 AI 协作？和 AI 协作时有哪些注意要点？项目规模大，AI 上下文不够、扫不完代码怎么办？不自己找修改点，如何让 AI 不扫全文也能定位修改位置？了解 Sub Agent 机制吗？复杂任务、上下文超限场景下，如何用任务编排、Sub Agent 做开发执行？四、计算机网络：HTTP / HTTPSHTTP 和 HTTPS 协议的区别是什么？HTTPS 使用对称加密还是非对称加密？五、MySQL 事务与锁什么是当前读和快照读？快照读读到的 “旧数据” 怎么定义？快照读在哪个事务隔离级别下生效？什么是幻读？MySQL 在 RC、RR 级别有什么机制防止幻读？当前读场景下为什么极端情况仍会出现幻读？六、消息队列消息队列一般用来解决什么问题？什么场景会引入 MQ？先变更数据库再发消息，如何保证两者要么一起成功、要么一起失败？无手撕

如果想从事 Agent 方向，我觉得可以按“LLM + Workflow + Tool Use + Memory”这条线去学。首先是大模型基础，要理解 Transformer、Token、Embedding、Attention、Prompt Engineering、Function Calling、Structured Output 这些核心概念。其次要学 Agent 常见技术栈，比如 ReAct、Planning、Task Decomposition、Multi-Agent、Reflection、Memory、Tool Calling。再往下就是 RAG 相关能力，包括向量数据库、Embedding Model、Chunking、召回、重排（Rerank）和知识库构建，这些直接影响 Agent 的准确率。工程上建议重点学 Python、FastAPI、LangChain / LangGraph、AutoGen、MCP、API 集成、异步编程、缓存、日志监控和容错重试。除此之外，还要关注评测体系，比如 Success Rate、Latency、Token Cost、Hallucination、鲁棒性和可观测性。我自己的理解是，Agent 不是简单调用一个 LLM，而是把模型推理、工具使用、状态管理和工作流编排结合起来。想入门的话，最好边学边做 Demo，比如“知识库问答 Agent”或“自动任务执行 Agent”，成长会特别快。

聊一面布置的任务那个demo问了一下实习的时候遇到问题怎么解决聊了一下ai看法，未来程序员发展无手撕，也没有新的大作业