27蚂蚁实习 AI后端开发一面凉经

感觉面完人都通透了，还是太菜了，下去沉淀一下1.介绍一下agent实习的项目架构2.你刚才提到配合定会议那个是多 agent 架构，一共用了几个 agent？每个 agent 分别负责哪一块？3.在设计上，什么情况下你会用单 agent，什么情况下会用多 agent？4.多 agent 之间的数据传输或者通信一般是怎么做的？5.如果多个 agent 之间有并发的情况，你一般怎么处理？6.如果有多个 agent 同时去操作数据库或者文件，这种并发你怎么处理？7.如果它们是异步执行的，这边会考虑怎么做8.rag混合检索机制，是怎么实现的9.你们项目里有没有遇到幻觉问题？这个问题怎么减少、规避？10.你之前都开发过哪些工具 / function？11.你提到那个 self-refine / 自我修正，你做过哪些修正策略？12.如果 API 返回结果有字段缺失，或者有冗余内容，你会用这种方式处理吗？13.你对 MCP 了解多吗？有没有写过相关的 MCP？14.假设 agent 调工具失败了，一般怎么处理？15.你之前开发过 agent，怎么管理它的 context？16.你自己在做 AI coding 时，一般怎么用？有没有什么方法论？17.上线前主要是通过什么方式保证质量的？只是靠 code review 吗？18.除了简历上写的这些，你自己还用 AI coding 做过哪些项目？19.你刚才提到那个 omo / openspec的东西，是你自己的项目实践，还是从别的地方学来的？

家人们谁懂啊！发现90%的人，根本不会在简历上体现AI能力。写的全是“熟练使用ChatGPT”“了解LangChain框架”“掌握RAG技术”这种废话，HR扫一眼就直接扔垃圾桶了，投100份简历99份石沉大海，真的一点都不冤。今天必须把这些简历上写AI能力的致命坑全扒出来，再告诉大家正确的写法，别再让你的AI能力，毁在一句废话上了。先盘点一下，简历上写AI能力，最常见的5个致命坑，90%的人全中坑1：只写“会用什么工具/框架”，不写任何落地场景这是最常见、最致命的坑，没有之一。很多人的简历上，关于AI能力的部分，全是这种内容：熟练使用LangChain、LlamaIndex、AutoGen框架...

感觉面完人都通透了，还是太菜了，下去沉淀一下1.redis和lua实现库存防超卖和一人一单，redis用lua的方式和使用2.redis本身的事务特性的方式的区别是什么？为什么不用redis本身的事务特性做防超卖？3.redis的set、get是原子性操作吗？用redis的set已经是原子性的了，为什么还需要使用lua脚本4.lua脚本过长会导致阻塞吗？5.怎么解决实际生产环境中防超卖导致的并发的吞吐量的问题呢？lua会阻塞，那怎么解决既要保证不重复下单又要保证吞吐量6.如果下单的时候，有一个单子在lua中判断秒杀资格卡了很长时间，其他人操作点都点不了 ,会出现这种情况吗7.如果lua脚本中某一步出错异常了会怎么办8.lua脚本写了哪些功能9.布隆过滤器是怎么拦截无效查询的10.volatile关键字作用11.Lock锁的实现原理12.AQS原理13.spring的AOP原理是什么？14.如果是分布式系统，怎么解决分布式系统的事务一致性15.如果用消息队列，如果有一条消息没有及时处理，可能是对堆积了也可能是消息发送给系统但是系统繁忙给丢弃了，你会怎么做16.如果服务器处理任务有上限，不能及时处理新的消息，从消费者来说应该做什么处理17.如果系统繁忙，支付消息丢失了，客户没付钱，但是订单创建成功了，应该怎么后续弥补18.如果lua脚本中有abc三步操作，如果a成功b失败，工程层面上来讲系统应该怎么设计，怎么保证系统的鲁棒性？19.生产环境中抢一笔订单，抢到了但是因为系统的问题内部要做abc三个操作，在做b的时候可能网络抖了一下导致b操作异常，这时候要让客户重新点击一次吗？20.智能客服，使用redis支持会话记忆，agent中会话记忆有几种记忆管理？21.向量数据库中怎么保证获取到的数据是尽量有效且准确的，而不是一些无用的数据22.用向量相似性完成rag召回一般用什么算法23.你了解skill吗？自己写过吗？24.有prompt，为什么引入skill处理25.Ai coding用过吗？ai coding现在有个spec coding,sdd的研发模式，这是一种什么样的概念26.你现在用的ai coding工具有哪些

1. 自我介绍2. 项目里怎么做意图识别，如何理解用户真正要解决的问题意图识别不是简单做文本分类，而是把用户输入转换成系统能执行的任务。比如用户问“这个供应商最近还能不能继续合作”，表面上是一个问答，实际上可能需要查询供应商资质、历史履约、黑名单、逾期付款、合同违约记录和采购金额变化。这里要识别的不只是意图标签，还包括业务对象、时间范围、风险类型和是否需要调用工具。工程上我会分成三层。第一层是规则和实体识别，先提取合同编号、供应商名称、采购单号、金额、日期这类强结构化槽位。第二层是模型意图分类，判断是合同审查、条款解释、供应商风险、付款异常还是流程咨询。第三层是置信度和兜底，如果置信度低，就让...