面灵AI→

东方财富 EASTstar 服务端开发(AI 应用方向)一面 + 二面凉经

轮次
一面+二面
结果
二面挂
时间
2026-11
来源
牛客网

《面试题目》

一面:

  1. 自我介绍。
  2. 项目中 Text-to-SQL 的主要难点是什么?如何保证生成 SQL 和查询结果的准确性?
  3. 涉及多表关联时,如何提高大模型选择关联表、生成关联条件的准确性?
  4. 如果数据分析需求涉及复杂计算,仅靠 SQL 无法完成,可以如何处理?
  5. 在数据库层面定义外键有哪些优缺点?
  6. 多轮对话中如何管理上下文?如何平衡上下文不足和历史信息过多的问题?
  7. 如何区分用户是在追问还是切换了新话题,避免历史上下文干扰当前问题?
  8. 平时如何使用 AI 辅助编码?哪些代码交给 AI,哪些需要自己实现和审核?
  9. 多人使用 AI 辅助开发时,如何处理 AI 修改超出职责范围、代码合并冲突等协作问题?
  10. 使用外部 MCP 工具时,有哪些需要注意的地方?
  11. 当 MCP 暴露的工具接口数量很多时,会出现什么问题?如何解决?
  12. 相比 Python,使用 Java 开发 AI 应用有哪些优势和劣势?
  13. A 表 LEFT JOIN B 表时,将额外的筛选条件放在 ON 后面和 WHERE 中有什么区别?最终查询结果是否相同?
  14. MyBatis 中如何编写带动态参数的 LIKE 模糊查询,同时避免 SQL 注入?
  15. MyBatis 中如何实现包含多个参数的 IN 查询?
  16. 介绍一下对 Redis 的理解,可以从基础知识、使用场景或实际使用经验展开。
  17. Java 线程有哪些状态?
  18. Spring Bean 有哪些作用域?
  19. JVM 垃圾回收有哪些常见算法和垃圾回收器?
  20. 遇到 JVM 内存问题时,可以使用哪些命令排查?如何查看新生代、老年代的内存和 GC 情况?
  21. RAG 知识库中,如何处理格式不统一的文档,完成解析、切分和检索?
  22. 是否遇到过知识库检索不准确的情况,尤其是在处理非标准文档时?
  23. 如果已经接入知识库,但检索效果仍未达到预期,可以从哪些方面进一步优化?
  24. 手撕:括号匹配,判断字符串中的括号是否正确配对。

二面(主管):

  1. 什么时候开始学习 Java?主要学了哪些内容?
  2. 项目里如何判断大模型生成的 SQL 符合业务需求,并保证执行安全?
  3. 项目里 RAG 中的双路召回如何实现?
  4. 如何评估召回效果?怎么验证优化是否有效?
  5. 如何识别用户意图,并路由到不同功能?
  6. 如何保证模型输出与后端处理策略正确映射?
  7. 是否遇到过模型幻觉或意图识别错误?如何处理?
  8. Agent 回答错误时,如何定位是意图识别、模型生成、Prompt 还是知识库的问题?
  9. 除了 Agent,是否做过传统 Java 业务项目?使用什么框架?
  10. 是否使用过 Spring Cloud、Dubbo 等框架?
  11. Spring 是什么框架?能解决什么问题?为什么很多 Java 框架基于 Spring?
  12. 是否遇到过数据库性能问题?如何排查和优化慢 SQL?

