27日常实习高德AI应用开发面经分享

发点面经攒攒人品～1.论文拷打2.拷打实习3.拷打第一个项目：MinerU解析出的结果是Markdown，相比纯文本，Markdown的层级结构对检索有什么好处？在你的流程中，VLM是在检索阶段参与，还是只在最后生成答案时参与？Ragas评测中，如果Faithfulness得分低，说明模型出现了什么问题？4.拷打第二个项目：在LangGraph中，Node和Edge分别代表业务流中的什么？长短期记忆在实现上有什么区别？短期记忆通常存在哪里？Agent是如何识别并选择正确工具的？是基于工具的名称还是功能描述？5.讲一下向量检索和关键词检索各自的优缺点6.为什么RAG比直接问大模型更能减少事实性错误？7.如果原始文档被修改了，如何保证向量数据库里的索引同步更新？8.什么是Query Rewrite？能解决用户提问中的什么问题？9.Temperature参数调高和调低，分别会对模型的输出产生什么影响？10.讲讲CoT的原理？为什么它能让模型处理复杂任务？11.在Agent执行任务时，Thought、Action和Observation三者如何循环？12.当对话长度超过模型上下文窗口时，处理方法有哪些？13.模型在进行工具调用时，输出的是直接的结果，还是一个包含参数的 JSON 字符串？14.系统提示词和用户提示词在Agent约束力上有什么区别？15.讲一下什么是HNSW索引？为什么比暴力搜索快？16.讨论了一下OpenClaw17.在开发Agent应用时，你怎么判断一个任务该用7B的小模型还是70B的大模型？18.如果你发现Agent总是重复执行同一个错误的工具调用，你从哪个环节修复？

1. 自我介绍2. SSE 跟 WebSocket 有什么区别？为什么模型推流场景很多时候选 SSE，不选 WebSocket？答案：SSE 是服务器到客户端的单向流式推送，基于 HTTP，天然适合把模型生成的 token 一段一段往前端推。WebSocket 是全双工协议，更适合双方都要频繁通信的场景，比如协同编辑、实时游戏、双向控制。模型推流大多数时候是服务端连续输出、客户端被动接收，所以通信模式上 SSE 更贴近需求。另外 SSE 在工程上更轻，和现有 HTTP 网关、鉴权、中间件、日志系统、Nginx 代理兼容性更好，浏览器原生支持 EventSource，实现成本低。很多公司不选 W...

攒人品中，祝大家都能拿到满意的Offer！1. 实习拷打2. 项目拷打3. 学校是否有发 paper 或实践课程的要求？4. 前端、后端、Agent 开发三者的职能差异？自己擅长哪方面？5. 性能优化的核心手段？如何发现定位瓶颈？6. 如果二级评论内容复杂（图文/视频），下挂在主表不合适怎么办？7. 海量评论（2万+）的通用优化方案？8. AI 商家运营助手 Agent 架构介绍？9. 为什么选 LangChain 而不是 Spring AI/Java？10. LangChain vs LangGraph 差异？11. 如果重新设计架构，结合最新 Agent 演进，会怎么做？12. 工具层如何封装？职责如何划分？调度机制？13. 订单异常（物流/支付/库存）三种情况如何编排节点？14. Claude Code/Codex 如何处理订单异常问题？15. LangGraph 编排 vs Claude Code/OpenClaw 模式差异？16. 从效率、架构演进性、准确性三方面对比两种架构？17. Harness Engineering 有没有了解？18. 最近业界火的方向/框架/项目？19. Hermes 的 RL 是在本地还是云端？具体展开？20. Hermes 的自进化用的是 memory/skills 还是模型自进化？21. GRPO vs DPO 差异？选哪种用于客服项目？22. 用户提交图文评论的全链路流程？哪些节点可优化？23. 网络层面的优化？24. 现在用的 AI 工具有哪些？25. Cursor 用什么模式开发？26. 每月/周消耗多少 tokens？

最近大家都在简历里塞AI和Agent项目，但面试官拷打的重点早就不是你会不会调大模型API了，写篇避坑指南给大家参考。首先，核心拷打点绝对是“业务落地价值”，你做的这个AI功能到底是伪需求还是真提效？比如结合具体业务的自动化诊断，到底比传统规则引擎准多少、快多少？其次是工程架构能力，面试官会死磕你的上下文管理和长记忆怎么设计的，如果是做Agent应用，你的Prompt工程怎么迭代、向量检索召回率怎么优化、并发调度怎么处理的？第三个高频问题是“兜底机制”，大模型经常幻觉，你的系统在面对脏数据流或者复杂边界条件时，有没有降级策略？ 最后就是性能调优，流式输出的延迟怎么降下来的？很多朋友平时习惯了用...