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:
- 自我介绍。
- 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?
- 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?
- 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?
- 在数据库层面定义外键有哪些优缺点?
- 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?
- 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?
- 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?
- 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?
- 使用外部 MCP 工具时,有哪些需要注意的地方?
- 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?
- 相比 Python,使用 Java 开发 AI 应用有哪些优势和劣势?
- 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?
- MyBatis 中如何编写带动态参数的 LIKE 模糊查询,同时避免 SQL 注入?
- MyBatis 中如何实现包含多个参数的 IN 查询?
- 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。
- Java 线程有哪些状态?
- Spring Bean 有哪些作用域?
- JVM 垃圾回收有哪些常见算法和垃圾回收器?
- 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?
- 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?
- 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?
- 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?
- 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):
- 什么时候开始学习 Java?主要学了哪些内容?
- 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?
- 项目里 RAG 中的双路召回如何实现?
- 如何评估召回效果?怎么验证优化是否有效?
- 如何识别用户意图,并路由到不同功能?
- 如何保证模型输出与后端处理策略正确映射?
- 是否遇到过模型幻觉或意图识别错误?如何处理?
- 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?
- 除了 Agent,是否做过传统 Java 业务项目?使用什么框架?
- 是否使用过 Spring Cloud、Dubbo 等框架?
- Spring 是什么框架?能解决什么问题?为什么很多 Java 框架基于 Spring?
- 是否遇到过数据库性能问题?如何排查和优化慢 SQL?
二面(HRBP):
- 确认实习地点和实习时长。
- 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?
- 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?
- 对金融行业了解多少?有没有投资经历?
- 平时是否关注财经信息?
- 对东方财富和天天基金有什么了解?
- 实习公司的核心业务是什么?
- 当时为什么选择这家公司,并前往异地实习?
- 是否考虑读研?
- 家乡在哪里?未来如何选择工作城市?
- 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。