二面(HRBP):

  1. 确认实习地点和实习时长。
  2. 除实习外,有哪些团队协作经历?是否参加过社团或集体项目?
  3. 第一份工作最看重什么?如何考虑发展方向、平台、薪资和团队文化?
  4. 对金融行业了解多少?有没有投资经历?
  5. 平时是否关注财经信息?
  6. 对东方财富和天天基金有什么了解?
  7. 实习公司的核心业务是什么?
  8. 当时为什么选择这家公司,并前往异地实习?
  9. 是否考虑读研?
  10. 家乡在哪里?未来如何选择工作城市?
  11. 你还有什么想问的?(作者反问岗位职责、应届生培养机制、工作强度与双休)

《参考解析》

Text-to-SQL 的准确性要拆成两层答:SQL 语法正确不等于业务正确。落地做法通常是「schema 精简 + 检索式召回」——不把整库表结构塞进 prompt,而是先按用户问题召回相关表和字段注释,再让模型生成;执行前过一遍语法与权限校验(只读、超时、行数上限、禁止 DDL),执行后把结果与问题对齐检查(行数为空、字段错位、聚合单位不符都是常见失败面)。想再进一步就是建 golden set:把历史上问过的问题和人工确认的正确 SQL 存下来,改一次 prompt 或换一次模型都跑这批回归,用执行结果一致率而不是人来肉眼判断。

多表关联的难点是模型不知道该 join 哪张表。实用的解法是在元数据里补「业务语义层」:表与表的关系、常用 join key、指标口径(GMV 到底算哪张表哪个字段),把裸 DDL 变成带注释的可检索知识;检索时按问题召回 join 路径而不是召回全量表。只靠 SQL 表达不了的复杂计算,正确方向是把模型的能力边界划清——让它生成可执行的分析计划(取数 + 计算步骤),把计算交给代码或 Pandas/数仓函数,而不是硬拧成一条巨长的 SQL。

多轮上下文的平衡点在于「状态外置」:把已确认的筛选条件、指标、时间范围抽成结构化槽位,每轮只带槽位和最近一两轮对话,历史原文按需检索而不是全量拼接;话题切换用分类器或轻量判断(新问题是否引用了上文实体)来分流,切换后清空槽位。这套做法同时解决了上下文膨胀和旧上下文污染。

MCP 工具一多,最先坏的是选择准确率:几十个工具塞进 prompt,模型会挑错工具、漏传必填参数,token 成本也线性上涨。工程上的处理是分层——按场景把工具分组、只暴露当前任务相关的一组,工具描述写成「什么时候用/不用」,配合后端做参数校验与幂等,失败时把结构化错误回给模型让它自我修正。Java 做 AI 应用的优势在工程侧(线程模型成熟、生态和治理完善、和公司既有服务同栈),劣势在新框架与 SDK 更新滞后、Python 侧的实验生态更全,答的时候给出你们场景下的取舍比站队有用。

八股部分都是常规考点。LEFT JOIN 那条要答准:ON 里的条件只影响右表能否匹配上(匹配不上仍然保留左表行,右表字段为 NULL),WHERE 里的条件是在 join 结果上过滤,会把本该保留的左表行一起过滤掉,所以两者结果通常不同;要把右表的筛选当成「匹配条件」就放 ON,要过滤最终结果就放 WHERE。MyBatis 的动态 LIKE 用 concat('%', #{kw}, '%') 或 bind 拼,别用 ${};多参数 IN 用 <foreach collection="list" item="id" open="(" separator="," close=")">#{id}</foreach>。JVM 排查就是 jps 定位、jstat -gcutil 看各区占用与 GC 频率、jmap dump 配合 MAT 找大对象、jstack 看线程栈,回答时把「先看什么指标、再拿什么证据」的顺序讲出来。

二面那句「怎么定位是意图、模型、Prompt 还是知识库的问题」是整场最有含金量的一题:正确答法是分而治之——先把一次请求的各段产物留痕(识别出的意图、召回的文档与分数、最终 prompt、模型原始输出),再逐段单独回放:换一个确定的意图看下游是否正常,换一份确定的知识看生成是否正常,用离线样本跑同一 prompt 看模型稳定性。有这套链路,故障定位从猜变成查。

HRBP 那一轮作者自己复盘「答得太烂」,问题出在公司功课没做:金融行业认知、东方财富与天天基金的业务差异、为什么异地实习,这些都不是临场能编的。准备方法是面试前把公司财报或产品线过一遍,准备两三个能对上岗位的真实观点,比背企业愿景有效。