得物 Java开发工程师 二面
- 轮次
- 二面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 自我介绍
- 实习期间的产出、技术深度拷打(独立实现还是团队协作?是否上线?使用人数?怎么实现的?)
- ReAct 和 Plan-And-Execute 模式区别?适用场景?
- 有没有做意图识别?怎么做?
- AI Coding 工具?AI 代码占比?
- 如何保证 AI 产出代码的质量?例如确保其只能修改指定范围内的代码等?
- TDD、SDD 了解过吗?讲一下?
- Java 的泛型是从哪里延展出来的?有哪些优势?
- 泛型擦除会带来哪些影响?
- 近半年钻研的最深的一项技术?
- 如何提升 RAG 的整体准确率?
- 在 RAG 中,有些问题生成的答案就是更加准确,而有些问题就是没那么准确,你认为问题在哪里?
- 1 到 3 年内的技术成长路线?职业规划?
- 反问
《参考解析》
ReAct 与 Plan-and-Execute:ReAct 是「想一步、做一步」——模型输出思考加动作,拿到工具结果后再进入下一轮,好处是灵活、能根据中间结果转向,代价是每一步都要一次模型调用,长任务容易绕圈且总延迟高。Plan-and-Execute 是先把任务拆成完整计划再逐步执行,方向感强、可以并行、能提前评估代价,但计划一旦基于错误假设就会整体跑偏,需要能重规划的机制。实践里常做混合:高层用计划保证不跑偏,每一小步内部用 ReAct 保证灵活。判断标准很实在——任务边界清晰、步骤可枚举就走 Plan-and-Execute,环境反馈会改变目标的走 ReAct。
意图识别怎么做:轻量做法是规则加小模型分层:先关键词和正则拦掉高频明确意图,再用一个小的分类模型(或者 embedding + 向量检索召回相似问法 / 聚类原型)做粗分类,只有低置信度的那部分才交给大模型仲裁,这样能同时拿到成本和准确率。评测要分别算「分类准确率」和「仲裁调用率」,后者决定成本;评测集要分层抽样、覆盖长尾,样本少的时候用交叉验证、或者人工构造对抗样本扩增,别只看一个总体准确率。上线后要拿真实流量的 badcase 回流迭代,并保留人工兜底。
AI 代码质量怎么保证:重点不在「让 AI 别写错」,而在「写错了能拦住、范围可控」。工程上有几层:把任务粒度切小、一次只改一个明确的点;改之前先让它给设计方案,人确认后再动手;用 lint、typecheck、单测当硬闸门,不过就不合并;限制改动范围(先约定要改的文件,diff 超出就人工介入);小步提交、方便回滚。测试本身也要防「同源作弊」——AI 写的测试常常断言偏弱,所以要问清覆盖了哪些分支,关键路径补上人工写的验收用例。TDD 是先写测试再写实现、以测试驱动设计;SDD 在团队里通常指先写规格 / 设计文档再实现,AI 时代它的价值反而更高,因为规格是给模型的最强约束。
泛型与擦除:Java 泛型的直接来源是 C++ 模板和集合框架的类型安全需求,JDK 5 引入,解决的是「取出来还要强转、类型错误要到运行时才炸」的问题。它的优势是编译期类型检查、省掉强制转换、提高代码复用(一套集合类服务所有类型)。擦除的由来是兼容性:为了不破坏已有字节码,泛型信息只存在于编译期,运行时 List<String> 和 List<Integer> 是同一个类。带来四个后果:运行时拿不到泛型实参(所以 RTTI 里看不到,需要用 TypeReference / ParameterizedType 绕);不能 new T()、不能建泛型数组;静态成员不能用类的类型参数;重载时 method(List<String>) 和 method(List<Integer>) 签名冲突。桥接方法是编译器为擦除后多态生成的补充手段。
RAG 准确率怎么提升:这一段最好按链路拆开答。离线侧:文档解析要保结构(表格、标题层级别丢),切分按语义而不是硬切固定长度,chunk 加标题上下文与元数据,入库时做去重和清洗。检索侧:query 改写(多路改写、HyDE、指代消解)、混合检索(BM25 关键词 + 向量语义)互补、加 rerank 模型精排、按元数据过滤缩小范围。生成侧:把引用片段贴上、约束「只依据上下文回答」、上下文太长时做压缩而不是硬塞。评测要能定位问题:把「检索失败」和「生成失败」分开算,用带标注答案的评测集看召回率、MRR、忠实度。至于「有些问题答得准、有些不准」,最典型的三个原因是:知识库里根本没有这条内容(应该拒答却硬答)、chunk 切得让关键信息跨块断裂(召回不完整)、以及问题涉及跨文档多跳推理(单次检索拿不到全部证据)。作者这轮面试的落点就在这里:面试官要听的不是「我用了向量库」,而是能不能定位到具体环节。
这轮的复盘:面试官完全不问八股,全部围绕简历与项目追问,属于典型的「深度面」。这种面试挂人的原因往往不是知识点不会,而是项目讲不出深度——产出是什么、谁在用、量级多少、你独立解决了什么。准备方法是把简历上每个关键词都准备到能往下讲两层,并且准备好「最近半年钻研最深的一件事」这类需要真实沉淀的问题。作者最后提到道心破碎、缓了两天才写面经,其实这类反馈本身就是信号:项目深度不够时,先把一个真实的小系统做透,比铺开三个浅项目更有用。