小红书AI应用开发一面 实习面经

整体面试还是不错的，但是没后续了，不知道是哪里出了问题1. 项目拷打2. 你们从 PRD 到 design.md 这一层，是怎么保证“需求不丢失”的？AI 自检具体是怎么做的，有没有误判的情况？3. 你刚才提到“需求-代码映射”，能不能举一个具体例子，说明你们是如何做到精确定位到某个文件甚至某一段逻辑的？4. 你们的 tasks.md 拆分粒度是怎么控制的？拆太细和拆太粗分别会带来什么问题？5. 在 Multi-Agent 协作中，状态是怎么传递的？是靠文件、内存还是某种中心化状态管理？6. 你们有没有遇到 Agent 之间“决策冲突”的情况？比如设计和代码生成不一致，是怎么解决的？7. 你们为什么选择“技术方案驱动”，而不是直接让 AI 从 PRD 出码？8. 你们 `.catpaw/rules` 这套知识库，和像 OpenClaw 这种基于 RAG 的 memory，有什么区别？9. 如果知识库内容过多，AI 也会有上下文压力，你们是怎么做裁剪或者命中的？10. 你们有没有做 embedding 检索？11. 如果知识库里的内容是错的或者过期了，会不会对 AI 产生误导？你们怎么治理这个问题？12. 在一个非常大的存量项目里（比如几十万行代码），你们是怎么让 AI 快速理解项目结构的？13. 你们现在 AI 出码留用率是 50%+，那剩下 50% 主要问题出在哪里？14. 在复杂业务场景下，AI 出码质量下降，你觉得是什么问题？15. AI 有没有出现过“看起来对，但其实逻辑是错的”这种情况？16. 你们有没有做过代码 diff 级别的控制，比如限制 AI 修改范围？17. 你们基于 Playwright 做自动化测试，那测试用例是怎么保证覆盖率的？有没有评估指标？18. AI 自动修复 bug 的成功率大概是多少？有没有出现过“修复引入新 bug”的情况？19. UI 偏差这种问题你们怎么检测？20. 如果测试通过了，但业务逻辑是错的，这一层你们怎么解决？21. 你刚才说整体效率提升 20%，这个数据是怎么统计的22. AI 代码量提升很多，那你怎么评估“有效代码”和“冗余代码”的比例？

1. 如果知识库原始数据不是 markdown，而是 PDF、PPT、图片或者网页，你会怎么处理进 RAG 系统？PDF 和 PPT 会提取标题、段落、表格和页码，图片先做 OCR，网页先抽正文和元信息，然后统一清洗噪声、去掉页眉页脚、按语义做切片，补上来源、时间、文档层级这些元数据，最后再做 embedding 和索引。这样后面的召回、溯源和权限控制都更稳定。 public List<Chunk> buildChunks(Document doc) { List<Block> blocks = parser.parse(doc); List<Block> ...

继续来分享下之前的面经~欢迎友好讨论，信息共享1.为什么Vue不需要Fiber设计？2.React 如何做性能优化？3.使用过哪些打包工具？是如何做打包优化的？4.HTTP1、2、3各个版本的协议有哪些区别？5.你Agent 系统里边技术选型是怎么做的 ？6.AI对话里的流式渲染的实现方式？7.为什么选SSE？说一下你们SSE是怎么实现的，怎么断点重连的？你怎么判断服务端断开了？8.Markdown 分块渲染算法你们是怎么做的？为什么要这么做？主要解决了什么问题？9.假设用户一次性paste了一万行markdown进去，而且他在滚动的时候卡住了，你是怎么处理？10.假若有个调用后台接口的场景：前端调B系统接口，但接口不支持 OPTIONS，你怎么绕过去？11.假如用户说页面白屏或者功能报错了，你会怎么排查？你们生产上有没有遇到用户点开页面直接白屏的？你第一时间怎么排查？

1. 项目拷打2. Agent 和传统工作流到底有什么区别传统工作流更像一个提前画好的流程图，路径基本固定，输入来了以后按节点顺序执行，比如分类、检索、总结、返回。它的优点是稳定、可控、好排查，比较适合业务规则明确的场景。Agent 的核心不是“多一步调用模型”，而是“具备动态决策能力”。它会根据任务目标、当前上下文和外部环境决定下一步做什么，比如先查知识库还是先问用户补信息，要不要调工具，要不要继续分解任务。实际落地里，纯 Agent 和纯工作流都不多，更多是混合架构。主链路用 workflow 保稳定，在复杂节点里再让 Agent 做决策，这样可控性和灵活性都会更好一些。3. 你理解的 A...