京东 AI应用开发实习一面面经

发一下问题给大家参考，攒攒人品！1. 如何实现多 Agent 协作系统？2. 什么是 RAG（Retrieval Augmented Generation）？3. Java 如何实现 streaming response？4. 什么是 hallucination（幻觉）？为什么会发生？5. LangChain4j 如何返回结构化 JSON？6. 如何实现 SSE 推送？7. 如何评估 Agent 的执行效果？8. LLM 服务如何做缓存？9. LangChain4j 如何实现 Tool 调用？10. 什么是 AI Agent？11. 什么是 Prompt Engineering？12. Agent 和普通 ChatBot 有什么区别？13. RAG latency 怎么优化？14. Java 调用 OpenAI API 如何设计 SDK？15. RAG pipeline 的完整流程是什么？16. RAG 系统主要组件有哪些？17. 如何设计一个 AI 问答系统架构？18. RAG 如何做 rerank？19. AI系统如何做监控？20. embedding 和向量相似度搜索是什么？21. 什么是 ChatMemory？22. Java LLM 服务如何做连接池管理？23. 如何评估 RAG 系统效果？24. Agent memory 有哪些类型？25. 如何实现对话历史 memory？26. Transformer 架构核心原理是什么？27. 如何减少大模型 hallucination？28. LLM API 如何设计接口？29. chunk size 为什么很重要？如何选择？30. 如何实现 hybrid search（向量 + keyword）？31. 什么是 ReAct Agent？32. Spring AI 和 LangChain4j 有什么区别？33. 什么是 Tool Calling？34. embedding 模型如何选择？35. AI Chat 系统的整体架构是什么？36. 文档切分有哪些策略？37. LLM 服务如何做限流？38. LangChain4j 如何实现 prompt template？39. ChatGPT 的 system / user / assistant role 有什么作用？40. LLM 为什么推理成本高？41. AI系统如何记录 Prompt 和 Response？42. Agent 如何做任务规划（planning）？43. LLM latency 如何优化？44. 如何设计 Prompt 管理系统？45. streaming response 如何实现？46. MCP（Model Context Protocol）是什么？47. Agent workflow 和普通 workflow 有什么区别？48. 大模型上下文窗口是什么？如何突破长度限制？

联想一面自我介绍rag文本分块策略你对AI agent的了解了解哪些框架在rag中如何构建上下文对话的能力关于大模型提示词的经验你知道哪些agent工具rag中的幻觉问题是这么处理的？你知道哪些向量数据库？在rag中，有哪些相似度的计算方法你知道最近两年有哪些agent框架吗谈谈你对openClaw的人生谈谈对agent Skills的认识什么是python闭包，你在项目中哪些场景中使用了的Java中如何处理内存泄漏风险反问：大概有几面：总共两面，后面一面是HR面多久能知道本次面试的结果：应该很快吧大概多久能入职：得HR才能知道（整个流程总共20分钟，无手撕代码环节。时间短的比拷打1个半小时，...

继续来分享下最近的面经~欢迎友好讨论，信息共享1. 项目拷打2. 训练数据是怎么构建的，大概有多少量；测试集如何构建3. lm和这个项目是如何嵌入的4. rag项目的springboot框架的版本5. 项目中遇到问题解决问题的能力6. 主要提到一个项目中用的ai大模型7. 用llm技术重构系统8. 多轮对话相关存储 记忆 解决方案 这个问了好多9. rag怎么设计的10. Attention本质是什么？从向量空间变换角度解释11. 多轮对话中Attention如何导致历史信息衰减？12. RAG的chunk优化策略有哪些？怎么评估检索相关性13. 多工具调度模块如何解决冲突检测？14. 工具调用超时后的降级方案设计15. Prompt优化模块的A/B测试方案16. 为什么你在项目中选择用 Qwen 的模型而不用内部模型；文本检索时有 embedding 初步排序和重排两种模型可选，为什么选择 Rerank 方式做重排，而非其他重排方式

1、自我介绍2、说一下你日常中和实习中对于大模型的一些应用3、大模型应用到审核体系里面去的话，你有什么比较好的想法吗如果把大模型用到审核体系里，我会更倾向于把它设计成一个审核增强模块，而不是直接完全替代原有流程。因为审核场景最重要的是稳定性、准确率和可控性，如果一开始就把所有判断都交给大模型，风险会比较高。比较合理的方式是把审核拆成几层。先用规则和轻量模型做高确定性的初筛，把明显违规和明显正常的内容先分出去；对于边界模糊、语义复杂、上下文依赖强的内容，再交给大模型做进一步判断。大模型在这里可以承担语义理解、风险解释、相似案例归纳、标签推荐和辅助判定这些工作。这样既能利用它的泛化能力，又不会把整...