友邦科技 Agent开发 一面

一、实习
1.介绍项目
2.调用大模型后的返回结果或格式与我们要求的不符，怎么办呢？比如要求返回的是JSON，但是返回格式不理想的情况怎么解决？
从System Prompt的角度回答的，可以在系统提示词中规定仅输出纯JSON，并给出JSON结构示例。
但面试官不太满意，提出还有其他的解决方法，让我再去研究一下。
现在想想还可以从这些方向进行优化：
通过结构化输出能力：比如通过JSON Schema限制它只能产出符合 schema 的字段和类型；
在程序侧做校验与重试：收到结果先进行检验，失败就把错误信息返回，令其重新生成。
3.LLM的常见的训练流程，如pretraining、微调等
当时没答上来，后来回答了 Transformer 架构，解释了一下注意力机制
此时突然提问Attention中计算QKV时的时间复杂度，没答上来，应为O(n²d)。
应为：数据准备（Data Pipeline） -> 预训练（Pretraining） -> 指令微调（SFT）-> 偏好对齐(DPO/RLHF) -> 评测与迭代（Evaluation & Iteration） ->部署后持续优化（Online Feedback Loop）
4.RAG主要用来做什么？有哪些应用场景？
RAG可以让大模型基于知识库回答，减少胡编的现象。
详细说了一下RAG的流程，分片、索引、召回、重排、生成。
应用场景：如AI客服等。
5.如果发现在我们搭建的RAG中，它的召回率比较高，但是回答仍然不准确，可能的原因都有哪些？
从优化输入的角度进行回答，可以先让大模型根据用户的输入生成几条相似的问题，即把原始问题改成多种不同的表述，分别去搜，最后把结果合并去重。
后来想了想，还能从这些角度答：
Chunk 粒度或切分策略不合理，太大、太小，overlap不足，导致关键句刚好被切开；
噪声太大，可能把正确文档召回进来了，但它在 Top-k 中位置靠后，前面塞了大量“看起来相关但无关”的片段，导致生成阶段被噪声干扰；
生成阶段没受约束地使用证据，比如在Prompt中没明确说依据给定上下文作答；
温度、Top-p参数不合理，导致模型自由发挥程度过大。
6.如果在RAG系统中碰到检索的结果存在冲突，怎么办？
从提升检索质量的角度进行回答，单纯的语义检索可能得到的结果并不准确，可以结合精确匹配，采用混合检索，最终通过加权或RRF算法得到合并排序后的结果。
7.有自己搭建过Agent的项目吗？
介绍了一下在公司做过的通用Agent项目，以及简单提到了正在用Python实现的类OpenClaw的Agent，这里并没有后续的追问。
二、项目
1.介绍一下在点评中都做了哪些具体的内容？
讲了一下通过Redis实现的几个功能以及解决的问题、如穿透、击穿、雪崩、超卖等。
2.缓存雪崩的解决方案是什么？
为不同的Key设置随机TTL；
建立Redis集群；
采取降级限流措施，如快速失败等方案。
3.场景题，后端存在多个Application，前台会打到不同的Service，之前通过Redis保持用户的登录，如果不用Redis，有没有别的方法来解决？
可以通过单点登录来解决，建立一个认证中心，所有服务的登录请求都先转发到认证中心，生成全局对话TGT、票据Ticket后，带着Ticket重定向到A服务，A服务向认证中心对Ticket做校验，校验成功后建立局部对话。
三、八股，只问了数据库
1.inner join和left join的区别是什么？
inner join返回的是交集，设A left join B，返回结果会保留A表的所有行，再补上右表匹配的数据。这里答得有点模糊。
2.varchar和char的区别？
varchar是可变的，char是定长的，varchar更节省空间，而char存取比较快。这里说错了，char是定长的，下意识以为char更节省空间了。
3.如果要在数据库中在table上建索引，你有哪些考量？
从两个角度进行回答：一是要考虑索引的合理性，是否常用，是否合适；二是要规避掉索引失效的场景，如最左前缀法则、将用于范围查询的索引放到后面，进行索引查询时不要在索引列上进行运算、类型转换以及%开头的模糊查询。

整体还算简单，不过个别问题回答的确实不够精准和细致。