虾皮DB测开日常

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

Q1：请⽤你⾃⼰的话定义 LLM Agent，并说明与单次调⽤的差异。答案：LLM Agent 是以⼤语⾔模型为推理核⼼，在 多轮 中与外部环境交互，通过 规划、记忆与⼯具 完成复杂任务的系统。与单次调⽤的差异在于：单次调⽤是 开环⽣成；Agent 是 闭环决策，每步可依据⼯具返回更新状态，直到终⽌条件。追问：若没有外部⼯具，还能叫 Agent 吗？答案：可称为「弱环境」Agent，仅有对话记忆与推理；但仍可有内环多步 CoT 与⾃我验证。⾯试中强调是否存在「⾏动—观察」循环更清晰。Q2：Agent 的记忆⼀般怎么设计？答案：分层设计最常⻅：⼯作记忆（当前轨迹与关键结论）+ 会话记忆（摘要滚动...

继续来分享下最近的面经~1. 实习拷打2. 你做的RAG知识库，具体业务场景是什么？整体是怎么搭建起来的？3. 项目一开始存在大事务问题，这个问题具体怎么优化的？4. 这个知识库支持什么内容形态？只有图文吗？图片是怎么处理的？5. 知识库面向的业务是什么？图文混合内容是怎么存储和还原的？6. 知识库更新怎么做？怎么保证内容实时保鲜？7. 这个项目里你遇到过哪些挑战和技术卡点？8. 向量库选型时考虑过哪些方案？为什么最终选择Milvus？抛开公司基建，会从哪些维度选型？9. 简历里提到吞吐、检索性能有提升，提升具体来自哪里？你做了哪些优化动作？10. 当前链路访问量、文档量级、线上运行情况如何？灰度切量到什么程度了？11. 线上有没有完整监控？链路出问题如何及时发现告警？12. 灰度切流过程中实际暴露过哪些线上问题？怎么解决的？13. 你最近参与的个人用户向、AI Coding 相关产品，目前做到什么阶段？你负责哪部分？14. 在这些项目中，你个人最大的技术收获是什么？15. 你理解Milvus底层原理，这些原理在实际落地中怎么指导你的技术决策？16. ES深翻页问题有没有遇到过？背后原理和瓶颈怎么理解？17. 有没有做过高并发场景？大促、秒杀这类高并发场景一般怎么设计处理？18. 平时开发会用设计模式吗？在实际项目里是怎么落地使用的？

项目挑一个讲？这个项目里大部分是大模型，工程上的有讲一下吗？有用到 Agent 吗？Agent 和传统大模型有什么区别？工作记忆了解吗？向量数据库和传统数据库区别是什么？从模型上查询索引结构上、事务上的区别呢？你提到的给 A 推荐的喜好是怎么做的？你的项目如果对标京东、阿里的话，有没有了解到现在成熟的方案？比方说对你的身高体重、用户画像等这类长期记忆的应用。大模型使用向量数据库的诉求是什么？什么场景用向量数据库？向量数据库在 AI 里的核心作用在哪？向量数据库开源的有哪些？ 在毕设过程中，有哪些方案是做过技术调研的？做过压测吗？2000 QPS 的瓶颈在哪里？怎么优化？压测的时候什么指标达到了...